Como classificar sentimentos em textos multilíngues com histórico auditável e busca por significado?

O projeto parte de uma pergunta suficientemente real para exigir mais do que uma demonstração de tecnologia. Escopo, linguagem e arquitetura são tratados como partes do mesmo produto.

MoodAPI transforma textos em sinais que podem ser compreendidos e acompanhados. Ela recebe uma mensagem, comentário ou documento curto e identifica se o sentimento predominante é positivo, negativo ou neutro, inclusive em diferentes idiomas. O objetivo não é apenas produzir uma classificação instantânea: cada previsão fica registrada, pode ser consultada depois e passa a compor um histórico confiável para auditoria, análise de qualidade ou acompanhamento de atendimento.

Por trás da interface existe uma arquitetura próxima de um produto de backend real. Modelos Transformer do Hugging Face interpretam a linguagem; FastAPI expõe a API e valida os dados; PostgreSQL preserva o histórico; Redis acelera consultas e ajuda a controlar o uso; RabbitMQ e Celery processam tarefas em segundo plano. Qdrant permite buscar análises por significado, enquanto Prometheus, Grafana e OpenTelemetry mostram a saúde da operação. Uma central em React facilita testar os recursos sem exigir familiaridade com código.

A stack é usada para sustentar responsabilidades específicas, não como catálogo. Os módulos abaixo resumem o papel das escolhas centrais.

Inferencia de modelos NLP Transformers em produção, filas assíncronas com Celery/RabbitMQ, observabilidade OpenTelemetry e busca vetorial.

Projetos pessoais funcionam como laboratórios onde decisões podem ser examinadas, não apenas executadas.

O repositório no GitHub contém o código-fonte, a documentação técnica (README) e o histórico de evolução do projeto.