Recentemente, comecei a ler o livro AI Engineering: Building Applications With Foundation Models, da Chip Huyen (publicado pela O’Reilly). Vi algumas recomendações no LinkedIn e resolvi me aprofundar mais nessa área com a qual venho “brincando” bastante nos últimos tempos, e que tem despertado cada vez mais o meu interesse.
Logo de cara eu já me interessei pelo livro, pois a autora já deixa claro que este é um livro sobre AI Engineering e não sobre Machine Learning. Aqui vai um trecho da sessão “What This Book Is Not”:
“This book isn’t an ML theory book. It doesn’t explain what a neural
network is or how to build and train a model from scratch. While it explains
many theoretical concepts immediately relevant to the discussion, the book
is a practical book that focuses on helping you build successful AI
applications to solve real-world problems.”
Então, como eu sou um desenvolvedor e estou mais focado na arquitetura e na implementação de soluções, esse é exatamente o tipo de conteúdo que eu estava buscando. Uma fonte confiável sobre como otimizar aplicações que usam IA, como transformar uma demo pequena no meu laboratório em uma aplicação rodando em produção? Como mitigar problemas de alucinações? Como lidar com a segurança da coisa toda? E a latência? E o custo? Como saber se um problema que está ocorrendo é uma limitação da tecnologia ou um problema inerente a implementação?
As respostas para esse tipo de pergunta provavelmente não estarão num livro de Machine Learning, mas sim em um livro de engenharia. Para quem ainda não entendeu a diferença, vamos entrar um pouco no detalhe:
Machine Learning
Se você jogar “machine learning” no Google, vai encontrar definições como esta, do próprio Google Cloud:
“Machine learning é um subconjunto da inteligência artificial que permite que um sistema aprenda e melhore de maneira autônoma usando redes neurais e aprendizado profundo, sem ter sido programado explicitamente para isso, ao ser alimentado com grandes quantidades de dados.”
Machine learning, ou aprendizado de máquina, nada mais é do que ensinar uma máquina a reconhecer padrões e tomar decisões com base em dados. Ao invés de programar todas as regras manualmente, a gente mostra exemplos e deixa o sistema aprender com eles.
É como ensinar uma criança: você mostra várias frutas e diz “isso é uma maçã, isso é uma banana”. Com o tempo, ela aprende a diferenciar sozinha. O computador faz algo parecido, só que com milhões de exemplos.
Em resumo: Machine Learning está diretamente relacionado ao treinamento de modelos, algo que um cientista de dados provavelmente dominará e se interessará melhor que um engenheiro de software.
AI Engineering
Se o cientista de dados (ou quem trabalha com ML) é quem treina o “cérebro” da IA, o AI Engineer é quem constrói o corpo, conecta os nervos, monta o sistema inteiro e coloca ele pra funcionar na prática. Sempre focando em criar uma solução confiável, segura e escalável.
Um engenheiro de IA se preocupa com:
- Qual modelo usar para diferentes soluções
- Como os dados chegam até o modelo (pipeline de dados)
- Como colocar esses modelos em produção (deploy)
- Como monitorar o desempenho com o tempo (observabilidade)
- E até como evitar viés, uso indevido e problemas éticos
Em resumo: AI Engineering é onde a ciência de dados encontra a engenharia de software. É transformar experimentos de laboratório em produtos reais que funcionam no mundo real.
E, como você deve ter percebido, essa é uma área que exige mais maturidade técnica. Aqui, você não está só “usando modelos” — você está arquitetando soluções inteiras. Precisa pensar em escalabilidade, segurança, performance, custos… o pacote completo.
Embora isso não esteja escrito em nenhum manual, a minha percepção é que para ser um bom AI Engineer, você precisa antes ser um bom engenheiro de software e, de certa forma, também um bom arquiteto de soluções.
Então qual a diferença entre Machine Learning e AI Engineering?
Vamos simplificar:
| Machine Learning | AI Engineering |
|---|---|
| Cria e treina modelos | Coloca modelos no ar e mantém vivos |
| Foca em algoritmos e dados | Foca em sistemas e infraestrutura |
| Normalmente mais acadêmico | Normalmente mais prático e robusto |
| Responde: “como o modelo aprende?” | Responde: “como o modelo chega até o usuário?” |
Se você, assim como eu, está mais interessado em como usar os modelos disponíveis para criar soluções reais para os usuários (seja pra um cliente final ou até para facilitar a vida de outros devs com automações) então você está mais alinhado com o caminho da AI Engineering.
Nesse caso, eu SUPER recomendo a leitura deste livro. Ele me deu (e ainda está me dando) uma base sólida e confiável sobre como aplicar essa tecnologia de forma prática e eficiente.
Agora, se você se identifica mais com a parte teórica, com as técnicas por trás dos modelos e o “como eles aprendem”, aí o seu caminho provavelmente está mais próximo de Machine Learning. Nesse caso, a própria Chip Huyen tem um outro livro, muito bem avaliado, chamado “Designing Machine Learning Systems”, que é totalmente focado nessa área. Vale muito dar uma olhada.
Em resumo
Eu estava procurando algum tipo de conteúdo que fosse mais aprofundado no assunto de IA (uma base teórica mesmo), mas que não estivesse diretamente relacionado ao treinamento de modelos. A grande maioria do conteúdo sobre IA é justamente focado nessa linha.
Foi nessa busca que encontrei o livro AI Engineering: Building Applications With Foundation Models da Chip Huyen, que tem exatamente essa proposta. Nesse livro, ela foca totalmente em como utilizar os modelos já existentes, o que ela chama de Foundation Models, para construir aplicações confiáveis, robustas e seguras. Até o momento o livro está atendendo as minhas expectativas e gostaria de compartilhar esse achado.
Vai que você também está nessa busca.
Caso se interesse pelo livro e queira ajudar o site, compre-o pelo link afiliado na Amazon. Obrigado!
Se você se interessou pelo assunto ou quer trocar uma ideia sobre o livro, me manda uma mensagem no LinkedIn!
Da uma olhada também nos meus outros artigos!