+10
Anos em educação e ensino
Pesquisa e sala de aula, sem trocar uma pela outra
CARLOS INTELLIGENCE LABBIOINFORMÁTICA · IA · LEARNING SYSTEMSDisponível para P&D
Carlos Augusto Diniz
Construo sistemas de aprendizagem que a equipe consegue operar depois que o projeto acaba.
Doutor em Bioinformática pela UFMG, educador há mais de 10 anos. Uso IA no desenho de aprendizagem com o método que aprendi na pesquisa: declarar a hipótese, medir e descartar o que não se sustenta.
Passei anos procurando sinal em dados biológicos ruidosos. A pergunta que treinei ali continua sendo a minha aqui: o que este número autoriza a decidir?
Credenciais verificadas
4 evidências verificadas11
Artigos científicos
Publicados com revisão por pares
+260
Citações acadêmicas
Google Scholar · verificado em 16/07/2026
4
Sistemas de P&D navegáveis
Protótipos exploráveis no portfólio
RECRUITER DECISION ROUTE
Escolha a lente. A evidência continua a mesma.
Três portas de entrada para a mesma candidatura: didática, operações no-code ou analytics. A rota muda a prioridade das provas, não altera os fatos.
LEITURA EM 30 SEGUNDOS
Prova mais forte
Doutorado, produção científica e Command Center demonstram método de análise com limites explícitos de evidência.
Limite declarado
O dashboard usa dados sintéticos. Não prova impacto causal em negócio nem implantação real.
Próximo teste
Apresente um painel ambíguo e peça hipótese, decisão provisória, limite da inferência e o dado que mudaria a conclusão.
RECRUITER FAST TRACK · 60 SEGUNDOS
Se você está avaliando meu perfil para uma vaga, comece aqui.
Formação, escopo profissional, evidência e trabalho navegável em uma leitura curta. O laboratório inteiro continua disponível, mas você não precisa atravessá-lo para decidir se vale uma conversa.
IA aplicada à aprendizagemLearning DesignAI FluencyLearning AnalyticsAutomação no-codeEnsino, pesquisa e inovação
Posicionamento profissional
Especialista em IA Aplicada à Educação e Learning Design, estrategista de capacitação, facilitador de AI Fluency e orquestrador de soluções no-code, com base científica em Bioinformática.
Não me apresento como engenheiro de software ou desenvolvedor full-stack. Código e protótipos são meios para materializar sistemas de aprendizagem, evidência e automação.
Documentos e contato
PhD + Pós-Doc
Bioinformática · UFMG
Evidência verificável11 artigos
Publicações científicas com revisão por pares
Evidência verificável+260
Citações acadêmicas documentadas no portfólio
Evidência verificável+10 anos
Ensino, pesquisa e aprendizagem
Evidência verificávelProva pedagógica
Ensino de IA
Microaula navegável com diagnóstico, explicação, prática, feedback e evidência de aprendizagem.
Abrir prova de ensinoOs quatro flagships para inspecionar
AI Fluency para Educadores
Framework de fluência em IA com instrumento navegável e critérios explícitos.
Inspecionar AI FluencyLearning Journey Inteligente
Arquitetura de jornadas adaptativas e simulação de percurso com decisões declaradas.
Inspecionar jornadaLearningOps Automation
Automação no-code com gatilhos, estados, exceções e handoff humano explícito.
Inspecionar LearningOpsLearning Analytics Command Center
Leitura analítica que conecta aprendizagem, sinal, limite da evidência e decisão de negócio.
Inspecionar AnalyticsEsta visão usa apenas fatos e projetos documentados no portfólio. Simulações, hipóteses e limites continuam identificados nas páginas de origem.
EVIDENCE MATRIX · COMPETÊNCIA → PROVA → LIMITE
Não precisa acreditar na lista de competências. Siga a evidência.
Cada linha conecta uma capacidade declarada a registros do Truth Layer, uma prova navegável, o limite do que já pode ser concluído e o melhor teste para produzir evidência nova em entrevista.
01Competência
Learning Analytics e raciocínio científico
Formação científica verificável combinada a uma demonstração analítica que explicita hipótese, sinal, limite e decisão.
Abrir prova analíticaEvidência registrada
Evidência Verificada2026-07-16
Doutorado em Bioinformática pela UFMG
Evidência Verificada2026-07-16
Mais de 10 anos de experiência em ensino e pesquisa
Dados Simulados
Learning Analytics Command Center (Protótipo)
Limite atual
O dashboard usa dados sintéticos; não representa resultado analítico obtido para cliente real.
Melhor validação
Apresente dados ambíguos e peça hipótese concorrente, limite causal e qual dado adicional mudaria a decisão.
02Competência
Pesquisa, método e comunicação científica
Doutorado, pós-doutorado, produção científica e impacto acadêmico possuem fontes públicas verificáveis.
Abrir camada científicaEvidência registrada
Evidência Verificada2026-07-16
Doutorado em Bioinformática pela UFMG
Evidência Verificada2026-07-16
Pós-Doutorado pela UFMG
Evidência Verificada2026-07-16
11 Publicações científicas
Evidência Verificada2026-07-16
Mais de 260 citações acadêmicas
Limite atual
Produção acadêmica não deve ser confundida automaticamente com impacto operacional em contexto corporativo.
Melhor validação
Peça que transforme uma hipótese vaga em pergunta testável, evidência necessária e critério de decisão.
03Competência
IA aplicada à aprendizagem
A experiência profissional e quatro sistemas de P&D conectam IA a ensino, Learning Design, operações e analytics.
Abrir AI FluencyEvidência registrada
Evidência Verificada2026-07-16
Mais de 10 anos de experiência em ensino e pesquisa
Evidência Verificada
4 sistemas de P&D navegáveis
Dados Simulados
AI Fluency para Educadores (Protótipo)
Limite atual
Os sistemas demonstram arquitetura e raciocínio; protótipos não provam resultado de implementação em cliente.
Melhor validação
Dê um problema de aprendizagem real e avalie se a solução começa pela decisão e pela evidência, não pela ferramenta de IA.
04Competência
Learning Design e jornadas adaptativas
Experiência declarada em Learning Design e sistemas navegáveis que tornam critérios de percurso e adaptação observáveis.
Abrir jornada adaptativaEvidência registrada
Evidência Verificada2026-07-16
Mais de 10 anos de experiência em ensino e pesquisa
Evidência Verificada
4 sistemas de P&D navegáveis
Dados Simulados
Learning Journey Inteligente (Protótipo)
Limite atual
A jornada adaptativa ainda não foi validada com coorte real; métricas do protótipo são simuladas.
Melhor validação
Dê dois perfis de aprendizes e peça critérios explícitos para manter, remover ou reordenar partes da jornada.
05Competência
Automação No-Code e LearningOps
Raciocínio operacional demonstrado em fluxo com gatilho, estado, exceção, retry, diagnóstico e handoff humano.
Abrir prova de automaçãoEvidência registrada
Evidência Verificada2026-07-16
Mais de 10 anos de experiência em ensino e pesquisa
Dados Simulados
LearningOps Automation (Protótipo)
Limite atual
O LearningOps é protótipo demonstrativo; não há resultado de produção ou economia real de cliente documentada.
Melhor validação
Entregue um workflow quebrado e avalie a sequência de investigação antes de qualquer edição na ferramenta.
06Competência
Ensino de IA e facilitação
Experiência em ensino e pesquisa combinada a uma rota didática navegável com microaula, feedback, evidência e Facilitation Brief.
Abrir prova didáticaEvidência registrada
Evidência Verificada2026-07-16
Mais de 10 anos de experiência em ensino e pesquisa
Evidência Verificada
4 sistemas de P&D navegáveis
Limite atual
O portfólio demonstra método e artefatos; não publica métricas de aprendizagem de uma turma específica.
Melhor validação
Peça uma explicação de três minutos para público não técnico e introduza uma dúvida inesperada.
Sem score de fit e sem inferência automática de senioridade. VERIFIED confirma o fato descrito; SIMULATED identifica protótipo ou dado demonstrativo, não resultado de cliente.
DECISION ENGINE · EVIDÊNCIA ANTES DE IMPRESSÃO
O que você precisa validar antes de decidir se vale uma entrevista?
Escolha uma pergunta de avaliação. O sistema não calcula um score de fit: ele mostra a prova mais relevante, o que ela sustenta e o que ainda precisa ser validado em conversa ou exercício prático.
Escolha a decisão que você precisa tomar
Prova prioritária
A melhor prova é a combinação entre formação científica, produção acadêmica e um sistema demonstrativo de Learning Analytics com limites explícitos de evidência.
Abrir prova analíticaO que observar
Observe hipótese, qualidade do dado, sinal versus ruído, interpretação, limite da inferência e a decisão que o gráfico realmente autoriza.
O que ainda validar na entrevista
Apresente um conjunto de dados ambíguo e peça uma decisão provisória, as hipóteses concorrentes e quais dados adicionais mudariam a conclusão.
Evidências relacionadas
Evidência Verificada
verificado em 2026-07-16Doutorado em Bioinformática pela UFMG
Doutorado em Bioinformática pela Universidade Federal de Minas Gerais (UFMG), um dos programas de pós-graduação mais conceituados do Brasil.
O que esta evidência não prova
A informação do doutorado está registrada no Lattes e pode ser verificada publicamente. Detalhes específicos da tese não estão disponíveis nesta página.
Evidência Verificada
verificado em 2026-07-1611 Publicações científicas
Onze artigos publicados em periódicos e conferências científicas.
O que esta evidência não prova
O número de publicações é verificado no Lattes. A lista completa não está disponível nesta página.
Evidência Verificada
verificado em 2026-07-16Mais de 260 citações acadêmicas
Mais de 260 citações ao trabalho acadêmico de Carlos, conforme registrado no Google Scholar.
O que esta evidência não prova
Este valor reflete as citações no momento da última verificação (2026-07-16). Citações podem variar ao longo do tempo. Não é um valor atualizado em tempo real.
Dados Simulados
Learning Analytics Command Center (Protótipo)
Dashboard demonstrativo de Learning Analytics. Correlações (r=0.94) e métricas de ROI são simuladas para demonstração do conceito.
O que esta evidência não prova
Métricas simuladas. Não há dados reais de clientes. O dashboard é demonstrativo e não representa resultados de implementações reais.
TRUTH LAYER
O portfólio separa fatos verificáveis de protótipos e métricas simuladas. Assim, capacidade demonstrável e resultado real não são tratados como a mesma coisa.
Sem score proprietário de contratação. Sem porcentagem de fit inventada.
6evidências verificadas
4protótipos / dados simulados
INTERVIEW PACK · TESTE PRÁTICO EM 15 MINUTOS
Não confie só no portfólio. Teste o raciocínio.
Este roteiro transforma a candidatura em uma pequena sessão de validação. A proposta não é provar experiência que o portfólio não prova, e sim tornar observável como Carlos explica, diagnostica, decide e reconhece limites.
Escolha o foco da entrevista
Exercício prático
Transformar um dado ambíguo em decisão defensável
Apresente um painel em que conclusão de treinamento subiu e um indicador de negócio melhorou no mesmo período. Pergunte o que já pode ser decidido, o que ainda não pode ser afirmado e qual dado adicional mudaria a conclusão.
Perguntas de aprofundamento
- 01Qual hipótese concorrente você investigaria primeiro?
- 02Que problema de qualidade do dado poderia inverter a leitura?
- 03Como comunicaria a conclusão sem vender correlação como causalidade?
RESEARCH & DEVELOPMENT OBSERVATORY
Linhas de Pesquisa & Desenvolvimento
Eu chamo de laboratório porque é isso que é: hipótese em teste, prototipagem real, iteração sem fim, até virar algo que funciona fora do papel. Cada linha declara o problema que investiga, o sistema que propõe e onde está na régua de maturidade.
Coordenada de maturidade · 4 linhas ativas
HipóteseProtótipoMVP operacional
RD-01
MVP operacionalMVP operacional · primeiro piloto ainda não realizado
AI Fluency para Educadores
- Problema investigado
- Professores travam diante da Inteligência Artificial. Quando não travam, usam de forma rasa e perdem a chance real de mudar o que acontece na sala de aula.
- Sistema proposto
- Framework de letramento apoiado nas diretrizes da Anthropic, unindo design instrucional ágil a workshops onde a teoria vira prática na hora.
RD-02
MVP operacionalMVP operacional · primeiro piloto ainda não realizado
Learning Journey Inteligente
- Problema investigado
- A maioria das trilhas trata todo mundo igual, e ignora completamente quem cada colaborador realmente é.
- Sistema proposto
- Motor determinístico que usa papel, nível e sinais declarados para montar uma jornada em microdoses e explicar cada regra aplicada.
RD-03
MVP operacionalMVP operacional · integrações ainda não conectadas
LearningOps Automation
- Problema investigado
- Equipes de T&D perdem horas em curadoria manual e gestão administrativa. É tempo que deveria ir para ensinar, não para preencher planilha.
- Sistema proposto
- Esteira local que valida CSV, separa exceções, registra handoffs humanos e exporta auditoria antes de qualquer integração do cliente.
RD-04
MVP operacionalMVP operacional · integrações ainda não conectadas
Learning Analytics Command Center
- Problema investigado
- Decisões educacionais ainda nascem de intuição, sem uma única métrica de correlação para sustentá-las.
- Sistema proposto
- Workspace local que valida CSV, aplica limiares transparentes e produz uma leitura descritiva sem transformar associação em causalidade.
ORIGEM
O método que decifra genomas também decifra como você aprende.
- Formação
- Doutorado e Pós-Doutorado em Bioinformática · UFMG
- Campo
- Learning Design · Inteligência Artificial aplicada à educação
- Método
- Hipótese → dado → ajuste
- Base
- Belo Horizonte, MG · Brasil
Sou Learning Designer. Antes disso, fui cientista. Essa ordem importa: aprendi a tratar capacitação corporativa como um sistema que se mede e se corrige ao longo do tempo, do jeito que se trata uma hipótese no laboratório.
Ciência, IA aplicada e design educacional convergem no meu trabalho todos os dias. O que sai disso são jornadas que reagem a quem está aprendendo, programas de fluência em IA e fluxos automatizados que dispensam código, mas nunca rigor.
Lideranças de L&D, RH e Educação me procuram pelo mesmo motivo. Precisam de algo tecnicamente sério que as pessoas consigam usar, sem abrir mão da régua que mede o resultado.
“Um modelo gera vinte versões de uma aula em um minuto. Escolher qual delas serve àquela turma ainda leva o tempo que sempre levou.”
TRELIÇA DE EVIDÊNCIA CIENTÍFICA
Da bancada científica ao design de aprendizagem.
Cada decisão de projeto que tomo hoje vem de algum ponto desta sequência. Percorra os nós para ver como um estágio alimenta o seguinte.
- 01Formação científica
Doutorado e Pós-Doutorado em Bioinformática pela Universidade Federal de Minas Gerais. A régua de rigor começa aqui.
- 02Dados complexos
Anos de bancada me ensinaram a separar sinal de ruído antes que o ruído custasse uma conclusão errada.
- 03Pensamento sistêmico
Aprendi a pensar em hipóteses, não em opiniões. A desconfiar do óbvio até os dados confirmarem.
- 04Ensino
Mais de dez anos em educação e ensino, traduzindo complexidade técnica para quem precisa efetivamente aprender.
- 05IA aplicada
Esse treinamento não ficou no laboratório: hoje ele decide como construo programas de adoção de Inteligência Artificial.
- 06Sistemas de aprendizagem
Soluções educacionais inteiras, montadas a partir de evidência e dado em vez de intuição ou modelo pronto.
Estágio selecionadoFormação científica
Doutorado e Pós-Doutorado em Bioinformática pela Universidade Federal de Minas Gerais. A régua de rigor começa aqui.
11Publicações científicas internacionaisAvaliadas por pares
+260Citações acadêmicasGoogle Scholar · verificado em 16/07/2026
+10Anos de experiência aplicadaEducação, ensino e P&D
PhDDoutorado e Pós-Doutorado em BioinformáticaUFMG
TRILHOS DE PROVA
Por que confiar problemas complexos a mim.
Poucas pessoas decifraram genoma antes de desenhar treinamento corporativo. Eu fiz as duas coisas, e é daí que vem o meu jeito de atacar um problema de aprendizagem.
E01
Formação científica avançada
Doutorado e Pós-Doutorado em Bioinformática pela UFMG. Anos decifrando dados complexos antes de aplicar o mesmo rigor em problemas de aprendizagem.
E02
Aprendizagem baseada em evidências
Cada decisão de design instrucional nasce de dado e de pesquisa, com a métrica de impacto definida antes de começar.
E03
IA aplicada na prática
LLMs, agentes e automações dentro de jornadas educacionais reais, com resultado que aparece na métrica, não só na apresentação.
E04
Integração entre ciência, educação e tecnologia
Rigor acadêmico, design pedagógico e implementação técnica raramente moram na mesma pessoa. Trabalho nos três desde o doutorado.
TOPOLOGIA DE CAPACIDADES
Um stack integrado entre ciência, design e tecnologia.
Seis capacidades, sete combinações. Isoladas valem pouco; o que muda um projeto é como elas se encaixam. Selecione uma capacidade para ver com quais outras ela opera.
Construir · 3 combinaçõesIA aplicada à educação
Coloco LLMs e modelos generativos para trabalhar dentro da sala de aula e da trilha corporativa, sem perder pedagogia no caminho.
IA aplicada à educação + Ciência de dados
Rigor analítico decide onde um modelo generativo ajuda de verdade e onde ele só produz texto convincente.
IA aplicada à educação + Learning design
Pedagogia primeiro, modelo depois: a IA entra dentro de uma estrutura instrucional, nunca no lugar dela.
IA aplicada à educação + Automação no-code
LLMs geram, automações distribuem. Juntas, fazem o impacto crescer sem multiplicar o esforço da equipe.
MOTOR DE MÉTODO
O caminho que todo projeto percorre aqui.
Cada projeto percorre quatro câmaras, do diagnóstico à análise de resultado, com o mesmo rigor de quem testa hipótese antes de aplicar em escala. Cada câmara declara o que recebe, o que decide e o que entrega.
ESTÁGIO 01
Diagnóstico estratégico
Antes de propor qualquer solução, entendo o terreno: contexto, maturidade em IA, objetivo real e o indicador que vai provar que funcionou.
- Entra
- Contexto, maturidade em IA e objetivo declarado
- Decisão
- Qual indicador vai provar que funcionou
- Artefato
- Diagnóstico com métrica de sucesso definida
ESTÁGIO 02
Design de jornada
Cada trilha nasce de evidência, não de modelo pronto. Desenho a experiência inteira ao redor de quem vai aprender.
- Entra
- Evidência levantada no diagnóstico
- Decisão
- Como a experiência se organiza em torno de quem aprende
- Artefato
- Jornada desenhada e justificada
ESTÁGIO 03
Construção com IA + no-code
Aqui a ideia ganha forma: LLMs, automações e integrações que fazem o impacto crescer sem multiplicar o esforço.
- Entra
- Jornada aprovada e escopo fechado
- Decisão
- O que é IA, o que é automação e o que continua humano
- Artefato
- Sistema em operação
ESTÁGIO 04
Analytics e iteração
Acompanho a métrica de perto e ajusto o sistema sem parar. Ciência boa nunca para no primeiro resultado.
- Entra
- Dados reais de uso e desempenho
- Decisão
- O que ajustar antes do próximo ciclo
- Artefato
- Iteração validada e nova hipótese
A iteração devolve ao estágio 02
O estágio 04 não fecha o projeto. Ele reabre o desenho com dado novo.
SINAL FINAL
Depois de todos esses sistemas, existe uma pessoa.
Parcerias, palestras, consultoria ou só uma conversa séria sobre o futuro da Inteligência Artificial na educação. Escolha o canal que preferir. Respondo pessoalmente.
Carlos Augusto DinizLEARNING DESIGNER · PhD EM BIOINFORMÁTICA · BELO HORIZONTE, MG
- Currículo Lattes
- lattes.cnpq.br/9717412363973376
- Currículo profissional
- Baixar currículo
- English CV
- English CV
- Telefone
- +55 31 99186-0657