Pular para conteúdo

Engenharia de IA em Produção

De modelos a agentes — sistemas de IA como software crítico.

🎯 Por que este livro existe

Existe muito material sobre Machine Learning, LLMs e Agentic AI. A maior parte foca em demos, frameworks da semana ou propaganda de fornecedor. Pouca coisa explica, com seriedade técnica, como esses sistemas são operados em ambientes corporativos: dados ruins, latência apertada, custos sob escrutínio, auditoria obrigatória, regulação real e usuários que não aceitam respostas inventadas.

O material reunido aqui diversas notas pessoais sobre arquitetura, MLOps e operação de sistemas de IA - decisões, padrões, anti-padrões e cicatrizes - agora compiladas e reorganizadas em forma de livro/handbook público.

A tese é simples e atravessa o material inteiro:

Sistemas de IA em produção não são apenas modelos. São sistemas sociotécnicos que precisam ser projetados, operados, observados, auditados e depreciados como software crítico.

Tudo o que vem a seguir é consequência dessa tese. Para evitar repetição, ela é estabelecida aqui e nas Partes 0 e 4, e depois referenciada de forma curta nos capítulos. Quando uma técnica não sustenta uma garantia, esse limite aparece no próprio texto.

👥 Para quem é este livro

  • Arquitetos de IA, engenheiros de ML/LLM, engenheiros de dados, MLOps, LLMOps e AgentOps.
  • Líderes técnicos que precisam decidir entre ML tradicional, LLMs, RAG, agentes, workflow determinístico ou combinações híbridas.
  • Especialistas em segurança, governança e FinOps que precisam aplicar suas disciplinas a sistemas probabilísticos.

O livro assume conhecimento prévio em engenharia de software, APIs, cloud, dados e segurança. Ele não ensina Python, SQL ou conceitos básicos de computação.

🚫 Para quem este livro não é

  • Para quem busca tutoriais "do zero ao deploy" em uma única ferramenta.
  • Para quem quer um manual de prompt engineering "criativo".
  • Para quem quer ranquear frameworks por hype.

🧾 O que este livro não promete

Esta obra é explícita sobre limitações. Ela não afirma que:

  • LLMs são fontes de verdade.
  • RAG elimina alucinação.
  • Guardrails ou prompts garantem segurança.
  • Metadata de tool impede uso indevido.
  • Fine-tuning substitui base de conhecimento dinâmica.
  • Multi-agent resolve problemas complexos automaticamente.
  • IA pode ser declarada "100% segura".

Sempre que uma técnica não garantir um comportamento, este livro diz isso explicitamente.

📚 Como ler este material

Há três modos sugeridos de leitura, e nenhum deles é obrigatório:

  1. Linear. Da Parte 0 à Parte 9, como um curso. Ideal para quem está construindo carreira na área.
  2. Por trilha.
  3. ML tradicional -> Partes 0, 1, 5 (observabilidade), 6 (custos), 7 (deployment).
  4. LLM/RAG -> Partes 0, 2, 4, 5, 6.
  5. Agentic AI -> Partes 0, 3, 4, 5, 7.
  6. Por consulta. Capítulos têm formato padronizado (objetivo, conceito, produção, trade-offs, riscos, observação, teste, checklist), o que facilita pesquisa pontual sem perder contexto.

Há também um fio condutor narrativo - o estudo de caso Hermes Logística - apresentado na Parte 0 e revisitado em várias partes. Não é exemplo executável; é uma história plausível usada para conectar decisões.

🧰 Sobre os exemplos práticos

O livro referencia exemplos práticos por código (EX-RAG-01, EX-AGT-02, etc.); o índice dos exemplos fica em labs/ e a matriz completa é mantida internamente pelo autor.

⚠️ Status honesto. Nesta versão, os exemplos práticos ainda não foram implementados. Eles são planejados, com prioridade e stack declarada, e serão entregues em ciclos posteriores. O texto foi escrito para que essa ligação fique natural quando os códigos existirem; nada aqui depende de o leitor rodar um exemplo agora. A v0.1 prioriza estrutura, conteúdo e mapa técnico, não código rodável.

Quando os exemplos forem implementados, viverão em examples/, favorecendo stack open-source: Python 3.11+, FastAPI, scikit-learn, pytest, Ollama (modelos locais), Qdrant ou Chroma (vector DBs locais), OpenTelemetry + Jaeger (tracing), OPA/Rego (policy-as-code), Docker e Docker Compose. Quando um exemplo precisar de modelo na nuvem, terá alternativa local documentada.

👤 Sobre o autor

Ruan Pato trabalha com software e sistemas de IA em produção: arquitetura, MLOps/LLMOps/AgentOps, segurança, observabilidade e operação contínua. O fio condutor do trabalho dele é que IA enterprise é software crítico e que a maior parte do valor real aparece no sistema, não no modelo isolado.

Este material é resultado de notas pessoais reorganizadas em forma pública. Não é manifesto nem peça promocional; é o tipo de handbook que se demonstra útil para quem está começando a subir sistemas em produção ou quem quer revistar conceitos fácilmente.

🤝 Como contribuir futuramente

Detalhes em docs/contributing.md. Em resumo: correções editoriais e técnicas são bem-vindas via issue ou PR; conteúdo de marketing disfarçado de neutralidade não é aceito; referências precisam ser fontes técnicas verificáveis (papers, docs oficiais, specs, RFCs, blogs de engenharia).

🗒️ Convenções e estado deste rascunho

  • Texto em português brasileiro.
  • Emojis em headers e marcadores fazem parte do estilo do projeto: são usados como identidade visual e navegação, não como decoração.
  • Tópicos emergentes (A2A, MCP Authorization, FinOps for AI, parte do tool lifecycle) têm a maturidade declarada no próprio capítulo.
  • Profundidade desigual. Algumas partes estão mais maduras que outras; trechos ainda em forma de outline serão expandidos em ciclos futuros. Capítulos curtos seguem o mesmo padrão editorial dos longos apenas quando isso ajuda a leitura por consulta.
  • Tese central evita repetição literal. Ela aparece no Prefácio e na Parte 0, e os capítulos subsequentes usam referências curtas (ex.: "como discutido na Parte 0") em vez de reapresentá-la inteira.