Tenho o prazer de apresentar o Mapa de Habilidades de Engenharia de IA. A IA nos permite criar software de uma forma muito diferente hoje em comparação com 2022, e todos que possuem as habilidades para aproveitar essa mudança têm inúmeras oportunidades empolgantes de projetos e empregos. Mas, em meio ao ambiente de informações ruidoso e cheio de hype em torno da IA, quais são as habilidades mais valiosas para você aprender? Tenho trabalhado com minha equipe para sintetizar um mapa de habilidades de engenharia de IA, com o objetivo de ajudar (i) desenvolvedores a priorizar o que aprender e (ii) empregadores a contratar desenvolvedores qualificados.
Com base na análise de mais de 10.000 vagas de emprego; na realização de dezenas de entrevistas estruturadas com especialistas em IA, gerentes de contratação e recrutadores; na coleta de dados por meio de pesquisas; e na síntese de outros dados online, estas são as quatro habilidades mais importantes de engenharia de IA:
- Criar e implantar aplicações de IA
- Fundamentos de engenharia de software
- Usar agentes de codificação
- Moldar o desenvolvimento
Você pode pensar, informalmente, no nosso processo como algo semelhante a rodar um algoritmo de clusterização em um conjunto massivo de dados de empregos e entrevistas com especialistas para identificar as habilidades mais importantes — não apenas hoje, mas também no futuro próximo.
Uma nota sobre terminologia: falo sobre habilidades de engenharia de IA em vez do cargo de "Engenheiro de IA" (alguém cujo trabalho é construir sistemas de IA), porque o primeiro conceito é muito mais amplo. Todos os desenvolvedores hoje deveriam saber trabalhar com a nuvem, e apenas uma parcela menor tem o título de "Engenheiro de Nuvem". Da mesma forma, todos os desenvolvedores — engenheiros full-stack, engenheiros de dados, engenheiros DevOps, engenheiros de machine learning e, sim, engenheiros de IA — precisarão de habilidades de engenharia de IA.
Criar e implantar aplicações de IA. A principal diferença entre aplicações de IA e aplicações tradicionais é que as primeiras têm saídas imprevisíveis. Quando você faz um prompt para um LLM, não sabe o que vai receber de volta. Quando você treina um algoritmo de deep learning, não sabe qual previsão ele fará para novos exemplos. Em contraste, o software tradicional se comporta de forma mais previsível.
Pessoas com habilidade para criar e implantar aplicações de IA entendem os blocos fundamentais da IA (como LLMs, engenharia de contexto, RAG, fluxos de trabalho agênticos, machine learning e deep learning) e, principalmente, sabem usar técnicas estatísticas para medir, orientar e governar sistemas de IA para que eles se comportem de forma mais previsível. Uma habilidade central nesse processo é saber conduzir avaliações (evals) disciplinadas e ciclos de análise de erros.
Fundamentos de engenharia de software. Quando você entende profundamente como o software funciona, consegue construir de forma muito mais eficaz. Engenhar software exige fazer tradeoffs entre custo, escalabilidade, confiabilidade, velocidade e outros fatores. Segurança e privacidade adicionam ainda mais complexidade.
Entender os fundamentos de software permite que você reconheça quais tradeoffs existem. Isso leva a melhores decisões na escolha da sua stack de software, no design da arquitetura do sistema, no design do armazenamento de dados, nos testes e assim por diante. Também gera resultados muito melhores do que os de um desenvolvedor inexperiente que usa vibe coding para criar uma solução sem saber quais tradeoffs seu agente de codificação está assumindo — e muitas vezes esses tradeoffs são ruins, porque essa pessoa não sabe que contexto fornecer ao agente. Entender os fundamentos de engenharia de software permite fazer bons tradeoffs ao orientar agentes de codificação com a linguagem precisa da engenharia de software.
Usar agentes de codificação. Usar codificação agêntica de forma eficaz agora é uma habilidade essencial para todo desenvolvedor. Quando você tem essa habilidade, tem um bom modelo mental de como os agentes funcionam. Você entende as limitações deles e como contorná-las, e consegue orientá-los rapidamente — sabendo quando intervir e quando deixá-los trabalhar sozinhos — para construir software robusto sem desperdiçar tempo ou tokens em excesso.
Isso exige saber gerenciar o contexto de um agente de codificação, fazer tradeoffs entre planejamento e execução e ajudar o agente a fechar ciclos de forma autônoma, fornecendo verificadores ou evals. Você também precisa saber trabalhar com uma especificação (spec) clara (e quando não vale a pena se preocupar com uma), orquestrar vários agentes que trabalham em conjunto e evitar armadilhas como o risco de um agente bagunçar seu banco de dados de produção. Como a codificação agêntica evolui rapidamente, usar agentes de codificação com habilidade significa não apenas conhecer as práticas de ponta, mas também ter rotinas para continuar experimentando novas ferramentas e evoluir seus fluxos de trabalho à medida que as melhores práticas mudam.
Moldar o desenvolvimento. Dada uma especificação clara, os agentes de codificação estão melhorando rapidamente na entrega do que foi especificado. Assim, nosso trabalho como engenheiros está se voltando cada vez mais para decidir o que deve estar na especificação. Engenheiros não devem mais esperar receber um design pixel-perfect e ser solicitados apenas a implementá-lo. Em vez disso, uma engenharia de IA eficaz exige ter senso de produto e entender o contexto do negócio e os objetivos dos clientes, para que você possa participar da definição e condução do desenvolvimento.
A IA também oferece a oportunidade de assumir mais responsabilidade e autonomia do que antes. Você pode identificar problemas e oportunidades interessantes e agir para aproveitá-los de forma responsável. Aproveitar essa oportunidade exige saber como impulsionar projetos — por exemplo, saber quando construir rapidamente um MVP para testar com usuários e quando desacelerar e dedicar mais tempo para construir com mais cuidado.
Por trás de todas essas habilidades está uma mentalidade de aprendizado contínuo. A IA continua mudando rapidamente, então todos nós precisamos continuar aprendendo e evoluindo nossas habilidades para adotar as melhores práticas emergentes.
O foco principal da DeepLearning.AI é ajudar desenvolvedores a adquirir essas habilidades de engenharia de IA. Tenho mais a dizer sobre cada uma dessas quatro habilidades e vou detalhar cada uma delas nas próximas publicações, além de compartilhar um Mapa de Habilidades de Engenharia de IA mais detalhado. Ao olhar para onde a engenharia de IA está caminhando, estou extremamente animado com tudo o que todos nós seremos capazes de construir. Espero que você desempenhe um papel empolgante nesse futuro.
