+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
LearningOps + Workflow Doctor tornam visíveis gatilho, estado, exceção, retry, integração e handoff humano.
Limite declarado
Os fluxos e métricas são protótipos ou modelagem. Não provam operação em produção nem ROI realizado.
Próximo teste
Entregue um fluxo quebrado e observe a sequência de diagnóstico, as perguntas e a clareza da orientação.
NO-CODE ROLE FAST TRACK · 60 SEGUNDOS
Para uma vaga de Monitor No-Code, estas são as provas que eu abriria primeiro.
Minha experiência combina automação visual, desenho de fluxos, diagnóstico de projetos, integrações, documentação e ensino. O ponto central é conseguir entender o fluxo, localizar onde ele quebra e orientar outra pessoa até uma solução reproduzível.
O que consigo fazer em uma monitoria
- Ler um fluxo e reconstruir a lógica entre gatilhos, condições, dados e saídas
- Diagnosticar onde uma automação falha antes de trocar ferramenta ou recomeçar do zero
- Explicar conceitos técnicos em linguagem prática e acompanhar outra pessoa durante a execução
- Documentar passos, critérios, exceções e handoffs para que a solução continue operável
- Trabalhar com n8n, Make, APIs, Supabase e desenvolvimento assistido quando o no-code encontra seu limite
orquestração visual
integração e dados
fluxo, erro e exceção
explicar, acompanhar e documentar
Teste o raciocínio no próprio portfólio
Provas navegáveis mais relevantes
LearningOps Automation
Fluxo no-code com gatilhos, estados, integrações, exceções e handoff humano explícito.
Abrir prova de automaçãoNo-Code Systems no Lab
A constelação prioriza NoCode Project Doctor, LearningOps Control Room e Maturity Mapper para inspeção.
Abrir catálogo No-Code priorizadoEnsino de IA
Microaula navegável que mostra como estruturo explicação, prática, feedback e verificação de aprendizagem.
Abrir prova de ensinoEsta visão não cria experiência fictícia: ela reorganiza provas e competências que já existem no portfólio para uma avaliação de vaga No-Code.
SIMULADOR OPERACIONAL · PREMISSAS ABERTAS
Quanto trabalho manual este fluxo realmente pode retirar da operação?
Ajuste as premissas. O resultado é calculado na hora e mostra o que continua humano depois da automação. É modelagem de cenário, não promessa de ROI.
69,3 h
Carga manual atual / mês
42,7 h
Horas líquidas recuperadas / mês
26,6 h
Trabalho humano residual / mês
R$ 2.561
Valor operacional estimado / mês
R$ 30.727
Valor operacional estimado / ano
Lógica do cálculo
carga atual = execuções × minutos × 4,33 semanas. A parcela automatizável é reduzida pela taxa de exceção. O restante continua humano.
Nenhum destes números é evidência de resultado real. Eles mudam exclusivamente com as premissas informadas acima.
NO-CODE WORKFLOW DOCTOR · DIAGNÓSTICO GUIADO
Uma automação quebrou. Por onde eu começaria?
Escolha o sintoma. O instrumento organiza uma sequência de diagnóstico antes de trocar ferramenta, reconstruir o fluxo ou culpar a API.
Sintoma observado
Hipótese inicial
A falha costuma aparecer em transformação de dados, autenticação de um serviço ou tratamento insuficiente de erro.
Sequência de checagem
- 1Identificar o último nó que terminou com sucesso e congelar o payload exatamente naquele ponto.
- 2Comparar tipos, campos obrigatórios, limites e códigos de resposta da próxima integração.
- 3Reexecutar somente o trecho defeituoso com o mesmo payload para separar erro de dado, regra e serviço externo.
Quando escalar para uma pessoa
Escalar quando há erro de permissão, mudança de contrato da API, dado sensível ou decisão que exige critério de negócio.
Instrumento demonstrativo. Ele mostra uma lógica de investigação reproduzível, não substitui logs, credenciais, documentação da API ou inspeção do fluxo real.
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
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.
02Competência
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.
03Competência
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.
04Competência
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.
05Competência
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.
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 combina fluxo de automação, tratamento de exceções e um Workflow Doctor que torna o diagnóstico navegável.
Abrir avaliação No-CodeO que observar
Observe como o raciocínio separa gatilho, payload, regra, integração, retry, exceção e handoff humano antes de propor uma correção.
O que ainda validar na entrevista
Entregue um fluxo quebrado ou cenário de suporte e avalie a sequência de perguntas, a qualidade do diagnóstico e a clareza da orientação.
Evidências relacionadas
Evidência Verificada
verificado em 2026-07-16Mais de 10 anos de experiência em ensino e pesquisa
Mais de 10 anos de experiência profissional combinando ensino, pesquisa e aplicação de IA e ciência de dados.
O que esta evidência não prova
A contagem de anos de experiência é uma estimativa baseada no histórico profissional disponível publicamente. Experiência específica em cada área pode variar.
Evidência Verificada
4 sistemas de P&D navegáveis
Quatro sistemas de Pesquisa & Desenvolvimento estão implementados como páginas navegáveis no portfólio: AI Fluency para Educadores, Learning Journey Inteligente, LearningOps Automation e Learning Analytics Command Center.
O que esta evidência não prova
A existência e a navegabilidade dos quatro sistemas são verificáveis diretamente no portfólio. As métricas internas de cada sistema são simuladas para fins de demonstração conceitual. Ver o Content Truth Ledger de cada projeto.
Dados Simulados
LearningOps Automation (Protótipo)
Protótipo conceitual de plataforma de automação no-code para L&D. As métricas de economia (14h/semana, R$ 68k/ano) são simuladas.
O que esta evidência não prova
Métricas simuladas. Não há evidência de operação real ou resultados documentados. O projeto é um protótipo conceitual.
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
Diagnosticar um fluxo quebrado sem pular para a ferramenta
Mostre um cenário: formulário recebe dados, automação deveria validar, registrar e enviar confirmação, mas algumas execuções duplicam registros e outras param silenciosamente. Peça a sequência de investigação antes de editar o workflow.
Perguntas de aprofundamento
- 01Qual é a primeira evidência que você pediria?
- 02Onde colocaria retry, idempotência e handoff humano?
- 03Como explicaria o diagnóstico para alguém que opera o fluxo mas não programa?
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