AI Engineering

Nenhuma curtida Nenhuma cópia ainda60 itens

Chegar a Engenheiro(a) de Software pleno/sênior com especialização em AI Engineering: projetar, avaliar e operar sistemas com LLM em produção, com base sólida de backend e sistemas distribuídos.

Quer estudar com uma trilha assim?

Duplique este roadmap e acompanhe seu progresso, anote e revise com IA.

Fase 1 — Fundamentos + Algoritmos + Evals

Algoritmos e estruturas de dados

Termine o Entendendo Algoritmos (~1 capítulo por semana) com 3–5 exercícios relacionados.

Cap. 1–2 — Pesquisa binária, Big O, arrays vs listas encadeadas
Cap. 3–4 — Recursão, pilha de chamadas, dividir para conquistar, quicksort
Cap. 5 — Tabelas hash (relacione com cache e Redis)
Cap. 6–7 — Grafos, BFS, Dijkstra (relacione com orquestração de agentes/DAGs)
Cap. 8 — Algoritmos gulosos, problemas NP-completos
Cap. 9 — Programação dinâmica
Cap. 10 — K-vizinhos mais próximos (ponte direta para embeddings e busca vetorial em RAG)
Cap. 11 — Próximos passos (árvores, índices invertidos, MapReduce, filtros de Bloom)

cursoLeetCode — Binary Search (Easy)
vídeoMIT 6.006 — aulas de ordenação (MIT OpenCourseWare)
cursoNeetCode 150 — seção Graphs
cursoNeetCode 150 — seção 1-D e 2-D Dynamic Programming
livroGrokking Data Structures — Marcello La Rocca
livroEntendendo Algoritmos — Aditya Y. Bhargava (Novatec)
cursoNeetCode
cursoLeetCode
cursoAlgorithms, Part I — Princeton (Coursera)

Banco de dados (Postgres a fundo)

Índices (B-tree, GIN, parciais, compostos) e EXPLAIN ANALYZE
Transações, níveis de isolamento, MVCC, locks
Connection pooling, N+1, paginação por cursor
pgvector para busca vetorial (ponte com RAG)

artigoUse The Index, Luke — Markus Winand
artigoPostgreSQL — Concurrency Control
vídeoHussein Nasser (YouTube)
artigopgvector (GitHub)
livroDesigning Data-Intensive Applications (DDIA) — Martin Kleppmann
artigoDocumentação oficial do PostgreSQL
cursoCMU 15-445 Database Systems — Andy Pavlo

Qualidade e testes

Pirâmide de testes, testes de contrato, testes de integração com Testcontainers
TypeScript avançado (tipos utilitários, generics, narrowing)

artigomartinfowler.com — Testing
livroEffective TypeScript — Dan Vanderkam
livroUnit Testing: Principles, Practices, and Patterns — Vladimir Khorikov
artigoTestcontainers
certificaçãoGitHub — Actions · Copilot · Foundations

AI Engineering — Evals

Fundamentos: por que avaliar, tipos de eval (determinístico, LLM-as-judge, humano)
Criar um dataset de avaliação a partir de casos reais e fazer análise de erros
Métricas de RAG: recall/precision do retrieval, faithfulness, relevância da resposta
Rodar evals em CI como teste de regressão de prompts/modelos
Aplicar no trabalho: suíte de evals para um agente real

artigoHamel Husain — Your AI Product Needs Evals
ferramentaRagas
ferramentapromptfoo
ferramentaLangfuse
livroAI Engineering — Chip Huyen (O'Reilly, 2025)
artigoEugene Yan — Patterns for Building LLM-based Systems & Products
cursoDeepLearning.AI short courses

Entregável da fase

Repositório público: RAG pequeno (FastAPI + pgvector) com evals no CI

Fase 2 — Sistemas distribuídos + Agentes em produção

System Design e sistemas distribuídos

Replicação, particionamento, consenso, consistência eventual
1 exercício de system design por semana (no papel, 45 min)
Cache (estratégias, invalidação), rate limiting, filas

vídeoDistributed Systems — Martin Kleppmann
livroSystem Design Interview vol. 1 e 2 — Alex Xu
artigoSystem Design Primer (GitHub)
livroDDIA — Martin Kleppmann
artigoByteByteGo Newsletter
vídeoMIT 6.5840 Distributed Systems — site com aulas e labs

Mensageria e padrões de integração

Outbox pattern, idempotência, retries, DLQ
Sagas (orquestração vs coreografia)
Implementar com RabbitMQ ou Kafka (escolha um e vá a fundo)

artigomicroservices.io — Transactional Outbox

Fase 3 — Profundidade + Credenciais

Como os LLMs funcionam por dentro

Redes neurais do zero, backpropagation
Transformers, atenção, tokenização
Embeddings, fine-tuning (quando faz sentido e quando não faz), modelos open weights/locais

cursoHugging Face — LLM Course
artigoJay Alammar — The Illustrated Transformer
vídeoAndrej Karpathy — Neural Networks: Zero to Hero
livroBuild a Large Language Model (From Scratch) — Sebastian Raschka
vídeo3Blue1Brown — série Neural Networks
livroHands-On Large Language Models — Jay Alammar & Maarten Grootendorst
cursofast.ai — Practical Deep Learning for Coders

Python avançado

Modelo de dados, async/await, tipagem estática, performance

Fase 4 — Liderança técnica + Projeto real

Liderança técnica

Liderar uma decisão de arquitetura no trabalho: RFC/ADR → trade-offs → rollout → métricas
Mentorar alguém mais júnior do time
Palestra sobre um dos projetos-âncora ou sobre o projeto real
Reescrever o currículo: menos tecnologias, mais resultados com números

artigoADR — Architecture Decision Records
livroThe Staff Engineer's Path — Tanya Reilly
artigoThe Pragmatic Engineer — Gergely Orosz
livroFundamentals of Software Architecture — Mark Richards & Neal Ford
livroLearning Domain-Driven Design — Vlad Khononov
livroStaff Engineer — Will Larson

Projeto real — Caminho A: open source de IA

Saia do projeto de estudo e lide com o que só aparece em produção: usuários reais, bugs reais, custo real e feedback real. Escolha o Caminho A ou o B.

Escolher 1 projeto de IA que você use e entender a arquitetura dele
Resolver issues good first issue → evoluir para uma feature

AI Engineering

Quer estudar com uma trilha assim?

Fase 1 — Fundamentos + Algoritmos + Evals

Algoritmos e estruturas de dados

Banco de dados (Postgres a fundo)

Qualidade e testes

AI Engineering — Evals

Entregável da fase

Fase 2 — Sistemas distribuídos + Agentes em produção

System Design e sistemas distribuídos

Mensageria e padrões de integração

Fase 3 — Profundidade + Credenciais

Como os LLMs funcionam por dentro

Python avançado

Fase 4 — Liderança técnica + Projeto real

Liderança técnica

Projeto real — Caminho A: open source de IA

Trilha contínua — Visibilidade

Visibilidade pública

Observabilidade

Agentes em produção

Entregável da fase

Cloud (credencial)

Formação acadêmica (opcional)

Projeto real — Caminho B: SaaS com IA