Roadmap: Preparação para Teste Prático de Engenharia de IA

Meu caro buscador (dessa vez, buscador de código), você está prestes a enfrentar um teste prático. Não é hora de ler tudo — é hora de saber o que importa e focar.

Este roadmap foi feito para quem já tem base e precisa afilar a lâmina antes da prova. Vou te dizer exatamente o que estudar, em que ordem, e o que provavelmente será cobrado.

O que um Teste Prático de IA Costuma Avaliar

Plano de Estudo Intensivo

Fase 1 — Fundação Rápida (Dias 1-3)

Objetivo: Garantir que a base está sólida.

Dia 1 — Python para IA

• NumPy: arrays, broadcasting, operações matriciais
• Pandas: DataFrames, groupby, merge, apply
• Matplotlib/Seaborn: gráficos básicos para análise
• List comprehensions, generators, decorators

Dia 2 — ML Clássico (rápido)

• Revisar Fundamentos de IA — foco em supervised learning
• Scikit-learn: train_test_split, fit/predict, métricas
• Regressão logística, Random Forest, XGBoost
• Overfitting/underfitting, cross-validation

Dia 3 — Deep Learning (conceitual)

• Revisar Redes Neurais Profundas
• Entender Transformers (atenção, encoder/decoder)
• Transfer learning e fine-tuning
• PyTorch básico: tensors, nn.Module, training loop

Fase 2 — O que Mais Cai (Dias 4-10)

Objetivo: Dominar as áreas de maior peso.

Dia 4-5 — LLMs e APIs

• Revisar LLMs e APIs
• OpenAI API: chat completions, function calling, streaming
• Anthropic API: messages API, system prompts
• Parsing de respostas JSON
• Tratamento de erros e rate limiting

Dia 6-7 — RAG

• Revisar RAG
• Pipeline completo: ingestão → chunking → embedding → indexação → retrieval → geração
• Embeddings e Vetorização
• Vector DB: Chroma (mais simples) ou Qdrant (mais robusto)
• Estratégias de retrieval: similarity, MMR, hybrid
• Re-ranking e avaliação com Ragas

Dia 8-9 — Agentes e Tools

• Revisar LangChain
• Criar tool calling com OpenAI/Anthropic
• LangGraph: state graphs, conditional edges
• Agentes de Código
• Spec-Driven Design

Dia 10 — Prompt Engineering

• Revisar Prompt Engineering
• System prompts estruturados (persona, contexto, regras, formato)
• Few-shot learning com exemplos
• Chain-of-thought prompting
• Saídas estruturadas (JSON mode, function calling)

Fase 3 — Tópicos Complementares (Dias 11-14)

Dia 11 — Avaliação e Métricas

• Revisar Avaliação e Métricas
• Métricas de ML: F1, AUC-ROC, precision/recall
• Métricas de RAG: faithfulness, relevância, recall
• LLM-as-judge: usar LLM para avaliar LLM
• A/B testing de modelos

Dia 12 — Deploy e MLOps

• Revisar MLOps e Deploy
• FastAPI para servir modelos
• Docker para containerização
• Monitoramento de modelos em produção
• Versionamento de prompts e modelos

Dia 13 — Integração de LLMs

• Revisar Integração de LLMs
• Gateway de modelos (fallback, roteamento)
• Controle de custos
• Observabilidade

Dia 14 — Revisão Geral + Projeto Prático

• Revisar pontos fracos
• Fazer um mini-projeto completo do zero

O Mini-Projeto de Revisão

Construa um projeto que cobre o máximo possível:

Projeto: Assistente de Documentos com RAG + Agent

Stack:
  - FastAPI (backend)
  - LangChain / LangGraph (orchestration)
  - OpenAI ou Anthropic (LLM)
  - Chroma (vector DB)
  - Docker (containerização)

Funcionalidades:
  1. Upload de documentos (PDF, TXT, MDX)
  2. Chunking + embedding + indexação
  3. Perguntas e respostas sobre os documentos (RAG)
  4. Agent com tools (busca web, calculadora, resumo)
  5. Avaliação automática de qualidade das respostas
  6. API REST documentada (Swagger)

Esse projeto cobre: Python, APIs de LLM, RAG, agentes, prompt engineering, deploy e avaliação.

O que Provavelmente Vão Perguntar

Referências Rápidas

Dica Final

Não tente aprender tudo. Foque no que mais cai: RAG, agentes, LLMs e APIs, e prompt engineering. Essas quatro áreas cobrem 80% do que será testado.

E lembre-se: no teste prático, o mais importante não é saber a resposta — é saber como chegar à resposta. Pense em voz alta. Mostre seu processo. Explique trade-offs. Isso vale mais que código perfeito.

Boa sorte.