Felipe Mansoldo

Atualmente sou pesquisador no Laboratório de Geoquímica Orgânica Molecular e Ambiental (LAGOA), onde atuo no desenvolvimento de algoritmos de IA/Machine Learning e pipelines de processamento para análise automatizada de dados analíticos complexos (GC×GC). Meu trabalho envolve a construção de fluxos de aprendizado de máquina reproduzíveis e sistemas escaláveis para processamento científico, integrando modelos preditivos a serviços de software e práticas modernas de MLOps para rastreabilidade e gestão do ciclo de vida dos modelos. Stack: Python, Go, FastAPI, Docker, MLflow, DVC, SQL, AWS.

Integrante do laboratório BioInovar (UFRJ), focado em biotecnologia aplicada com ênfase em sustentabilidade e microbiologia industrial. Atuei no desenvolvimento de soluções analíticas, automação de processos, criação de ferramentas e softwares para análise de dados complexos e desenvolvimento de métodos analíticos inovadores. Desenvolvimento de Software & Ferramentas: - Abordagem Metabology para análise de dados metabolômicos, promovendo reprodutibilidade científica (publicado na Analytica Chimica Acta, 2022) - Desenvolvimento do software "rIDIMS" para processamento automatizado de dados de espectrometria de massas (publicado na Talanta, 2025) - Pipelines end-to-end em R/Python: do desenho experimental à análise estatística e geração de relatórios automatizados Métodos Analíticos & Inovação: - Desenvolvimento de método inovador de quantificação direta de biopolímeros em caldos fermentados usando ATR-FTIR + regressão PLS, eliminando etapas de purificação e reduzindo tempo/custo de análise (Analytical Methods, 2020) - Método rápido para identificação e quantificação de biomassa fúngica explorando autofluorescência natural de ergosterol, substituindo análises cromatográficas demoradas (Talanta, 2020) - Abordagem espectroscópica inovadora para avaliação quali-quantitativa de reações de carbonilação usando métodos quimiométricos em colaboração com Università di Firenze, Itália (Spectrochimica Acta, 2021) Operação & Otimização: - Planejamento experimental e operação de biorreatores - Controle de qualidade e validação de métodos Gestão de Projetos - Auxiliei no gerenciamento do projeto Shell/ANP: controle de budget, elaboração de relatórios técnico-financeiros (PTR e REF-RTC) e prestação de contas para conformidade regulatória com ANP - Auxílio no gerenciamento do laboratório (experimentos, prazos, insumos, compliance) e mentoria em análise de dados - Atuei em colaborações internacionais com instituições na Itália (Università di Firenze) e China

Doutorado focado em métodos quimiométricos e modelagem de dados para otimizar a produção de biopolímeros aplicados na recuperação avançada de petróleo (EOR). Desenvolvi expertise em data science e machine learning aplicados a dados de espectrometria de massas (MS), LC-MS, metabolômica, genômica, microbioma e ferramentas computacionais em biotecnologia. Principais conquistas: - Abordagem "Metabology" (script em R) para análise de dados metabolômicos usando ferramentas de ecologia - Desenvolvimento do software "rIDIMS" para processamento de dados de espectrometria de massas por infusão direta - Publicações em periódicos de alto impacto (Nature Protocols, Talanta e Analytica Chimica Acta), consolidando aplicação de machine learning/data science a dados ômicos e instrumentais

Identificação e Rastreamento Epidemiológico de Bactérias: Desenvolvimento de Sistema Web e Avaliação de Métodos Inteligentes Foco em bioinformática e métodos inteligentes aplicados à identificação e rastreamento epidemiológico de bactérias. Desenvolvi sistema web inovador para classificação bacteriana utilizando redes neurais artificiais e mapas auto-organizáveis (SOM). Principais conquistas: - Desenvolvimento de sistema web inteligente para classificação e identificação de bactérias (Patente BR1020120092638) - Aplicação de técnicas de machine learning (redes neurais, mapas auto-organizáveis) em problemas de microbiologia - Integração de conhecimentos de engenharia e ciências biológicas Bolsista FAPERJ NOTA 10 durante o mestrado Principais ferramentas estudadas: Redes Neurais e Deep Learning; Lógica Fuzzy; Computação Evolucionária (Algoritmos Genéticos, Programação Genética, Particle Swarm Optimization); e modelos híbridos inteligentes. Sistama web: Joomla (PHP) e JavaScript

TCC: Análise de Tendências no Mercado Financeiro por Redes Neurais Artificiais — Arquitetura: Rede perceptron multicamadas (MLP) para classificação de séries financeiras; divisão do conjunto de dados em treino/validação/teste com early stopping por desempenho de validação para mitigar overfitting. — Treinamento e otimização: uso de Levenberg–Marquardt (trainlm) como algoritmo principal; ajuste do tamanho da camada e análise de desempenho. — Validação: particionamento aleatório e cronológico; análise de curvas de erro (treino vs. validação) para seleção do melhor checkpoint. Principais áreas cursadas: Sistemas de controle e automação; eletrônica industrial e sistemas embarcados; Inteligência computacional; Programação aplicada e desenvolvimento de sistemas.