Fundamentos Digitais • Oficina dos modelos • Avançado
AI ENGINEER
A Oficina dos Modelos
Na Oficina dos Modelos, cada IA precisa provar que é confiável. Você prepara dados, mede vieses, escreve prompts avançados, avalia respostas e desenha automações com revisão humana. No fim, entrega um assistente escolar documentado, com métricas e limites claros.
Mecânica: Avaliação de dados e modelos, engenharia de prompts e decisões éticas em casos reais
Mundo bloqueado
30 experimentos com desafios, XP e medalhas. Para liberar, conclua: DATA EXPLORER, AUTOMATION LAB.
Experimentos do mundo
Experimento 1
Experimento 1 — Proveniência
Rastrear origem, transformações e proprietários dos dados para avaliar confiança e responsabilidade.
Experimento 2
Experimento 2 — Qualidade & Viés
Identificar, medir e mitigar problemas de qualidade e vieses nos dados.
Experimento 3
Experimento 3 — Divisões e Vazamento
Projetar splits de treino/validação/teste evitando vazamento e amostras correlacionadas.
Experimento 4
Experimento 4 — Métricas
Interpretar métricas relevantes além da acurácia para avaliação robusta.
Experimento 5
Experimento 5 — Prompts Avançados
Técnicas avançadas de engenharia de prompts para obter respostas consistentes e controláveis.
Experimento 6
Experimento 6 — Avaliação & Alucinações
Estratégias para avaliar respostas, medir alucinações e construir sinais de confiança.
Experimento 7
Experimento 7 — Privacidade
Princípios e técnicas para proteger dados sensíveis e limitar vazamentos por modelos.
Experimento 8
Experimento 8 — Ética & Transparência
Documentar escolhas, limitar impactos e comunicar limitações para responsabilidade social e conformidade.
Experimento 9
Experimento 9 — Humano no Loop
Projetar automações seguras com revisão humana quando necessário.
Experimento 10
Experimento 10 — Agentes Conceituais
Arquitetura e limites conceituais de agentes e integração com ferramentas externas sem execução insegura.
Experimento 11
Experimento 11 — Detecção de viés
Identificar sinais de viés e ruído em conjuntos de treino por meio de inspeção de distribuições e logs.
Experimento 12
Experimento 12 — Divisão de dados
Evitar vazamento e escolher splits adequados (temporal, estratificado) para avaliação confiável.
Experimento 13
Experimento 13 — Métricas e logs
Escolher métricas adequadas e interpretar logs e tabelas de performance por coorte.
Experimento 14
Experimento 14 — Engenharia de prompts
Construir e depurar prompts avançados para reduzir ambiguidade e alucinações em sistemas baseados em linguagem.
Experimento 15
Experimento 15 — Detectar alucinações
Técnicas para identificar, medir e mitigar respostas alucinadas em modelos de linguagem.
Experimento 16
Experimento 16 — Privacidade e PII
Identificar e mitigar riscos de exposição de PII e práticas seguras de manejo de dados.
Experimento 17
Experimento 17 — Human-in-the-loop
Projetar fluxos de revisão humana e políticas de escalonamento para automação segura.
Experimento 18
Experimento 18 — Agentes e ferramentas
Conceitos para projetar agentes que orquestram ferramentas sem executar código não confiável.
Experimento 19
Experimento 19 — Documentar modelo
Criar documentação clara (model card, notas de versão, limitações) para transparência e reprodução.
Experimento 20
Experimento 20 — Auditoria e troubleshooting
Integração de logs, métricas e processos de auditoria para diagnosticar problemas em produção.
Experimento 21
Experimento 21 — Dados e requisitos
Definir com precisão o inventário, o esquema de rotulagem e os requisitos de qualidade dos dados do projeto.
Experimento 22
Experimento 22 — Pipeline e limpeza
Projetar um pipeline reprodutível com validações, versionamento e controles para evitar vazamentos e perda de rastreabilidade.
Experimento 23
Experimento 23 — Viés e equidade
Identificar riscos de viés, escolher métricas de equidade e aplicar técnicas de mitigação apropriadas.
Experimento 24
Experimento 24 — Divisão treino/validação/teste
Escolher uma estratégia de divisão que preserve validade da avaliação e evite vazamento para cenários específicos.
Experimento 25
Experimento 25 — Métricas e trade-offs
Escolher e justificar métricas alinhadas ao objetivo de negócio, entendendo trade-offs entre elas.
Experimento 26
Experimento 26 — Prompts do projeto
Projetar prompts robustos com instruções claras, exemplos controlados e verificações de saída para reduzir alucinações.
Experimento 27
Experimento 27 — Avaliar e mitigar alucinações
Criar processos para detectar, classificar e mitigar alucinações em respostas de modelos, com revisão humana estruturada.
Experimento 28
Experimento 28 — Privacidade e documentação
Aplicar princípios de minimização de dados, técnicas de proteção e produzir documentação pública (model card, datasheet) clara sobre limitações e riscos.
Experimento 29
Experimento 29 — Automação e monitoramento
Projetar automações seguras com pontos de revisão humana, circuit breakers, monitoramento e planos de rollback.
Experimento 30
Experimento 30 — Entrega final
Consolidar todos os artefatos do projeto em uma entrega verificável com documentação, métricas, planos de segurança e evidências de revisão.