6.0 Introdução à Parte 6: Inteligência artificial

A inteligência artificial passou de novidade de pesquisa a capacidade central que as grandes organizações agora devem implantar com responsabilidade e em escala. Esta parte percorre o ciclo de vida inteiro: decidir onde vale a pena aplicar a IA, projetar sistemas de aprendizado de máquina que sobrevivem ao contato com a produção, construir aplicações sobre modelos generativos, usar a IA para ajudar no próprio desenvolvimento de software, cumprir as obrigações de equidade e de responsabilização e operar a infraestrutura especializada de que tudo isso precisa. Uma ideia une todos os capítulos: o modelo raramente é a parte difícil. A parte difícil é a engenharia, a governança e a disciplina operacional que o cercam.

Para grandes equipes, a escala e a inércia elevam as apostas. Uma iniciativa mal enquadrada pode queimar orçamentos, distrair engenheiros habilidosos e corroer a confiança quando falha em público. Uma bem escolhida pode automatizar o trabalho enfadonho e trazer discernimento de dados que vocês nunca conseguiriam alcançar antes. Entre centenas de desenvolvedores e dezenas de modelos, pequenos hábitos e pequenas lacunas de supervisão se somam em resultados organizacionais. É por isso que plataformas, padrões e normas compartilhados importam mais que qualquer solução engenhosa isolada.

Os contextos corporativo e governamental acrescentam restrições mais afiadas, e elas atravessam todos os capítulos. Os órgãos públicos precisam justificar gastos, garantir transparência, evitar discriminação ilícita e prestar contas aos reguladores e ao público. As regras de contratação podem proibir o aprisionamento por fonte única e exigir explicabilidade e opções de saída. Leis emergentes como o AI Act da UE (a regulação da União Europeia dos sistemas de IA por níveis de risco) e padrões como o NIST AI Risk Management Framework e a ISO/IEC 42001, um padrão certificável de sistema de gestão de IA, impõem exigências graduadas por risco. Nesses contextos, a conformidade, a auditabilidade, a reprodutibilidade e a soberania de dados são exigências de primeira classe, não reflexões tardias.

Capítulos desta parte

6.1 Estratégia e prontidão para IA: A disciplina de decidir onde aplicar a IA, onde evitá-la e que fundações de dados, de talentos e de governança precisam existir antes de o primeiro modelo chegar à produção.
6.2 Engenharia de aprendizado de máquina (MLOps): Trazer rigor de software à realidade em três partes de código mais dados mais modelos, para que os sistemas de ML sejam reprodutíveis, observáveis e mantíveis e não demonstrações pontuais.
6.3 IA generativa e aplicações de LLM: Projetar aplicações confiáveis em torno de modelos de linguagem probabilísticos por meio de gerenciamento de contexto, ancoragem por geração aumentada por recuperação, guardrails (verificações em tempo de execução que restringem as entradas e saídas do modelo) e avaliação rigorosa.
6.4 Desenvolvimento de software assistido por IA: Usar assistentes de codificação de IA para elevar a vazão sem baixar a qualidade, por meio de normas claras, bons padrões, verificação forte e atenção à segurança e ao licenciamento.
6.5 IA responsável e confiável: Construir sistemas equitativos, transparentes, responsáveis, seguros e respeitosos da privacidade e ser capaz de demonstrar tudo isso aos afetados e aos reguladores.
6.6 Infraestrutura e operações de IA: Provisionar e operar os aceleradores escassos, o armazenamento vetorial (sistemas que indexam dados como vetores numéricos para busca por similaridade) e as camadas de serviço que as cargas de IA exigem, com bom custo-benefício, confiabilidade e observabilidade.
6.7 Agentes de IA e sistemas agênticos: Construir software que usa um modelo de linguagem num laço com ferramentas, memória e um objetivo para tomar ações, e fazê-lo com segurança por meio de autonomia limitada, acesso a ferramentas de menor privilégio, aprovações com humano no circuito, proteções contra injeção de prompt e avaliação rigorosa do comportamento não determinístico.
6.8 Avaliação e testes de IA: Tornar a IA confiável por meio do desenvolvimento guiado por avaliações, conjuntos de avaliação representativos e métricas adequadas à tarefa, LLM como juiz calibrado e revisão humana, red teaming, portões de regressão na integração contínua e monitoramento da qualidade e da deriva em produção.
6.9 Engenharia de prompts e design de contexto: Tratar o prompt como engenharia, com prompts estruturados, técnicas de poucos exemplos e de cadeia de pensamento, orçamento disciplinado de contexto e recuperação, saída estruturada e chamada de ferramentas e prompts versionados, revisados e avaliados como código.

Como estes capítulos se relacionam

Em conjunto, estes capítulos formam um ciclo de vida que corre da intenção à operação. O capítulo 6.1 define estratégia e prontidão, enquadrando quais problemas justificam a IA e que fundações vocês precisam primeiro. O capítulo 6.2 fornece a espinha dorsal de engenharia para o aprendizado de máquina clássico, enquanto o capítulo 6.3 cobre os padrões distintos dos modelos generativos, em que o comportamento é moldado por prompts e por contexto recuperado e não por uma etapa de treinamento. O capítulo 6.4 volta a IA para o próprio ofício do desenvolvimento de software, e o capítulo 6.6 fornece o substrato de computação, armazenamento e serviço de que todo outro capítulo depende. O capítulo 6.5 deliberadamente não é a última palavra, mas um companheiro constante: as obrigações de IA responsável moldam a estratégia, restringem a escolha do modelo, condicionam a implantação e informam as decisões de infraestrutura do começo ao fim.

O fio condutor corre da estratégia ao MLOps, à IA generativa, ao desenvolvimento assistido por IA, à IA responsável e à infraestrutura, mas pensem nele como uma teia e não uma linha reta. O MLOps e a infraestrutura compartilham preocupações de reprodutibilidade, custo e serviço, então os capítulos 6.2 e 6.6 são melhor lidos juntos. A IA responsável se liga de volta à estratégia do capítulo 6.1 e adiante ao tratamento mais amplo de ética e interesse público do capítulo 10.5, e se apoia nas práticas de privacidade e proteção de dados do capítulo 4.5. As fundações mais amplas de engenharia deste guia sustentam a parte inteira: a entrega contínua do capítulo 8.1, a observabilidade e o monitoramento do capítulo 9.2, a estratégia de testes do capítulo 2.4 e a revisão de código do capítulo 2.5 são todos pré-requisitos para fazer bem a IA. A IA não substitui a boa engenharia de software. Ela eleva as apostas de acertá-la.