É com grande satisfação que apresento o Mapa de Habilidades de Engenharia de IA. A IA nos permite desenvolver software de forma muito diferente hoje do que em 2022, e todos que têm as habilidades para aproveitar essa mudança encontram inúmeras oportunidades empolgantes de projetos e empregos. Mas, com o 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, a fim de ajudar (i) desenvolvedores a priorizar o que aprender e (ii) empregadores a contratar desenvolvedores qualificados.
Com base em uma 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:
- Construção e implantação de aplicações de IA
- Fundamentos de engenharia de software
- Uso de agentes de codificação
- Definição do que construir
Você pode pensar, informalmente, em nosso processo como algo semelhante a executar um agrupamento (clustering) em um enorme conjunto 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 papel de "Engenheiro de IA" (alguém cujo trabalho é construir sistemas de IA), porque o primeiro termo é muito mais amplo. Todos os desenvolvedores hoje deveriam saber como trabalhar com a nuvem, e apenas um número 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.
Construção e implantação de aplicações de IA. A principal diferença entre aplicações de IA e aplicações que não usam IA 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 habilidosas em construir 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, como usar técnicas estatísticas para medir, direcionar e governar sistemas de IA para que se comportem de forma mais previsível. Uma habilidade essencial 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. Engenheirar software exige fazer concessões (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 leva a resultados muito melhores do que os de um desenvolvedor inexperiente que faz "vibe coding" de uma solução sem saber quais tradeoffs seu agente de codificação está fazendo — que muitas vezes serão ruins, porque ele não sabe qual contexto dar ao seu agente de codificação. Entender os fundamentos de engenharia de software permite que você faça bons tradeoffs ao direcionar agentes de codificação usando a linguagem precisa da engenharia de software.
Uso de agentes de codificação. Usar codificação agêntica de forma eficaz agora é uma habilidade essencial para todo desenvolvedor. Quando você tem essa habilidade, você tem um bom modelo mental de como os agentes funcionam. Você entende as limitações deles e como contorná-las, e consegue direcioná-los rapidamente — sabendo o quanto intervir e o quanto deixá-los trabalhar sozinhos — para construir software robusto sem perder tempo ou tokens em excesso.
Isso exige que você saiba como 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 avaliações (evals). Você também precisa saber como trabalhar com uma especificação clara (e quando não se preocupar em ter uma), orquestrar múltiplos agentes que trabalham juntos e evitar armadilhas, como o risco de um agente bagunçar seu banco de dados de produção. Como a codificação agêntica está evoluindo rapidamente, usar agentes de codificação com habilidade significa não apenas conhecer as práticas mais avançadas, mas também ter rotinas para continuar testando novas ferramentas e evoluir seus fluxos de trabalho à medida que as melhores práticas mudam.
Definição do que construir. Dada uma especificação clara, os agentes de codificação estão melhorando rapidamente em entregar o que é especificado. Assim, nosso trabalho como engenheiros está se deslocando para decidir o que deve estar na especificação. Engenheiros não devem mais esperar receber um design perfeito em cada pixel e ser solicitados apenas a implementá-lo. Em vez disso, a engenharia de IA eficaz exige ter senso de produto e entender o contexto de negócios e os objetivos dos clientes, para que você possa participar da definição e condução do desenvolvimento.
A IA também dá a você a oportunidade de assumir maior 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 conduzir projetos adiante. Por exemplo, saber quando construir rapidamente um MVP para levar aos usuários para testes e quando desacelerar e levar mais tempo para construir com mais cuidado.
Sustentando todas essas habilidades está uma mentalidade de aprendizado contínuo. A IA continua mudando rapidamente, então todos nós devemos 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 detalhá-las em posts futuros, além de compartilhar um Mapa de Habilidades de Engenharia de IA mais detalhado. Ao olhar para onde a Engenharia de IA está indo, estou extremamente animado com o que todos nós seremos capazes de construir. Espero que você desempenhe um papel empolgante nesse futuro.
