Trabalhando com IA e Aprendizagem de Máquina

Já me perguntaram como se preparar para o mundo de Dados e Inteligência Artificial. Como essa área muda tão rápido, é difícil encontrar materiais que fiquem atualizados. Neste texto, vou compartilhar o que acho essencial saber e aprender.

Se você já pesquisou sobre isso, sabe que programação, estatística, aprendizado de máquina e resolução de problemas são super importantes. Mas vou falar sobre habilidades menos discutidas: programação, fundamentos de computação e pensamento sistêmico.

Programação primeiro, IA depois

Programar é nossa forma de comunicar com os computadores. Quanto melhor você for nisso, mais rápido e eficiente irá transformar suas ideias em resultados. Ser um bom programador abre muitas portas e te ajuda a lidar de forma eficiente com desafios técnicos de IA.

Claro, em empresas grandes com sistemas e interfaces bem definidos, ferramental auxiliar disponível e sistemas de AutoML (Automated Machine Learning), você pode não precisar programar tanto. O foco fica em definir o problema, construir o modelo, e os atributos adequados. Apesar disso, na maioria das vezes, o ambiente não é tão maduro, o que vai acabar exigindo a implementação da “última milha” para colocar um modelo em produção. Isso é, integração com fontes de dados ou outros sistemas.

Quanto mais confortável com programação você estiver, mais eficiente você será para colocar sistemas em produção, tomando decisões reais, com usuários reais. Além disso, conhecer várias tecnologias, linguagens e ferramentas aumenta sua “caixa de ferramentas”. Isso facilita encontrar novas oportunidades e otimizar processos existentes.

O poder dos fundamentos

Muita gente debate sobre a importância de uma formação em Computação para atuar em IA ou desenvolvimento. Conheço programadores incríveis com formações diversas, e apesar de ser possível aprender tudo online, a graduação tem um diferencial: foco nos fundamentos.

Quando falo em fundamentos me refiro ao conhecimento de como funciona um computador, o que é uma rede, como avaliar algoritmos, como as APIs se comunicam e quais os princípios que regem a computação como um todo. Em um cenário de transformação acelerada, esse é o conjunto de habilidades que se mantém útil por mais tempo, além de servirem como blocos básicos que aceleram o aprendizado de conceitos mais complexos.

Aqui vão alguns exemplos:

• Depuração de problemas: Nossos modelos e sistemas tem várias dependências e nem sempre as coisas saem como planejado. Em alguns casos, acompanhei profissionais que gastaram um tempo significativo tentando entender um problema em seu modelo que, na verdade, era um erro de chamada de API. Conhecer as chamadas HTTP teria economizado mais de um dia de trabalho deste profissional.
• Acompanhar novidades em IA: Nos últimos anos vimos um aumento significativo nos artigos que tratam de Large Language Models (LLM): novas otimizações, melhorias nos algoritmos, ajustes em funções de ativação, entre outros. Apesar disso, a arquitetura base (Transformers) continua muito próxima da publicada no artigo Attention is All You Need de 2017. Ou seja, acompanhar a avalanche de novos artigos, conceitos e aplicações, se torna muito mais fácil quando se tem o conhecimento base.

Toda essa base teórica pode ser crucial para enfrentar problemas complexos e ajudar a te manter atualizado. Embora existam muitos caminhos para seguir na área de IA, a graduação em Computação (ou curso correlato) pode te ajudar a ser um profissional versátil e bem preparado para os desafios técnicos e éticos do setor.

Pensamento sistêmico e resolução de problemas

Construir sistemas que utilizam Inteligência Artificial é bem diferente de construir produtos “tradicionais”. Você não está resolvendo uma demanda pontual, e sim criando um sistema que amadurece e evolui ao longo do tempo. Isto é feito por meio de um ciclo virtuoso que começa quando os usuários interagem com a IA gerando dados que retroalimentam os modelos, processos e produtos. Essas melhorias acabam atraindo novos usuários que também passam a gerar os dados utilizados no amadurecimento dos sistemas, estabelecendo assim um ciclo. Para desenhar um bom sistema, é preciso entender os pontos fortes e fracos da IA, como se comunicar com os usuários e como construir esses ciclos de feedback.

O Google desenvolveu o guia “People+AI Research ” com exemplos de boas práticas para integração de IA em produtos. Um exemplo de boa prática é sempre compartilhar com o usuário a explicação das predições. No Netflix isso aparece nas recomendações como: “porque você gostou da série A”. Outra boa prática é a possibilidade de receber feedback do usuário como o “thumbs up / like” e “thumbs down / dislike”. Seguir este guia irá ajudar a construir bons ciclos virtuosos que fortalecem a confiança e satisfação dos usuários.

Pensar no sistema também envolve considerar os resultados do negócio. Um modelo é viável se os benefícios superam os custos. Se uma nova versão de um modelo melhora a precisão, mas aumenta os custos, só faz sentido se o retorno de investimento compensar.

Escalando Desenvolvimento vs Escalando IA

Ser um bom programador e focar nos fundamentos faz a diferença na hora de escalar conhecimentos em aprendizado de máquina versus desenvolvimento de software. Pense em dois times:

1. Time A: Só especialistas em IA e um engenheiro de software experiente.
2. Time B: Só especialistas em software e uma pessoa experiente em IA.

Qual time você acredita que consegue construir soluções práticas mais rápido? O time A com certeza terá um grande número de ideias inovadoras e aplicações interessantes, porém pode esbarrar na dificuldade técnica da implementação. Já o time B, teria dificuldades em construir uma boa solução de IA.

O ponto interessante neste caso, é que o especialista em IA do time B pode atuar como um “consultor” interno, definindo a melhor forma de atacar um problema. Esse especialista é normalmente suficiente para colocar o time na direção correta. Como disse Greg Brockman, cofundador da OpenAI:

As pessoas normalmente perguntam se Aprendizagem de Máquina ou habilidades de software são o gargalo para o progresso em IA. Essa é a pergunta incorreta - ambas são inestimáveis, e as pessoas com as duas habilidades podem ter um impacto descomunal. Apesar disso, nós achamos mais fácil ensinar as pessoas Aprendizagem de Máquina, quando necessário, do que Engenharia de Software.

– Greg Brockman

Cada linha de código escrita traz decisões que afetam a arquitetura, organização e desempenho dos sistemas. Assim, embora um especialista em desenvolvimento possa oferecer orientação valiosa para equipes de IA, o impacto de sua mentoria é limitado. Um breve ponto de contato não é suficiente para impulsionar significativamente os resultados.

Em contrapartida, um time composto por programadores habilidosos, mas com menos experiência em IA, pode se beneficiar significativamente da presença de um especialista. Tal especialista tem a capacidade de trabalhar colaborativamente com a equipe para modelar o problema, definir os atributos certos e posteriormente avaliar os resultados. Ou seja, o especialista em IA constroi o plano que é executado pelo time.

No mundo real, os diferentes integrantes de um time terão forças e pontos de desenvolvimento diferentes. Essa diversidade de perfis é o que traz riqueza para as soluções construídas. Contudo, quanto mais conhecimento horizontal você tiver, mais versátil será para aplicar IA. Essa adaptabilidade é chave para maximizar seu impacto e alcançar o sucesso profissional na área.

Na prática

Neste texto compartilhei minha visão sobre a importância dos fundamentos da computação além dos conhecimentos mais comuns da área de Dados e IA. Mas por onde começar? Veja alguns conceitos úteis e materiais úteis.

• Fundamentos de Computação
  • Livro Computer Science Distilled : livro com uma visão geral de computação.
  • Algoritmos e Estruturas de Dados : como avaliar algoritmos e implementar estruturas de dados.
  • Experimente construir apps com frontend e backend. Utilize Django, Streamlit, Flask, ou outro framework.
• Matemática e Estatística
  • Livro Mathematics for Machine Learning : um resumo da matemática básica para Aprendizagem de Máquina
• Aprendizagem de Máquina
  • Post detalhado : livros, artigos e cursos focados em Aprendizado de Máquina.
  • Post sobre IA Generativa : artigos, sites e cursos sobre IA Generativa.

Estas sugestões, em sua maioria, tendem a ser conhecimentos mais duradouros, que servirão como base para as novidades que virão nos próximos anos. Para se manter atualizado e aprender novas técnicas, recomendo também o fórum do Kaggle e a leitura de código open-source (ex. micrograd , nanoGPT , etc).

Conclusão

Com uma boa base, aprender novas tecnologias e conceitos fica muito mais fácil e rápido. Você se adapta melhor, o que é crucial nesse mundo em constante mudança. Os links acima vão te ajudar a passar da teoria para a prática nessa jornada.

Se tiver dúvidas ou quiser conversar sobre esses temas, me mande uma mensagem no X . Lá compartilho conteúdo sobre IA, segurança da informação e inovação.