Trilha de Engenharia de IA e de Machine Learning

leitura leve, sem competir com a pós · 1–2h/semana

Engenharia de IA: prefácio e cap. 1 (casos de uso, planejamento, stack de IA, engenharia de IA × engenharia de ML × full-stack).

• Ler prefácio e capítulo 1, marcando os termos que você ainda não domina
• Copiar a lista de pré-requisitos da p. 14 (probabilidade, ML, redes, métricas) — ela vira o checklist do Bloco 1
• 3Blue1Brown — playlist Neural Networks (4 vídeos, ~1h)
• Fazer a Fase 8 do cursos.html (primeira chamada a uma API de LLM) — é o ponto de partida do projeto

fecha as lacunas de matemática e ML básico do checklist · 4–6h/semana

Probabilidade: amostragem, determinismo, distribuição. ML: supervisão, autossupervisão, log-verossimilhança, descida do gradiente, retropropagação, função de perda, hiperparâmetros. Redes: feedforward, recorrentes, transformers. Métricas: acurácia, precisão, recall, F1, similaridade de cosseno, entropia cruzada.

• StatQuest — playlists Machine Learning e Neural Networks (só os vídeos dos termos da lista)
• Google ML Crash Course — módulos de regressão, classificação, métricas e redes neurais
• Kaggle Learn — Pandas e Intro to Machine Learning (exercícios no navegador, sem instalar nada)
• 3Blue1Brown — Essence of Linear Algebra, só vetores, matrizes e produto escalar
• Apoio em português: DIO e FIAP ON — buscar "machine learning", "ciência de dados com Python", "estatística"
• Pronto quando: explicar cada termo da lista em duas frases e publicar um notebook do Kaggle

a autora chama a avaliação de um dos desafios mais difíceis da engenharia de IA · 4–6h/semana

Cap. 2 (dados, arquitetura, pós-treinamento, amostragem, saídas estruturadas), cap. 3 (métricas, avaliação exata, IA como juiz) e cap. 4 (critérios, seleção de modelo, pipeline de avaliação).

• Ler capítulos 2, 3 e 4
• Projeto: montar um conjunto de avaliação com 30–50 perguntas jurídicas e respostas de referência, só com legislação pública
• Projeto: comparar 2–3 modelos nesse conjunto, usando IA como juiz e checando uma amostra à mão
• Pronto quando: o resultado da comparação estiver no README do repositório, com custo e latência de cada modelo

o núcleo prático da engenharia de IA · cuidado: coincide com o fim do bacharelado

Cap. 5 (boas práticas, versionamento de prompts, engenharia de prompt defensiva contra injeção) e cap. 6 (RAG, algoritmos de recuperação, agentes, ferramentas, planejamento, memória).

• Ler capítulos 5 e 6
• DeepLearning.AI — Building and Evaluating Advanced RAG Applications
• DeepLearning.AI — AI Agents in LangGraph e MCP: Build Rich-Context AI Apps with Anthropic
• Projeto v3: RAG sobre legislação pública (CDC, LGPD etc.) com PostgreSQL + pgvector, medido com o conjunto do Bloco 2
• Projeto v4: agente com ferramentas e um servidor MCP próprio
• Testar o assistente contra injeção de prompt (seção "Engenharia de prompts defensiva")

a pergunta central não é "como", é "quando vale a pena" · 5–6h/semana

Cap. 7 (quando fazer e quando não fazer ajuste fino, gargalos de memória, quantização, LoRA e afins) e cap. 8 (curadoria, síntese e processamento de dados).

• Ler capítulos 7 e 8
• Hugging Face LLM Course — capítulos de ajuste fino
• Projeto: documentar no README se o assistente precisa de ajuste fino ou se RAG basta, com dados do seu conjunto de avaliação
• Opcional: ajuste fino com LoRA de um modelo pequeno, em GPU gratuita (Kaggle ou Colab)

fecha o livro e coloca o projeto no ar antes da 1ª petição · 5–6h/semana

Engenharia de IA, cap. 9 (métricas de inferência, otimização do modelo e do serviço) e cap. 10 (contexto, guardrails, roteador e gateway, cache, padrões de agentes, observabilidade, feedback do usuário). Apoio: Fundamentos da Arquitetura de Software (Richards).

• Ler capítulos 9 e 10
• Projeto v5: guardrails de entrada e saída, cache, logs e métricas, botão de feedback
• Publicar na AWS com Docker (aproveita a certificação Solutions Architect e as playlists da Kipper)
• Escrever um artigo técnico sobre o projeto, com números de avaliação, custo e latência — evidência para o NIW
• Avaliar inscrição do projeto no Prêmio Innovare ou em prêmio de inovação do CNJ/TJBA

em paralelo à pós em Data Science, que dá a base estatística · 5–6h/semana

Projetando Sistemas de Machine Learning (Chip Huyen, Alta Books): dados, features, desenvolvimento e avaliação offline, implantação, mudança de distribuição, monitoramento, aprendizado contínuo, infraestrutura de MLOps. Apoio: Projetando Aplicações com Uso Intensivo de Dados (Kleppmann), que você já tem.

• Verificar se a Unifacs dá acesso à Minha Biblioteca, onde o livro está; só comprar se não der
• Ler o DMLS, com as notas gratuitas do Stanford CS 329S (curso da mesma autora) como apoio
• Made With ML — curso gratuito de MLOps
• Kaggle Learn — Intermediate Machine Learning e Feature Engineering
• Projeto ML clássico com a API pública do DataJud (CNJ): modelo tabular, por exemplo de tempo de tramitação por classe e vara, servido em FastAPI + Docker com monitoramento de desvio de dados

só se quiser ir para o lado de quem treina modelos

• Andrej Karpathy — Neural Networks: Zero to Hero (YouTube)
• Stanford CS336 — aulas de tokenização, inferência, avaliação e alinhamento
• Livro Build a Large Language Model (From Scratch) (Raschka) — comprar só nesta fase