Síntese da Parte 1

Esta parte aterrou o que não desapareceu com a chegada dos LLMs. ML tradicional continua sendo o caminho mais barato, mais rápido e mais auditável para uma classe enorme de problemas. Quase todo sistema enterprise sério, mesmo aqueles que parecem "totalmente baseados em LLM", tem um classificador, um detector de anomalia, um reranker ou um router clássico em algum ponto-chave.

O que ficou estabelecido:

• Dados são o principal risco operacional. Schema, freshness, drift, leakage. O modelo é só o último elo.
• Métrica de modelo, métrica offline e métrica de negócio raramente coincidem. Documentar a cadeia é prevenção contra ilusão.
• Feature stores, experiment tracking, model registry não são enfeite; são as fundações de MLOps.
• Monitoramento e retreinamento precisam ser parte do produto, não atividade ad hoc.
• Híbrido é a regra. ML + LLM + agente é o padrão enterprise defensável.

A Parte 2 entra em LLMs assumindo essa base - e tratando o LLM como componente dentro de um sistema mais amplo, não como solução universal.

---