Plataforma de IA Clínica em Produção
Contribuidor principal em sistema de IA clínica em produção — backend Ruby, pipeline LLM via AWS Bedrock, transcrições Zoom, entregue e suportado ao vivo.
Overview
Este é um sistema de IA para saúde em produção, de-identificado. Ingressei em uma arquitetura já estabelecida durante o desenvolvimento e contribuí intensamente em toda a pilha — não um projeto do zero, mas o desafio mais difícil: entrar em uma codebase de produção, entendê-la rapidamente e entregar com qualidade de produção. A plataforma converte conversas clínicas em notas de prontuário estruturadas. O pipeline central: um job Sidekiq em background busca uma transcrição VTT do Zoom no S3, mapeia o template de nota configurado para a consulta em um conjunto de campos de módulo personalizados, renderiza um prompt ERB estruturado, envia pelo proxy interno do AWS Bedrock (com até três tentativas), analisa a resposta estruturada do LLM, normaliza valores específicos por tipo de campo (incluindo correspondência de opções de checkbox), e persiste as respostas de formulário geradas. Cada etapa emite métricas no Datadog e atualiza um registro Observatory que o dashboard interno de suporte usa para troubleshooting. O trabalho cobriu todo o ciclo de entrega: implementação de novas funcionalidades, escrita e manutenção de cobertura RSpec, depuração de regressões em produção, coordenação de releases e suporte ao vivo. A função não era apenas escrever código, mas tornar o sistema lançável — rastrear falhas intermitentes no caminho de busca da transcrição, fortalecer o loop de retry do LLM, e ser responsável pelo que saía em produção. Este é o tipo de engenharia que não aparece em demos: responsabilidade pela qualidade e confiabilidade de um sistema de IA em produção em um domínio regulamentado, sob prazo, como contribuidor em uma equipe existente. *Os exemplos de código nesta página são ilustrações representativas dos padrões arquiteturais utilizados — não são código-fonte proprietário real do sistema em produção.*
Technical Stack
IA / LLM
- ▸AWS Bedrock
- ▸Templates ERB para prompts
- ▸Parsing de saída estruturada
- ▸Mapeamento de módulos
- ▸Retry com backoff
Backend
- ▸Ruby on Rails
- ▸Sidekiq
- ▸Padrão ApplicationService
- ▸Injeção de dependência
- ▸RSpec
Infraestrutura
- ▸AWS S3
- ▸Métricas Datadog
- ▸Eventos Mixpanel
- ▸CircleCI
Key Features
Pipeline de job Sidekiq em background disparado automaticamente após o término de uma chamada Zoom
Busca de transcrição VTT do Zoom no S3 com suporte a transcrições stub para desenvolvimento local
Construção dinâmica de prompt via templates ERB: prompt de sistema + prompt de usuário renderizados com contexto da consulta
Builder de mapa de módulos personalizados mapeando cada campo da nota de prontuário para sua seção no prompt LLM
Invocação do LLM via AWS Bedrock por proxy interno com até três tentativas em falhas transitórias
Parsing de respostas estruturadas com normalização de opções de checkbox (correspondência fuzzy da saída do modelo com valores válidos)
Telemetria Observatory por tarefa rastreando provedor, paciente, status e razão de falha para cada tentativa de geração
Métricas Datadog em cada etapa do pipeline e evento Mixpanel em geração bem-sucedida
Code Examples
Technical Challenges
Absorver uma codebase de produção existente rapidamente o suficiente para entregar funcionalidades na cadência de release da equipe
Alcançar cobertura de testes confiável para um pipeline cujas saídas principais são geradas por LLM e não-determinísticas
Depurar falhas intermitentes na busca de transcrição cuja causa raiz era o timing de upload no S3
Fortalecer o loop de retry do LLM para lidar com throttling do Bedrock sem expor erros aos usuários
Manter confiabilidade em produção em um contexto de saúde onde falhas de prontuário têm consequências clínicas diretas