João M.

Developing a production-oriented AI system for personalised patient interventions in dementia care, combining reinforcement learning with large language models. Designed and built ToneRL, a hybrid architecture where a lightweight RL agent learns to control an LLM’s output in real time, adapting communication style to individual patients based on clinical feedback, without retraining or modifying the underlying model. Collaborating directly with clinicians and linguists to ensure outputs meet clinical communication standards. The architecture is designed for scalable deployment: one frozen base model serves all patients, with per-patient adaptation handled by lightweight policy instances requiring minimal compute.

• Led a research team on the "LLMs for Software Engineering" projekt, med fokus på teknisk gældsreduktion fejlregistrering, og dokumentation analyse ved hjælp af store sprogmodeller.
• Designet, implementeret, uddannet, testet, og implementeret LLMs for automatisk kode refactoring og bug detection.
• Implementerede modeller til cloud produktion miljøer og HPC distribuerede computing klynger.
• Monitored den fortsatte ydeevne af implementerede modeller ved hjælp af værktøjer såsom MLFlow, Sacred, og vægte og biaser.
• Forbundet virksomhedens forskningsafdeling med akademiske partnere på TU/e.

• Designet, implementeret, uddannet, testet, og implementeret state-of-the-art dyb læring arkitekturer, herunder skuespiller-kritik, DQNs, og LLM'er, der anvender konvolutionelle, tilbagevendende og opmærksomhedsbaserede mekanismer til udvinding af funktioner på tværs af en lang række opgaver.
• Deployed modeller til cloud produktion miljøer på platforme som Google Cloud, Amazon AWS, og Slurm HPC distribueret computing klynger.
• Monitored den fortsatte ydeevne af implementerede modeller ved hjælp af værktøjer som MLFlow, Sacred, og vægte og biaser.
• Sammensat virksomhedens HPC Slurm klynge.
• Led fem forskerhold som første forfatter, offentliggøre et forskningsdokument for hver i top-tier AI spillesteder, herunder AAAI, IJCAI, ECAI, den kunstige efterretningstjeneste og PLoS One Journal.
• Præsenteret AI-forskning på førende internationale konferencer som AAAI, IJCAI og ECAI.
• Sikrede to konkurrencemæssige finansieringstilskud, en fra USA Air Force Office of Scientific Research og en anden fra den portugisiske fond for videnskab og teknologi (FCT).
• Modtaget den bedste papir pris for projektet “Hjælpe folk på flue: Ad Hoc Teamwork for Human-Robot Teams.”

• Reduceret teknisk gæld og øget samlet testdækning af Top Sky Tower-løsningen, et værktøj for flyveledere til at styre elektroniske strimler.
• Implementeret og testet kritiske sikkerhedsdetekteringssystemer.

• Uddannet et Convolutional Neural Network til at klassificere gyldige identitetskort billeder.
• Implementeret software til automatiske og periodiske sikkerhedskopier af universitetets optegnelser til AWS cloud.
• Reimplementeret ældre software ved hjælp af moderne teknologier som Scala og Kotlin.

• Implemented graphical user interfaces using WPF and .NET for the trading team • Refactored and optimized code in several legacy projects, increasing overall performance of proprietary trading tools by up to 30%

Designed and developed a website for the Trainees project - matchmaking companies and near-graduates from the Portuguese ESHTE