IA, Carreira e o novo dia a dia do Engenheiro de Dados

Em que momento a IA deixou de ser uma curiosidade e passou a mudar, de verdade, o jeito de trabalhar com dados?

Neste episódio do Engenharia de Dados Cast, Lucas Tancredi recebe Rafael e os profissionais da DataShip Anthony Lucas e Vinícius para uma conversa sobre carreira, produtividade e o uso de IA no dia a dia.

Anthony conta como conseguiu construir em menos de um mês um pipeline que, no modelo tradicional, poderia levar meses e exigir uma equipe inteira. Vinícius fala sobre sua experiência com Spec-Driven Development, usando reuniões, notas e requisitos como ponto de partida para desenvolver com mais velocidade e menos retrabalho. Rafael compartilha o que aprendeu em projetos de aceleração de IA com a Microsoft, inclusive assumindo tarefas que antes dependeriam de especialistas de áreas diferentes.

A conversa também entra nas perguntas que muita gente da área já está fazendo:

• O que muda na carreira de quem trabalha com dados?
• Quais habilidades passam a valer mais?
• Como usar IA sem terceirizar o raciocínio?
• Até onde uma pessoa consegue chegar com agentes e bons processos?
• O que acontece com os times quando um profissional passa a executar o trabalho de vários papéis?

Não tem papo de que a IA vai resolver tudo, nem previsão apocalíptica sobre o fim da profissão. Tem experiência real de quem já mudou o próprio workflow e está entendendo, na prática, onde a IA ajuda, onde ainda falha e por que saber trabalhar com ela está virando parte do ofício.

Se você trabalha com engenharia de dados e ainda trata IA como algo para "ver depois", este episódio pode ser a sua virada de chave.

Lucas Tancredi - Linkedin
Rafael Rodrigues - Linkedin

Antony Lucas - Linkedin

Vinicius Peres - Linkedin

 Luan Moreno - Linkedin

https://engenhariadadosacademy.com.br/

Engenharia de Dados Academy - Instagram

Transcript

Introdução e Apresentação

SPEAKER_01 0:00

Bom, gente, nós estamos aqui em mais um episódio, né? E dessa vez tenho aqui vários convidados comigo, né? O Luan foi dar uma voltinha ali, largou a gente aqui, e a gente aproveitou pra dar uma gravada, né? Então, na última hora, a gente passou falando sobre teoria, né? Sobre Dark Factory e tudo muito bonito, né? E eu queria ouvir de quem tem uma resposta de campo também, né? Tenho três pessoas que estão vivem isso aqui, né? Que estão ali participando desde que o momento, igual eu trouxe com o Luan, que o chão mudou, né? Que eu até comentei que me deu a sensação de que meu chão sumiu, né? Porque eu não sabia mais o que fazer no momento de surgimento da IA, de Arness, de tudo isso ao mesmo tempo e muito rápido, né? Você fica com essa sensação de vazio até, né? E queria saber agora, né? Antes de começar, na realidade, o assunto principal, eu queria que cada um de vocês falasse 30 segundinhos sobre o que você faz hoje, quem você é, é claro, o seu nome, o que você faz hoje, e qual foi a última coisa que você deixou a gente fazer por você no seu trabalho? Vamos lá, acho que eu vou começar aqui com. Vamos, Anthony. Você.

SPEAKER_00 1:12

Então, pessoal, prazer estar com vocês aqui, tanta gente boa. Sou o Anthony, Anthony Lucas, sou arquiteto de dados na KLENT. Pra quem não conhece, a Kalent é uma consultoria americana. Tem times de engenharia de dados, times de applicações, times de plataforma. And hoje eu atuo numa das principal financeiras americanas, né? Um projeto bem interessante de A também. Então, é isso, basicamente. Trabalho com tecnologia já há uns 11 anos aí. Tem bastante estrada.

SPEAKER_01 1:47

Eu acho que eu sou o mais novo aqui de desse papo de tecnologia, né, cara? E eu que fico aqui entrevistando vocês é um negócio pancado. É uma baita responsabilidade. Não necessariamente tem a ver com competência, cara.

SPEAKER_00 1:59

Chega isso da sua cabeça. Ainda mais hoje com o IA, né? Ainda mais hoje com o IA.

SPEAKER_03 2:03

E você, Vini? Boa noite, pessoal. Meu nome é Vinícius, galera. Me chama de Vini. É um prazer estar aqui com essas férias aqui, com vários anos de experiencia. You tenho só três anos de experiencia, né? Mas considero já que eu tenho uma boa bagagem, uma boa experiencia já nas opportunidades que eu tive. Hoje eu trabalho como engenheiro de dados na IPAN Systems. IPAN Systems é uma consultoria americana who atua globalmente. E hoje eu atuo dentro da Johnson Johnson, que é um dos clientes na IPA, então trabalho ali principalmente em desenvolvimento de pipelines de dados, arquitetura de dados também. E claro, com a IA agora estou começando a permear algumas outras áreas aí também. Então

Momentos de Virada na Carreira

SPEAKER_03 3:01

já trabalhei um pouco de ML dentro da Johnson também, um pouco de até backend. É o bom da IA, né? Está nos permitindo fazer coisas diferentes agora.

SPEAKER_01 3:12

Transicionar por diversas. E você? Tu já é conhecido aqui, né? Um pouquinho?

SPEAKER_02 3:19

Eu já sou um pouco da área, né? Bom, gente, boa noite. Meu nome é Rafael. Pra quem não me conhece ainda, eu sou senior AI Data Engineer, eu trabalho numa consultoria americana chamada Upstart. Hoje eu estou locado dentro da Microsoft, então eu trabalho com projetos de aceleração de A dentro da Microsoft, junto do Copilot e da Insights Hub. E eu acho que é basicamente isso. O pessoal aí já que acompanha os podcasts já conhece um pouquinho da minha história. Eu sou um pouquinho mais balsaca que o pessoal, tenho uns 25 anos de estrada trabalhando com dados. Comecei bem, comecei bem novinho. E agora eu tenho traçado aí nos últimos anos minha estrada com o IA bem forte com sistemas, desenvolvimento de sistemas agênticos.

SPEAKER_01 4:03

O cara tem quase minidade de.

SPEAKER_03 4:05

Eu ia comentar aqui, eu ia adicionar uma coisa na fala dele também, que odeia dashboards, né? Importante também.

SPEAKER_02 4:11

Odeio dashboards. É uma pena que eu sou obrigado a fazer, né? Eu sou consultor de data science na Cephas do Rio Grande do Sul, e boa parte do meu trabalho lá é fazer dashboard, então não tem como fugir. Eu faço na força do ódio.

SPEAKER_01 4:26

Tem que relembrar esse ponto toda vez, né?

SPEAKER_00 4:28

Também não é minha praga aí, não, cara.

SPEAKER_01 4:30

Cara, eu queria lançar uma pergunta para os três, né? Que eu sei que a gente tem aqueles momentos de virada, né? De chave, assim, de. Cara, eu fazia pipeline de dados, mas agora eu tô deleguei pra um agente, né? E fiquei impressionado com o trabalho dele. Não só um pô, legal, né? Igual no chat GPT, eu colocava lá, girava um códigozinho, isso é legal. Mas qual foi o momento de que vocês entenderam que isso mudava alguma coisa assim? Tipo, qual foi esse momento de virado de chave de caraca, agora mudou o meu trabalho, mudou a porra toda. Como é que foi? Disculpem eu, Ebraico, aí.

SPEAKER_00 5:10

Sem problemas. Cara, do meu point of vista, for example, for an example pratic, mudou todo paradigma of construction and design. I'm a leader technical, I'm architect in Calent. I costume with other engineers, lider technically, backlog, etc. Today of planet, a part of hands-on then. This project is a byte of a client, client gigante. I feel in menos of one day, just test and validated in dev, send any engenhocation with me.

A Revolução da Inteligência Artificial

SPEAKER_00 6:12

So I've got a chave, enter how it function, what is the language of LLM, how can you attain the result possible, more deterministic possible. And that's the child. So I'm conseguing entregating, with more recurs, architecture, engineer. Planeting my architecture, desolando architecture, and getting the blueprint, all the part of architectural, botando the code and testing a few.

SPEAKER_01 7:22

Então a gente consegue fazer isso tudo, igual o Luan também trouxe aqui antes. É tipo assim, tá tudo encapsulado em uma pessoa só.

SPEAKER_00 7:29

Exatamente.

SPEAKER_01 7:30

E a gente consegue fazer isso num tempo sinistramente hábil, assim. Exatamente. Projetos que demoravam um mês, agora semanas, menos de mês. É absurdo, né? Pensar nisso.

SPEAKER_00 7:39

Tudo na barriga, mas velho, é um. É maravilhoso, assim. Você conseguir ser um arquiteto, você conseguir ser um engenheiro, você conseguir trabalhar na arquitetura de solução ao mesmo tempo. Cara, você tem uma visão holística total ali. E pra mim tem sido bem disruptivo. Nossa.

SPEAKER_01 7:58

E você, Vindic?

SPEAKER_03 7:59

Eu acho que a minha virada de chave tem three letras, né? SDD. When I conheci o SDD, que é o Spec Driven Development, inclusive eu conheci através do Luan in one of shops dele, eu acho que foi onde a chave virou na minha vida como principalmente como desenvolvedor, vamos dizer assim. Because até então, assim como todo mundo, eu trabalhava muito ali no Vibecode, né? Então você não implementava um projeto fim a fim, até implementava via Vibecing, mas você não tinha ideia do que ia sair dali.

SPEAKER_00 8:43

O tempo, né?

SPEAKER_03 8:44

Exatamente o tempo. Consumo de token, o que ele ia utilizar de

Desenvolvimento e SDD: A Nova Abordagem

SPEAKER_03 8:53

patterns e tudo mais. Então você tinha muito pouco controle sobre o que ia sair exatamente, guard rails. Então, quando eu conheci o SDD, inclusive evangelizei o pessoal do trabalho. Então, assim, todo mundo ali começou a utilizar o SDD, hoje a gente utiliza o SDD pra tudo, né? Foi a partir dali que eu vi que a chave virou, porque eu lembro até hoje o primeiro projeto que eu consegui desenvolver utilizando só o SDD, né? Ira basicamente uma POC, anda POC, pensando no paradigma traditional, probablemente você precisaria de um desenvolvedor para fazer API, você precisaria de um machine learning engineer for dele, você precisaria de um engineer de dados para tratar com dados. So I'm a project been desafiadora that envolvia various areas. A particular in a reunion, you votes transform in código lá no final, exactamente with commentaries, which were featured in the reunion was impressionable. And modelos GML, apesar to feijão com arroz, the concept básicos, and ia sair, the output and ter o feedback dos stakeholders to be impressionados com o tempo que levou, né? Sopo aqui in two semanas. O efeito wow é fera, né? Uau! Exatamente, cara. Então eu saí dali com a certeza de que esse é o caminho mesmo. O jogo mudou, né? I asked quem dominar it's been a front.

SPEAKER_01 11:41

I said for you for passing.

Fundamentos e a Evolução da Engenharia de Dados

SPEAKER_02 11:53

When I was in Engenharia Electric, the project final was in Regeneral Convolutional. So I had a certain experience. Fundamentos, right? And I had a fundamental and a conhecement. I was very passionate about this area of intelligence artificial. So when the Google language, which foi o que impulsionou a IA Generativa, isso para mim foi um boom. Então na hora que eu abre aquilo, I entended o que os caras fizeram. So for me, essa foi a virada de chave, eu falei, cara, isso aqui é absurdo. And I just had a background because I was on data science in a consultory.

SPEAKER_00 12:34

You follow nactric students, just this connection, diminuted your community of entendment. Tell us that, for example, I ainda in this way to enter baixos panos, fundamentals, a model, mathematical pan, I don't know. But what you ask that this is for caramel?

SPEAKER_02 12:58

Cara, I think, and I follow this much in the formation, or when the alumni changes pergunt, I ask that fundamental is basical. So a gente is regreding to a situation that says you conhece the technology, so three years at the time, talvez um pouco mais, but vamos colocar aí três anos atrás, você tinha que ser um especialista em Spark para entregar um produto muito bom. Então você tinha que ser um cara que entendia como é que ele funcionava, na estrutura.

SPEAKER_00 13:27

Era o exemplo que ele deu, né? De diferentes camadas. Falou de aplicação, falou de API, falou de machine learning, né?

SPEAKER_02 13:32

Exatamente, três especialistas. Exatamente. Então, assim, você tinha que entender ali exatamente como é que, para fazer uma otimização. Por exemplo, o cara que era um DBA, por exemplo, e o cara que era especialista em banco de dados, é o cara que entendia como é funcionava o índice, como é que funcionava o índice Btree, como é que funcionava toda essa arquitetura. Hoje você tem isso tudo na palma da sua mão. Então, o que você leva hoje, que faz você ser um bom arquiteto, que hoje, na verdade, nós somos chamados de engenheiros, mas nós somos arquitetos. A grande verdade é essa. E o que faz você ser um grande arquiteto, principalmente agora na evolução do que está acontecendo na engenharia de AI de uma forma geral, é que quanto mais fundamento você conhece, melhor você fica. E é isso que eles estão levando dentro dessa mudança que a gente está tendo do Vibe Coding para o agente que enginew. Que a ideia é que você direcione o que você quer e como você quer. Então, quais são as tools que você vai usar, como você quer chegar, quais são os testes, quais são os guard rails, as regras que você aplica. Então a evolução está passando disso. Então a gente está saindo de um ponto que o especialista técnico é muito importante para um cara que consegue entender a arquitetura, ter a visão geral da arquitetura que ele está querendo montar. E quanto melhor você faz isso, e obviamente você se base em fundamentos para fazer, melhor você faz. Eu vejo

Integração da IA com Engenharia de Software

SPEAKER_02 14:49

dessa forma.

SPEAKER_01 14:49

Esse salto também do. Eu citei isso já algumas vezes, but Carpacci na Sequoir, acho que os dois meses atrás, ele fala, é literalmente esse o nome da entrevista, né? De vibecoding a gente engineering, and he fell this no initial, no initially, que ele began a criar várias coisas, às vezes é coisa até inútil. Ele criou um sisteminha onde ele tirava foto, um programinha onde ele tirava foto do cardápio que não tinha foto. E o programa dele, com visão computacional, com não sei o que e tal, criava uma espécie de foto do que ele imaginava que era aquilo. Aí ele disse que um dia um cara, um amigo, não lembro direito, mas ele fala que, cara, por que você não só tira foto e pede em criar isso aí pra você com um nono banana?

SPEAKER_00 15:35

Ele estava usando um modelo de visão computacional específico para fazer o trampo.

SPEAKER_01 15:40

E aí ele fala, tipo assim, cara. Hoje o seu celular você faz tudo isso. Ele falou, meu programa é totalmente inútil, eu tava vibe codando o negócio, mas quando você tem um objetivo, quando você tem, igual a gente trouxe aqui antes, né? Os cinco camadas, né? Tem o Prompt Engineering, o Evol Engineering, o Loop Engineering, tudo junto, você consegue transformar isso em algo realmente funcional, né? Você traz isso para o seu dia a dia de trabalho e vira um outro tipo de engineering, né? Inside Data Engineering, Machine Learning Engineering, no final vira tudo um software. A gente que engine é fim, certo.

SPEAKER_02 16:13

A gente está mudando muito, na verdade, para a gente trabalhar fora, vocês devem estar vendo isso também, que a gente está saindo daquele escopo que você tem um chatbot, que todo mundo quer IA, que é a cara do chat GPT com documentos internos, para uma coisa que você leva para dentro de sistemas. Então a gente está juntando, na verdade, unindo a engenharia de software com a engenharia de AI, é onde você tira a parte de custo do desenvolvimento de sistemas, que é o humano. Então, o humano está saindo do meio do processo, do loop, e está caindo na borda. Porque isso reduz muito custo e a gente ganha automação com o IA. Então, a ideia é que mais e mais a gente vai ver esse processo acontecendo para você conseguir reduzir custos de sistemas, em vez de você ter somente ali um chatbot que responda perguntas específicas.

SPEAKER_00 17:01

Perfectamente, quando você fala custo, está muito atrelado ao tempo também, diretamente proporcional, né?

SPEAKER_02 17:06

Sendo que a gente fala custo nesse meio, na verdade, a gente não está falando de custo de tokenização. É de recurso, latência, processamento, humanos normalmente demoram muito. Então, por exemplo, você abre um ticket para uma resposta de alguma coisa. O cara responde dois, por exemplo, dois dias, 48 horas, 72 horas. Um agente consegue, dependendo da resposta, responder isso em segundos pra pessoa.

SPEAKER_00 17:28

Perfeito.

SPEAKER_01 17:31

E eu queria trazer aqui uma outra pergunta. Se tem algo que vocês já tentaram delegar pra gente, pra IA, no contexto que a gente está conversando, e que vocês aprenderam que não tem como fazer. Qual o limite que vocês chegaram a encontrar na prática? Tem algo que vocês tentaram, que, tipo, cara, aqui não vai dar. Tem alguma coisa, assim?

SPEAKER_02 17:53

Definitivamente. De e-vols. Evolve é uma coisa que você não delega. E na verdade, você pode pegar o Hamilton, você pode pegar qualquer pessoa canônica desse meio. Esse é um process que você não delega de forma alguma. E ele é hoje, cara, eu falaria que para sistemas, para rudo

Validação e Erros em Sistemas de IA

SPEAKER_02 18:10

de produção, ele é 80% do que vai garantir que seu sistema funciona.

SPEAKER_01 18:14

Você passar o evolu no caso?

SPEAKER_02 18:15

Você criar um evolve. Então, você criar um golden dataset, você fazer a validação do seu sistema, você não pode fazer isso de forma sintética. Você tem que literalmente fazer o error analysis, quem vem do machine learning conhece bem esse process, mas é você olhar o dado, ler o dado na íntegra, e você identificar onde são pontos de erro, andar a categorização, a taxonomia disso, and a aplicação do sistema. Se você tentar sintetizar esse process e pedir para ele em criar, cara, você está fadando o seu sistema.

SPEAKER_00 18:44

É que isso é um prêmio de treinamento de modelo, né? Exatamente. Tem um treinamento assistido. Dependente da qualidade do modelo e do output dele, para você treinar ele sempre vai depender de um. Então, o que está substituindo todo o fluxo, né? Então, nós humanos ainda somos os responsáveis pela criação final ali.

SPEAKER_02 19:06

O que você consegue fazer, ainda você consegue fazer, é fazer calibragem de juízes para melhorar o processo. É o máximo que você consegue fazer. Mas ainda assim o processo humano, dentro dessa etapa de desenvolvimento de sistemas, ele é básico, ele é muito necessário, não tem como fugir disso.

SPEAKER_01 19:23

Legal.

SPEAKER_03 19:26

Cara, eu acho que o trabalho manual, não, brincadeira. Cara, eu acho que principalmente a parte que a gente precisa entender o ser humano de fato, né? Vamos dizer assim, então.

SPEAKER_01 19:41

Por enquanto.

SPEAKER_03 19:42

É, por enquanto, né? Porque assim, IA, enfim, não tem emoções, não tem sentimentos, tem algumas coisas ali que algumas percepções que são perceptions inerents to the ser human que uma IA, for example, ainda talvez not seja capaz de pegar, mas futuralmente possível. But I vejo principalmente no começo of a processor. For example, if you want to come up a project or a coisa do type, I should trigger, this commercial agent practice to come. Specific stakeholders, extração de especificação, conversas de business mesmo, vamos dizer assim.

SPEAKER_01 20:31

Não tem skill de comunicação ainda, né? É, exatamente. As perguntas também.

SPEAKER_03 20:36

As percepções humanas, entender um pouco a questão das dores e tudo mais. Porque o resto, acho que tudo vai ser isso.

SPEAKER_02 20:43

Mas você sabe que eu conheço empresas que já estão com frente pra fazer exatamente isso, né? Eles têm um suarme de agente pra fazer exatamente esse levantamento de requisitos com CEOs e CTOs pra mandar isso. Então já tem gente tentando fazer isso. Isso é revolucionário.

SPEAKER_01 20:58

Coisa que eu tentei delegar. Pedi pra ele trocar uma apresentação e ele ferrar a minha apresentação inteira, né? Se tu acha que tua apresentação tá pronta, não mexa em nada.

SPEAKER_02 21:08

Mas isso aí o problema não é IA, né? O problema é o copilot, né? É o problema que sou eu, né?

SPEAKER_01 21:13

É, não, não, não, você tem um bom ponto. Então eu pedi pra ele colocar uma imagem. Isso daí eu vi que não tá. Montei uma apresentação muito bonita, eu gerei uma imagem, pedi pra ele pra ele colocar no meio. Ele fez um trabalho no meu porco, mas ficou legal. Depois eu tentei melhorar meu amigo, imagem, não é uma parada no ponto legal.

SPEAKER_00 21:31

Essa parte visual, eu ainda tenho alguns vai e voltas, né? Não é uma coisa igual o código, que é determinístico, né? Mas é pela característica mesmo do que o modelo é, né? É quando você pega uma imagem e você tem uma apresentação, é o que ele falou. Tem muito do nosso sentimento, né? Se tá bom ou tá ruim. Não é algo deterministico. Não sei se eu tô me explicando bem aqui. Mas o modelo geralmente não trabalha e aí eu meu conhecimento talvez seja meio superficial nesse front, assim,

Avanços em Design e Modelos Multimodais

SPEAKER_00 22:09

para essa parte mais de imagens e conteúdos, mas eu imagino que tenham modelos que sejam que tenham evols mais preparados para esse tipo de situação.

SPEAKER_02 22:22

Já tem muito treinamento de modelos multimodais que são muito bons. Então, assim, a parte de design tá muito boa. Por exemplo, o pessoal da Antropia faz um trabalho excepcional em lançamento de um cloud design já. Exatamente. Então, assim, cara, você consegue construir coisas absurdas com ele. Só que uma coisa que está surgindo agora é o Harness Engineering, né? Que é exatamente você conseguir fazer todo esse encorpamento para como o seu modelo vai ser direcionado. Então, isso são coisas que a gente vai desenvolvendo e o pessoal está lançando no mercado para melhorar todo esse processo. Realmente, assim, se você deixar ele fazer por conta própria, cara, o LLM, de uma forma geral, ele é preguiçoso. Ele vai tentar gastar o mínimo de token e fazer o menor esforço possível. Então.

SPEAKER_01 23:06

No meu caso, nem tentei criar um design, mas era uma apresentação, e eu queria especificamente que ele criasse, que ele colocasse uma imagem que eu já tinha criado em outro lugar no meio da apresentação. E eu me vi ele deletando toda a minha apresentação e refazendo ela inteira, assim, ó. E eu perdi tudo. Aí você.

SPEAKER_02 23:24

Aconteceu isso com você, mas por exemplo, eu tava vendo umas skills que um pessoal da Microsoft está desenvolvendo, e, cara, você pega, por exemplo, hoje, você desenvolve um dashboard. E você vai na internet e copia um layout qualquer que você gosta e fala assim, cara, passa na skill. Fala, olha, olha esse visual aqui e olha esse dashboard. Ele consegue aplicar exatamente o print que você colocou dentro do dashboard. Isso é bizarro. É sinistro a capacidade que a galera está dando para como a gente implementa esse tipo de coisa.

SPEAKER_01 23:55

Sim, genial, tá, né?

SPEAKER_03 23:56

Mas assim, nessa questão do voltando no assunto de delegar para a gente, a gente fala com base na experiência que a gente tem, né? Obviamente a gente não tem o conhecimento de outras áreas. Então, assim, as vezes, por exemplo, na área de uma biomedicina, uma coisa um pouco mais nichada, talvez não esteja tão desenvolvido ainda pronto toping delegar, né?

SPEAKER_01 24:19

E a gente tem também diversas referências para isso daí, né? Eu tenho, a Mima faz biotecnologia, eu tenho uma amiga que é doutorando em biotecnologia, estava conversando com ela sobre isso esses dias, assim, ela perguntando e tal, sobre isso, de A gente e tudo mais, como é que você conseguiria usar o laboratorio, e já tem ela, não, a gente utiliza aqui tal coisa e tal coisa para código que eu precisava fazer antes na mão, ocupava muito tempo, porque eles não aprendem a codar, né? Então eles meio que têm que aprender tudo de novo. Cara, agora facilitou o meu trabalho aqui, eu consigo otimizar diversas coisas. Só de não ter que criar o código do zero, já me adianta muito. E a gente tem algumas frentes, né? De. Acho que se não me engano, com o Cloud, já tem diversos outros lanços de pesquisa. O Google também tem o.

SPEAKER_00 25:02

Modelos específicos, você diz, né?

SPEAKER_01 25:04

Sim, modelos específicos, e tem aquele de genoma, agora me fugiu o nome, que literalmente era pra isso. É IA, né? Mas aí a gente fala de machine learning, IA aplicaram, esse monte de coisa. Só que, cara, voltaram para a área de saúde. O que coisa que demorava antes de eu ver isso numa palestra do Google, um professor até que da Católica de Brasília falando que ele tinha dez máquinas, um do lado da outra, demorava meses para processar, ele fazia em segundos agora. Então, tipo assim, pra quebra de genoma, não sei o que lá, de DNA, eu, caraca, como assim, né? Que bizarro. Como é que chega num ponto desse genial, ou esse tipo de coisa, assim, para avanço tecnológico, avanço de medicinal, avanço de tudo, né? E aí, eu até queria, agora eu vou emendar aqui numa outra pergunta, que o Kapachi chama as LN de fantasma, né? E eu ainda não entendi o porquê, ele fala que não são animais, não são seres humanos, não são, não sei o que lá, e disse que elas são brilhantes num momento e bizarramente burros no próximo. E eu não sei porque ele não considera humanos, né? Porque a gente pode ser isso aí também. E aí eu queria saber de vocês se vocês já pegaram agentes ou alguma aplicação de vocês sendo geniais em um momento, e logo depois disso fazendo algo assim, absurdamente idiota, mas no mesmo contexto, sabe?

SPEAKER_00 26:23

No mesmo contexto.

SPEAKER_01 26:24

É, ele acabou de fazer algo totalmente genial, mas você lança uma pergunta próxima, parecido com o que eu fiz lá, criei algo totalmente massa, genial, mas aí eu, cara, lancei uma próxima pergunta, um próximo prompt ali, uma próxima pedida, e ele, cara, cagou tudo, assim. E como é que vocês lidaram com isso ou lidam? Vocês têm. Já passaram por isso?

SPEAKER_00 26:45

Cara, um bom ponto. Eu já lidei com isso, mas eu sempre vi que o problema estava mais na minha pergunta. For example, se eu tenho uma sessão agêntica que ela tá bem contextualizada, ela me dá um bom output, depois ela me dá um output ruim, basado no mesmo contexto. Pela minha experiência, tá mais relacionada ao meu prompt do que ao contexto dele ou o funcionamento do modelo. Essa é a experiência que eu tenho. Eu nunca peguei ele alucinando com algo que esteja na mesma linha de contexto, desde que ele esteja bem contextualizado.

SPEAKER_01 27:25

Eu que estou todo errado pelo visto. Talvez esteja.

SPEAKER_00 27:32

A nível de contexto mesmo.

SPEAKER_02 27:34

Eu não quero deixar chato pra não entrar na parte muito teórica, mas assim, quando você começa a estudar isso na teoria, o que eu vejo que acontece nesse tipo de situação é que é o seguinte: a LLM, de uma forma geral, ela é treinada para ela responder copiando coisas que ela conhece. Então, o treinamento dela, a ideia dela, ela vê alguma coisa que já aconteceu e ela replicar essa mesma coisa para dentro do que você está pedindo. Então, se ela está fazendo uma coisa muito inteligente em determinado momento, é porque você deu um contexto para ela que compreende tudo que você precisava naquele momento. Se a sua próxima pergunta fez uma coisa muito idiota, tem dois motivos para isso acontecer. O primeiro, o contexto que você passou foi ruim, ou ela não tem conhecimento suficiente do assunto que você está lidando. Mas provavelmente, já que ela respondeu na primeira vez muito bem, é que o seu contexto foi perdido por algum motivo. Porque dentro do contexto a gente tem uma série de coisas. Então a gente fala, cara, hoje eu tenho um milhão de contextos. But ali dentro você tem processos de context rocks, você tem. Como é que é? Entropia, você tem algumas coisas que acontecem dentro do contexto que você detona o seu contexto e pode ser que a resposta não seja adequada. Porque a ideia é você sempre lembrar que é o seguinte, dentro de um processo de transformer, ele está sempre lidando com tokens. Então ele pega pedaços de palavra e vai tentar identificar qual é, dentro de um raio de ação, dentro de um cosseno, literalmente, qual é o próximo token que chega próximo da resposta do contexto que você está mandando para ela. Então, assim, é um processo mais matemático. Então, se ele faz isso, na verdade, provavelmente é porque você está passando alguma coisa errada mais do que ele está respondendo alguma coisa errada. Eu vejo dessa forma.

SPEAKER_01 29:16

Errado sou eu de falar das contas.

SPEAKER_02 29:18

É, exatamente.

SPEAKER_03 29:19

Não necessariamente, quanto mais contexto também melhor, né? Acho que está muito ligado. Também é o mecanismo de atenção e tudo mais. Então, você percebe que às vezes uma coisa que está lá no início do contexto vai ter muito menos importância para ele do de uma coisa que está num contexto mais recente.

SPEAKER_02 29:36

Isso muda de modelo para modelo, né? Então, assim, uma regra que você usava, por exemplo, no GPT-4, se você bota no GPT-5, ele já vai lidar de forma completamente diferente. O Luan tem casos, por exemplo, que ele pode passar, e eu já passei por isso também, que às vezes você tem um prompt, porque a gente monta hoje prompt de sistema de produção, ele tem 5 mil linhas, 4 mil linhas que são muito grandes. E, cara, você bota uma vírgula, ele entende isso de forma diferente. Porque o jeito que ele processa dentro do mecanismo de atenção é diferente. Então, tudo isso são coisas que você. Eu acho que, na verdade, é aí que a gente, como engenheiro, vai acabar caindo no futuro. Exatamente lidando com esse tipo de situação. E não codificando, porque eu acho que essa codificação, cara, eu quero fazer um sistema que faça um cadastro de. sei lá, um cadastro qualquer. Cara, eu acho que isso aí o cara da banca de jornal vai sentar ali na frente do notebook dele e vai fazer. Eu não acho que vai ser aí que a gente vai trabalhar.

SPEAKER_01 30:27

Então, pra. Só pra gente encerrar, eu queria. Nosso tempinho já tá no final aqui. Eu queria só encerrar com uma pergunta até mais simples. Gostaria estar de uma response mais direta.

Fundamentos e Curiosidade na Carreira de IA

SPEAKER_01 30:42

A gente tem pessoas que estão transition to carreira. If you tivesse to come, where's you? And you're different. I think it's a perfect complex, but I gostaria a response currently, much direct. I come, XYZ.

SPEAKER_00 31:01

Cara, bon point. I come through. When I dig fundamentos, qual é a área que você está se propondo tocando? Quais são os fundamentos para me tornar um engenheiro de dados? E aliar a IA com isso. Entender as boas practica, né? Falou muito bem sobre contexto, né? Como que eu consigo encurtar meu caminho usando a IA pra me ajudar a me fundamentar bem. So I ask that a IA não vai fazer tudo por você. Você vai ter que continuar estudando, continuar entendendo como que as coisas por debaixo dos panos funcionam, né? But a partir daí a IA te dá um shift gigantesco e aí você encurtar seu caminho. Eu vejo dessa forma.

SPEAKER_03 31:52

Cara, fundamentos. Não tem como falar outra coisa. Acho que foi exatamente ali no ponto, né? E assim, eu acho que a gente que já tem um pouco mais experiência, pegou tanto a era, vamos dizer assim, pré-IA e pós-A, a gente acaba sendo privilegiado, porque a gente acabou dominando os fundamentos, teve que ser obrigado a dominar os fundamentos antes. E hoje eu vejo principalmente essa galera que tá entrando agora, principalmente os júniors, né? Que eles estão com uma barreira bem grande de entrada. E, cara, como é que você faz hoje para dominar os fundamentos quando você tem uma IA ali que pode fazer tudo para você? Como é que você vai tornar os fundamentos interessantes?

SPEAKER_01 32:36

O cara tem que ser diferenciado. Tem que ser. O Face tem 70% aí, é um dado até que estava aqui, de. São 70% menos vagas para Junior que a gente tinha antes desse boom, né? Antes de a gente que engineering, antes desse restante. Exatamente. Para você, Rafa.

SPEAKER_02 32:53

Pois é, eu acho que o fundamento é necessário, mas assim, eu acho o fundamento de A. Eu acho ele mais denso, na verdade, do que engenharia de dados. Eu, particularmente, acho isso. Muito mais. Porque, assim, ele é uma coisa, igual a gente falou, não é determinístico. Então, quando você não tem algo determinístico, é difícil de você conseguir entender como o processo começa e como o processo termina. Então, é meio conturbado esse entendimento. Então, o que eu acho, o que eu sugiro normalmente quando o pessoal me pergunta isso, cara, é teste e curiosidade. Cara, começa a fazer. Tem uma ideia, bota no papel, chega pro Claudio do jeito que você acha, e, cara, eu quero construir tal coisa. E vê ele fazendo. Ficou na dúvida do que ele tá fazendo, tenta entender o processo, ficou na dúvida, pergunta pro Claudio, pergunta pro copilot, pergunta pra quem for, deixa ele te responder.

SPEAKER_00 33:43

Esse é o ponto de virada, entender o processo. Exatamente. Não é só surfar na onda ali do prompt. É entender. Quem entende e vai estudar, e, porra, né? Entender como é que funciona, cara, 10x0 com a pessoa, né? Exatamente. Matou a charada.

SPEAKER_01 34:04

O Rafa roubou minha palavra aqui, mas eu ia trazer a parte de curiosidade. A gente escutou isso até de um filtro CTO, né? De uma empresa canadense gigantesco. Não vou trazer aqui porque eu não sei se a gente pode. Mas de um cara, porra, muito foda, né? Então, é literalmente ser curioso. Ser curioso, ser atrás, você ser ambicioso, né? Saber o fundamento também, começa a ser comunicativo e principalmente essa parte de curiosidade, porque senão você faz de qualquer jeito, larga lá de qualquer jeito, aceita de qualquer jeito, e é isso, né? Vida que segue e fica por isso. Então, é ser curioso, ambicioso, ir atrás, esse é o. Acho que deixa na minha contribuição aqui, né? E saber compartilhar, saber participar também. Porque hoje o mundo está mais nessa parte de ser comunicativo. A gente tá aqui, a gente se conheceu por meio de uma comunidade, a gente troca ideia, a gente tem. Hoje o mundo tem porta pro mundo inteiro, né? Eu consigo conversar com o cara que tá no Japão, no Canadá, em tudo que é buraco. Então, pra mim, acho que é isso. Curiosidade e comunicação. Bom, nosso tempo aqui acabou. Eu quero agradecer aí o Anthony, o Lucas, quero agradecer também o Vini. Prazer estar aqui com vocês. Eita, o Vinícius, e o Rafa também, que tá aqui mais uma vez com a gente, pela troca de ideias, pela sinceridade, né? Por a gente também não ficar cheio de filtro aqui. E é isso, gente. Agradeço quem está escutando aí. E mais uma vez, muito obrigado, e até a próxima.