Resumo executivo

A Metametrics foi uma startup focada em sistemas de visão computacional para controle de qualidade industrial, desenvolvida no programa de aceleração de startups da CESAR School. Como tech lead, Vinícius supervisionou o design e a implementação de sistemas de monitoramento de processos em colaboração com estudantes de ciência da computação, conectando pesquisa aplicada em aprendizado de máquina com restrições reais de manufatura.

Contexto

O projeto surgiu do ecossistema empreendedor da CESAR School, que une equipes de estudantes a desafios industriais reais. A Metametrics atacou um problema comum e custoso na manufatura: detecção automatizada de defeitos em tempo real e monitoramento de qualidade de processo sem exigir hardware especializado além de câmeras industriais padrão.

Problema

O controle de qualidade tradicional na manufatura depende de:

Inspeção visual manual — lenta, cara e inconsistente entre turnos.
Sistemas de visão por máquina baseados em regras — frágeis a mudanças de iluminação, variação de peças e novas linhas de produto.
Equipamentos de inspeção proprietários caros — inacessíveis para fabricantes de menor porte.

O objetivo era construir uma solução software-first que pudesse rodar em hardware comum, adaptar-se a novas tarefas de inspeção com retreinamento mínimo e integrar-se com linhas de produção existentes.

Abordagem técnica

Pipeline de detecção. O sistema central usou modelos de detecção de objetos baseados em YOLO para localização e classificação de defeitos em tempo real. A escolha do YOLO (via Ultralytics) equilibrou velocidade de inferência com acurácia de detecção, permitindo processamento nas taxas de quadros da linha de produção em GPUs padrão.

Camada de monitoramento de processo. Além da detecção de defeitos, o sistema rastreava métricas de nível de processo: throughput de peças, variação de tempo de ciclo e taxas de anomalia ao longo do tempo — transformando o stream bruto de detecções em inteligência de produção acionável.

Deploy. Os endpoints de inferência eram servidos via FastAPI dentro de contêineres Docker, tornando o sistema implantável em dispositivos de borda próximos à linha de produção com latência mínima.

Liderança e colaboração

Como tech lead, as responsabilidades incluíam:

Definir a direção técnica e as decisões de arquitetura do pipeline de visão computacional.
Mentoria a uma equipe de estudantes da CESAR School sobre desenvolvimento, avaliação e deploy de modelos.
Traduzir requisitos de clientes em especificações de engenharia.
Coordenar a integração entre as saídas do modelo de ML e o dashboard de monitoramento de produção.

Este papel foi a primeira experiência direta gerenciando uma equipe técnica e navegando a tensão entre modelos de qualidade de pesquisa e confiabilidade de nível produtivo.

Resultado

O projeto foi concluído como parte do ciclo do programa de aceleração. Aprendizados principais: