Referências Teóricas — YouTube, Papers e Artigos para Entrevista

Meu caro buscador, em uma entrevista de engenharia de IA, não basta saber fazer — precisa saber explicar por que faz. E para explicar, precisa de embasamento.

Aqui estão as referências que vão te dar vocabulário técnico, contexto histórico e profundidade conceitual para qualquer pergunta que vier.

1. Canais do YouTube — Estude Assistindo

1.1 Fundamentos de ML/DL

1.2 LLMs e AI Engineering

1.3 Pesquisa e Papers

2. Vídeos Específicos — Assista Antes da Entrevista

2.1 "Attention Is All You Need" (Transformers)

• Paper: arxiv.org/abs/1706.03762
• Vídeo explicativo: Yannic Kilcher — "Attention Is All You Need" (40 min)
• Vídeo visual: 3Blue1Brown — "Attention in transformers, visually explained" (25 min)
• Por que importa: É O paper que criou a arquitetura de todos os LLMs atuais. Se souber explicar self-attention, já se destaca.

2.2 RAG (Retrieval-Augmented Generation)

• Paper original: arxiv.org/abs/2005.11401 (Lewis et al., 2020)
• Vídeo: Sam Witteveen — "RAG from Scratch" (playlist completa)
• Vídeo: AI Jason — "Build RAG with LangChain" (tutorial prático)
• Por que importa: É a técnica mais cobrada em testes práticos atualmente.

2.3 Fine-tuning e RLHF

• Paper InstructGPT: arxiv.org/abs/2203.02155 (Ouyang et al., 2022)
• Vídeo: Andrej Karpathy — "Let's build GPT from scratch" (2h, épico)
• Vídeo: Yannic Kilcher — "InstructGPT" (explica RLHF)
• Por que importa: Explica como modelos como ChatGPT são alinhados. Pergunta recorrente em entrevistas.

2.4 LoRA e Fine-tuning Eficiente

• Paper LoRA: arxiv.org/abs/2106.09685 (Hu et al., 2021)
• Vídeo: Sam Witteveen — "LoRA explained + fine-tuning tutorial"
• Vídeo: AI Jason — "Fine-tune Llama for free with QLoRA"
• Por que importa: É como se treina modelos proprietários hoje. Sem LoRA, fine-tuning é inviável.

2.5 Agentes e Function Calling

• Paper ReAct: arxiv.org/abs/2210.03629 (Yao et al., 2022)
• Vídeo: AI Jason — "Build AI Agents from Scratch"
• Vídeo: LangChain — "LangGraph Agents Tutorial"
• Por que importa: Agentes são o futuro de engenharia de IA. Saber construir um te diferencia.

3. Papers Essenciais — O que Citar

4. Artigos e Blogs — Leitura Rápida

5. Cursos — Se Tiver Tempo

6. Como Usar Essas Referências na Entrevista

6.1 O modelo de resposta

Quando perguntarem "como você implementaria X?", use este modelo:

1. PRINCÍPIO: "Segundo o paper de [autor] sobre [técnica]..."
2. CONCEITO: "A ideia é que [explicação simples]"
3. IMPLEMENTAÇÃO: "Na prática, eu usaria [ferramenta] com [approach]"
4. TRADE-OFF: "O trade-off é [custo vs qualidade, latência vs precisão]"

6.2 Exemplos prontos

"Como você evitaria alucinações?"

"Segundo o paper original de RAG (Lewis et al., 2020), o modelo gera respostas baseadas em documentos recuperados — não apenas no parametric knowledge. Eu implementaria um pipeline com re-ranking (cross-encoder) e avaliaria com faithfulness score via Ragas, que mede se a resposta se sustenta nos documentos fornecidos."

"Como você faria fine-tuning?"

"Usaria LoRA (Hu et al., 2021) — adapter de baixa rank que congela os pesos originais e treina apenas matrizes de baixa dimensão. Com QLoRA, é possível fine-tunar um modelo de 7B em uma GPU de 16GB. A avaliação seria feita com LLM-as-judge comparando antes e depois do fine-tuning."

Dica Final

Não precisa assistir tudo. Escolha 3 vídeos da lista de "específicos" e 3 papers da lista de "essenciais". Assista/leia nos próximos dias. Isso já dá embasamento suficiente para qualquer pergunta teórica.

E lembre-se: o entrevistador não quer que você saiba tudo — quer que você saiba como pensar. Citar um paper mostra que você lê pesquisa. Explicar o trade-off mostra que você pensa como engenheiro. Isso basta.