Como a Synthara foi construída
A Synthara foi fundada em Florianópolis em 2021 por um grupo de engenheiros que haviam passado anos dentro de empresas de tecnologia tentando fazer ML funcionar em produção — não em papel, não em demos, mas em sistemas reais com dados reais e times reais responsáveis pela manutenção.
O que percebemos, repetidamente, era que o maior obstáculo não era a técnica em si. Era a distância entre "o modelo funciona no notebook" e "o modelo funciona de forma confiável no produto, com monitoramento, documentação e critérios claros para quando ele falha". Essa distância raramente era endereçada por consultorias genéricas ou por frameworks que prometiam automação total.
A decisão de criar a Synthara veio desse ponto de frustração: existia demanda por ML em equipes técnicas brasileiras com casos de uso bem definidos, mas faltava um parceiro que chegasse com rigor de engenharia e ficasse até a entrega completa — incluindo documentação que a equipe interna conseguia ler e o guia de repasse que permitia seguir sem dependência contínua.
Hoje trabalhamos com três modalidades de engajamento, do mapeamento inicial à pipeline completa. Cada projeto tem escopo delimitado, entregáveis documentados e um ponto de contato direto. Nada é terceirizado para subcontratados desconhecidos. A equipe que assina o escopo é a que faz o trabalho.
Nossa sede fica na Avenida Beira-Mar Norte, no centro de Florianópolis — cidade que nos últimos anos tornou-se um polo relevante de tecnologia no sul do Brasil, com acesso a boas universidades, talentos técnicos qualificados e uma cultura de construção que valorizamos.
Missão
Tornar machine learning acessível a equipes técnicas que têm casos de uso definidos — com entregas documentadas, supervisão humana e sem dependência de intermediários.
Visão
Ser o parceiro técnico de referência para times de produto e engenharia no Brasil que querem adotar ML com seriedade — sem hype, sem caixas-pretas, com código que eles conseguem manter.
Valores
Clareza de escopo. Documentação real. Supervisão humana. Comunicação direta. Entrega rastreável. Responsabilidade pelo que fazemos — e transparência sobre o que não fazemos.
As pessoas por trás do trabalho
Rafael Corrêa
Engenheiro de ML Principal
Formado em Ciência da Computação pela UFSC, Rafael tem mais de oito anos de experiência construindo pipelines de dados e modelos supervisionados para empresas de tecnologia e finanças.
Ana Melo
Engenheira de Dados Sênior
Especialista em preparação de dados e governança de pipelines, Ana lidera a camada de engenharia de dados nos projetos de Pipeline Completo, com foco em rastreabilidade e reprodutibilidade.
Thiago Batista
Engenheiro de Integração
Thiago atua na interface entre o modelo e o produto — APIs, integrações com sistemas legados e documentação técnica que times de produto conseguem compreender sem background em ML.
Como garantimos a qualidade do trabalho
Código versionado e revisado
Todo entregável de código passa por revisão de pares interna antes de ser enviado ao cliente. Usamos controle de versão em todos os projetos.
Documentação técnica incluída
Cada projeto inclui documentação escrita em linguagem clara — arquitetura de dados, decisões de modelagem, parâmetros e critérios de avaliação.
Proteção de dados (LGPD)
Trabalhamos em conformidade com a Lei Geral de Proteção de Dados. NDA é assinado antes de qualquer troca de informações sensíveis.
Avaliação de modelos com critérios definidos
Nenhum modelo vai para produção sem métricas de desempenho acordadas previamente com o cliente e documentadas no relatório de entrega.
Repasse estruturado
Todo projeto inclui um guia de repasse para a equipe interna do cliente — explicando como operar, monitorar e fazer ajustes no que foi entregue.
Revisões consultivas
Nos engajamentos maiores, incluímos revisões consultivas periódicas — momentos para alinhar direção, revisar resultados intermediários e ajustar escopo quando necessário.
Machine learning como prática de engenharia no Brasil
A adoção de machine learning por empresas de tecnologia no Brasil cresceu de forma expressiva nos últimos anos. Equipes de produto e engenharia que antes adiavam a discussão sobre ML agora chegam com perguntas mais concretas: qual dado temos disponível, qual tarefa faz sentido modelar, qual o custo de manutenção de um modelo em produção.
A Synthara trabalha nesse espaço — entre a pergunta técnica concreta e a entrega que a equipe interna consegue sustentar. Não trazemos soluções genéricas prontas: cada engajamento começa pelo entendimento do contexto do cliente, dos dados disponíveis e da tarefa que precisa ser resolvida.
Nossa abordagem em integrações de ML valoriza rastreabilidade — cada decisão de modelagem tem uma justificativa documentada. Valoriza também a independência da equipe do cliente: o objetivo não é criar dependência de suporte contínuo, mas entregar algo que eles consigam operar, monitorar e evoluir com seu próprio time.
Florianópolis, onde a Synthara está sediada, concentra um ecossistema técnico maduro — universidades federais com programas fortes em computação, uma comunidade ativa de desenvolvedores e empresas que valorizam construção técnica de qualidade. Esse ambiente molda a forma como trabalhamos e quem contratamos.
Se sua equipe tem um caso de uso definido, dados existentes e está avaliando se ML é o caminho certo — ou já sabe que é e precisa de um parceiro para a integração — a Synthara está disponível para uma primeira conversa sem compromisso.
Quer conhecer melhor como trabalhamos?
Uma conversa de 30 minutos normalmente é suficiente para entender se o que fazemos se encaixa no seu caso. Sem apresentação comercial, sem pitch.
Iniciar Conversa