Paul Iusztin

🤖 Senior Machine Learning Engineer • MLOps • Contractor ~ Helping startups engineer production-ready ML/AI systems.

I'm the author of the bestseller LLM Engineer's Handbook, lead instructor of the Agentic AI Engineering course, founding AI Engineer of a San Francisco start-up, and obsessed with making knowledge accessible through AI.

With over 10 years of experience in AI and software and 20 apps shipped, I teach AI Engineering as I wanted to at the beginning of my career. End-to-end. From idea to production. From data collection to deploying, monitoring and evaluation. With a focus on AI principles, software patterns and infrastructure systems that will thrive in a future dominated by AI coding tools.

My ultimate goal is to help other engineers escape PoC purgatory and 10x their AI Engineering skills.

.

If you want to become an AI Engineer pro, join Decoding AI for exclusive content on designing, building, and shipping AI software that works: 

🗞️ https://www.decodingai.com

See more:

🌐 Homepage: https://www.pauliusztin.ai
📚 LLM Engineer's Handbook: https://www.amazon.com/LLM-Engineers-Handbook-engineering-production/dp/1836200072/
🤖 Agentic AI Engineering Course: https://academy.towardsai.net/courses/agent-engineering?ref=b3ab31

.

✉️ For collabs, contact me at: p.b.iusztin@gmail.com

Senior Machine Learning Engineer

🟡 Scalable ML batch infrastructure for continuous training & inference

The client, a generative AI leader, struggled with manual training and calling their ML models. As a tedious and unscalable process, they needed to automate their ML processes completely and integrate them with their current web platform.

➞ 𝐃𝐞𝐬𝐢𝐠𝐧𝐞𝐝 and 𝐢𝐦𝐩𝐥𝐞𝐦𝐞𝐧𝐭𝐞𝐝 a modular 𝐏𝐲𝐭𝐡𝐨𝐧 𝐩𝐚𝐜𝐤𝐚𝐠𝐞 that composes the ML model required steps into 3 main batch pipelines that can easily be automated: feature, training, and inference, 𝐞𝐥𝐢𝐦𝐢𝐧𝐚𝐭𝐢𝐧𝐠 a 𝐭𝐞𝐝𝐢𝐨𝐮𝐬 𝟐-𝐡𝐨𝐮𝐫 𝐦𝐚𝐧𝐮𝐚𝐥 𝐩𝐫𝐨𝐜𝐞𝐬𝐬/𝐯𝐢𝐝𝐞𝐨.
➞ 𝐃𝐞𝐩𝐥𝐨𝐲𝐞𝐝 a scalable & cost-effective 𝐛𝐚𝐭𝐜𝐡 𝐚𝐫𝐜𝐡𝐢𝐭𝐞𝐜𝐭𝐮𝐫𝐞 and 𝐂𝐈/𝐂𝐃 𝐩𝐢𝐩𝐞𝐥𝐢𝐧𝐞 on top of AWS ECS & SQS that scales in and out based on the number of jobs, 𝐬𝐚𝐯𝐢𝐧𝐠 𝐭𝐡𝐨𝐮𝐬𝐚𝐧𝐝𝐬 𝐨𝐟 𝐝𝐨𝐥𝐥𝐚𝐫𝐬/𝐦𝐨𝐧𝐭𝐡.
➞ 𝐒𝐚𝐯𝐞𝐝 𝐦𝐨𝐧𝐭𝐡𝐬 𝐨𝐟 𝐟𝐮𝐭𝐮𝐫𝐞 𝐝𝐞𝐯𝐞𝐥𝐨𝐩𝐦𝐞𝐧𝐭 by using good software practices to make the Python module & batch cloud infrastructure flexible and composable.
➞ 𝐁𝐮𝐢𝐥𝐭 a 𝐯𝐨𝐢𝐜𝐞 𝐬𝐲𝐧𝐭𝐡𝐞𝐬𝐢𝐬 𝐏𝐨𝐂 in ~1 week required to 𝐜𝐥𝐨𝐬𝐞 the 𝐝𝐞𝐚𝐥 with one of the 𝐜𝐮𝐫𝐫𝐞𝐧𝐭 𝐜𝐥𝐢𝐞𝐧𝐭𝐬.

⚫️ Big data ingestion & archiving pipeline

The client wanted to expand its platform features by securely and safely ingesting, preprocessing, and storing TB of data into their platform.

➞ 𝐂𝐨𝐧𝐭𝐫𝐢𝐛𝐮𝐭𝐞𝐝 to the 𝐝𝐞𝐬𝐢𝐠𝐧 and 𝐢𝐦𝐩𝐥𝐞𝐦𝐞𝐧𝐭𝐚𝐭𝐢𝐨𝐧 of a 𝐝𝐚𝐭𝐚 𝐢𝐧𝐠𝐞𝐬𝐭𝐢𝐨𝐧 𝐩𝐢𝐩𝐞𝐥𝐢𝐧𝐞 that supports 𝐢𝐧𝐠𝐞𝐬𝐭𝐢𝐧𝐠 >𝟓 𝐓𝐁 of data in 𝐨𝐧𝐞 𝐠𝐨 in a reliable, fast, and secure way.
➞ 𝐈𝐦𝐩𝐥𝐞𝐦𝐞𝐧𝐭𝐞𝐝 a scalable 𝐝𝐚𝐭𝐚 𝐩𝐫𝐞𝐩𝐫𝐨𝐜𝐞𝐬𝐬𝐢𝐧𝐠 𝐩𝐢𝐩𝐞𝐥𝐢𝐧𝐞 that supports multiple media types (images, videos, audio, 3D objects) and creates small preview files that are cheap to transfer, store and visualize. The 𝐨𝐫𝐢𝐠𝐢𝐧𝐚𝐥 𝐟𝐢𝐥𝐞𝐬 are 𝐚𝐫𝐜𝐡𝐢𝐯𝐞𝐝 on an affordable storage solution 𝐫𝐞𝐝𝐮𝐜𝐢𝐧𝐠 𝐜𝐨𝐬𝐭𝐬 𝐛𝐲 𝐮𝐩 𝐭𝐨 𝟖𝟏%.

I built a system that turns a single idea into a publish-ready technical article.

Here's a mini masterclass on how (so you can copy):

The system consists of 2 parts:
 
• Nova (research agent): exploratory, steerable
• Brown (writing workflow): deterministic, auditable

𝟭) 𝗡𝗼𝘃𝗮: 𝗦𝘁𝗲𝗲𝗿𝗮𝗯𝗹𝗲 𝗥𝗲𝘀𝗲𝗮𝗿𝗰𝗵 𝗔𝗴𝗲𝗻𝘁 (𝗲𝘅𝗽𝗹𝗼𝗿𝗮𝘁𝗶𝗼𝗻)

Goal: ingest context from messy sources, fill gaps, and produce a clean research artifact.

Inputs:
 
• Structured article brief (topic, audience, structure, constraints, candidate sources)

How it runs:
 
• MCP-first design so tools are portable across harness clients
• A prompt exposed as procedural memory to plan and glue all stages
• Tooling focused on ingesting context, not “thinking in tokens”

Core stages:
 
• Pull context from URLs, local files, GitHub repos, YouTube transcripts
• Run multi-round research loops (Perplexity for cited web search)
• Filter for trust and relevance
• Deep scrape the top sources
• Consolidate into a single handoff artifact: research.md

Output:
 
• A curated research document with organized notes and citations, ready for drafting

𝟮) 𝗕𝗿𝗼𝘄𝗻: 𝗥𝗲𝗹𝗶𝗮𝗯𝗹𝗲 𝗪𝗿𝗶𝘁𝗶𝗻𝗴 𝗪𝗼𝗿𝗸𝗳𝗹𝗼𝘄 (𝗲𝘅𝗲𝗰𝘂𝘁𝗶𝗼𝗻)

Goal: turn research into a consistent article, with quality gates and checkpoints.

Why a workflow, not an agent?

Because writing quality demands:
 
• Repeatability
• Checkpoints
• Clear stage boundaries
• Traceability when something is off

How it runs:
 
• LangGraph for stateful orchestration, resumability, and auditability
• Leveraging tools as deterministic workers instead of exposing them to agents

Core stages:
 
• Load context: guideline + research.md + writing profiles
• Generate required assets in parallel (diagrams, images, tables when needed)
• Draft the article
• Run review and rewrite loops (reflection scores, style judge, revision triggers)
• Support human edits without breaking the system’s rules

Outputs:
 
• Final article
• Generated assets + metadata
• Reflection scores and traces (so you debug quality instead of guessing)

Here’s the gist…

If you promise “production-grade writing”, you need exploration for research and durability for execution.

This design choice is the difference between a cool demo and a system you can ship.

Want to learn how to build it out yourself?

We break this down step-by-step in the Agentic AI Engineering course (built with Towards AI, Inc.):

Enroll here: https://lnkd.in/dtxZuZpb

P.S. We’ve opened up another 100 seats for $499. The last batch sold out in under 14 days → get in early to lock in our best offer.

Senior AI Engineer • Founder @ Decoding AI • Author @ LLM Engineer’s Handbook ~ I ship AI products and teach you about the process.

F1RST Tecnologia

- Aprendizado de Máquina
- Elaboração de modelagem funcional de API's
- Desenvolvimento de API's REST
- Processamento de Linguagem Natural (PLN)
- Mineração de texto
- Deep Learning
- Análise de Sentimentos
- Desenvolvimento de bibliotecas escritas em Python
- Desenvolvimento de aplicações utilizando o framework de Machine Learning chamado Kedro
- Desenvolvimento de plataforma para Data Visualization
- Desenvolvimento de motores de ETL
- Desenvolvimento de microsserviços escritos em Python
- Gerenciamento do ciclo de vida de modelos de Aprendizado de Máquina
- Implantação de modelos de Aprendizado de Máquina
- Auxílio no processo de recrutamento de novos colaboradores 
- Participação em palestras de universidades situadas na cidade de São Carlos (ou seja, IFSP, ICMC-USP e UNICEP)

Reconhecimento:
- Membro da equipe vencedora do 1° Ideathon de Voice Analytics do Santander Brasil
- Flexlearning 2022: premiação concedida aos destaques de 2022
- Flexlearning 2023: premiação concedida aos destaques de 2023

Cientista de Dados Sênior

ITI UFSCar

Atuei como professor na disciplina de "Ciclo de Vida de Modelos de Machine Learning" da pós-graduação em Machine Learning in Production do ITI UFSCAR. 

Desse modo, durante a disciplina foram exploradas todas as fases inerentes a um projeto end to end de Machine Learning, como: Entendimento de Negócio, Captação de Dados, Feature Engineering, Modelagem, Deploy, Retreino e Monitoramento.

Sendo que, as principais tecnologias e técnicas utilizadas durante a disciplina foram: Python, Docker, Docker Compose, BeautifulSoup, Scikit-Learn, Pandas, Pydantic, Poetry, Pre-commit, Ruff, Makefiles, Bump2version, Pytest, Mlflow (Tracking e Model Registry), PostgreSQL, MinIO, MongoDB, Flask, Google Geocoding, Streamlit, Web Scrapping, Algoritmos de Clustering (Agglomerative Hierarchical Clustering e DBSCAN), Design Patterns (Singleton, Template e Factory), P.O.O., Testes Unitários, Github Actions entre outras.

Professor

Atuei como colaborador na disciplina de "Ciclo de Vida de Modelos de Machine Learning" da pós-graduação em Machine Learning in Production do ITI UFSCAR. 

Desse modo, durante a disciplina foram exploradas todas as fases inerentes a um projeto end to end de Machine Learning, como: Entendimento de Negócio, Captação de Dados, Feature Engineering, Modelagem, Deploy, Retreino e Monitoramento.

Sendo que, as principais tecnologias e técnicas utilizadas durante a disciplina foram: Python, Docker, Docker Compose, BeautifulSoup, Scikit-Learn, Pandas, Pytest, Mlflow (Tracking e Model Registry), PostgreSQL, MinIO, MongoDB, Flask, Google Geocoding, Streamlit, Web Scrapping, Algoritmos de Clustering (Agglomerative Hierarchical Clustering e DBSCAN), Design Patterns (Singleton, Template e Factory), P.O.O., Testes Unitários, entre outras.

Colaborador

Santander Tecnologia Brasil

- Web Scraping
- Aprendizado de Máquina
- Processamento de Imagem
- Deep Learning
- Elaboração de palestras internas para difusão de conhecimento técnico sobre Machine Learning

CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior

Projeto: Explorando uma abordagem de Fusão Multimodal para auxílio à Gestão de Desastres: um estudo de caso com tweets e dados contextuais; Orientador: Jó Ueyama.

Bolsista de Mestrado

FAPESP

Projeto: Arquitetura de Apoio a Processos de Inovação Baseada em Estruturas Informacionais Semânticas; Orientador: Elvis Fusco.

Bolsista de Iniciação Científica

Santander Universidades - Brasil

Bolsista do Santander Universidades através do Programa de Bolsas Ibero-Americanas no período de 27/06/2017 até 11/07/2017. Sendo que, neste período participei de um evento na Universidade de Lisboa que me proporcionou uma experiência acadêmica e cultural fantástica, além de praticar o idioma Inglês. Desse modo, sou muito grato pela experiência acadêmica e cultural oferecida a minha pessoa pelo Santander através do programa Santander Universidades.

Bolsista do Santander Universidades através do Programa de Bolsas Ibero-Americanas

CNPq - MCT

(2016 - 2017) Projeto: Plataforma de Inteligência de Negócios Baseada em Estruturas Informacionais Semânticas: Modelo Computacional e Informacional de Apoio aos Ambientes de Inovação; Orientador: Elvis Fusco.

(2015 - 2016) Projeto: API DE CRIPTOGRAFIA LEVE PARA DISPOSITIVOS MÓVEIS (SMARTPHONES E TABLETS); Orientador: Fábio Dacêncio Pereira.

(2014 - 2015) Projeto: Integração do Simulation of Urban MObility a um Veículo Terrestre Autônomo de Pequeno Porte; Orientador: Fábio Dacêncio Pereira.

Bolsista de Iniciação em Desenvolvimento Tecnológico e Inovação (PIBITI)

Centro Universitário Eurípides de Marília

Estagiário do Núcleo de Educação à Distância (NEAD) do Centro Universitário Eurípedes de Marília (UNIVEM)

Durante o estágio trabalhei com:
- Instalação e administração do Moodle;
- Auxílio na organização de eventos científicos e empresários do UNIVEM;
- Desenvolvimento Web (HTML, CSS, JavaScript, PHP);
- Desenvolvimento Android (Java).

Estagiário do Núcleo de Educação à Distância (NEAD) do UNIVEM

Boa Vista SCPC

Ingressei no Centro Tecnológico da Boa Vista Serviços (BVTEC) devido ao resultado que obtive na Maratona de Programação para alunos do Ensino Médio oferecida pela UNIVEM no ano de 2013. Inclusive, nesse estágio atuei na área de desenvolvimento Web, logo, obtive conhecimentos básicos sobre PHP, HTML, CSS e Banco de Dados MySQL.

Estagiário de Desenvolvimento Web

Cientista de Dados

Pós-graduado em Machine Learning in Production pela Universidade Federal de São Carlos (UFSCAR)

Mestre em Ciências de Computação e Matemática Computacional pelo Programa de Pós-graduação do Instituto de Ciências Matemáticas e de Computação da USP de São Carlos  (ICMC-USP)

Bacharel em Ciência da Computação pelo Centro Universitário Eurípedes de Marília (UNIVEM)

Lattes: http://lattes.cnpq.br/7784632546993887

E-mail: thiago.gcosta@alumni.usp.br

taplio

The Battle

Paul Iusztin

Thiago Costa

Followers

Posts

Engagements

Likes

Performance ScorePaul Iusztin's LinkedIn Performance

Ready to grow your LinkedIn presence?

taplio

The Battle

Paul Iusztin

Thiago Costa

Followers

Posts

Engagements

Likes

Performance Score.css-goub6s{font-size:var(--chakra-fontSizes-md);font-weight:500;color:var(--chakra-colors-gray-600);display:block;margin-top:var(--chakra-space-1);}Paul Iusztin's LinkedIn Performance

Ready to grow your LinkedIn presence?

Performance ScorePaul Iusztin's LinkedIn Performance