Latest / Entre Chaves / Suas skills como desenvolvedor estão ultrapassadas?

Transcript

Suas skills como desenvolvedor estão ultrapassadas? · Entre Chaves

• 0:02
  É, na verdade, você respondeu a minha.
• 0:03
  Já é minha próxima pergunta que eu vou fazer sobre sobre esse
• 0:06
  assunto é, se não estava meio que convergindo o papel do
• 0:10
  engenheiro de dados e do data Science para um papel único, que
• 0:13
  antes era. Eram atribuições muito distintas
• 0:15
  que é um engenheiro de dados, o que é o data Science?
• 0:18
  Mas você mesmo acabou de falar que faz, pô.
• 0:21
  Eu ao mesmo tempo que eu estou, né?
• 0:22
  Com maquitetos de dados eu estou tendo que já tive que treinar
• 0:24
  modelo, eu já tive que fazer uma série de coisas que são
• 0:27
  atribuições do datações. Com a gestão da IA acelerando, o
• 0:31
  que o que antes eu gastaria? Um dia em que é pra fazer você
• 0:34
  fazia 1 hora. Eu fico pensando nisso também,
• 0:36
  ao mesmo tempo assim, né, que eu vejo que essas os próprios
• 0:40
  modelos públicos, as coisas, né? Os open source e tudo mais.
• 0:43
  Eles meio que democratizam também uma expertise, né?
• 0:47
  Que antes eram só o cientista mesmo de dados que sabia.
• 0:50
  E que agora a gente consegue. Talvez assim, né?
• 0:53
  Outras pessoas com menos expertise do que antes conseguem
• 0:56
  já colocar coisas, né? Treinar modelos, fazer fine
• 0:59
  tunings, algumas ferramentas que até já possibilitam isso de uma
• 1:02
  forma muito mais. Dada, né?
• 1:04
  Por exemplo, o próprio é jurifa um drillar bem fácil, né?
• 1:07
  Assim de fazer 11 fine tuning no modelo numa LM.
• 1:10
  Só que ao mesmo tempo tem um outro negócio aqui que eu acho
• 1:13
  que é muito importante, que eu acho que as empresas meio que
• 1:15
  tomaram também ALLM com uma bala de prata que vai resolver todos
• 1:19
  os problemas, esquecendo que existe um tanto de problema que
• 1:23
  são são resolvidos, como a chillane tradicional, né?
• 1:27
  Que são resolvidos com outras técnicas, que não tem nada a ver
• 1:30
  com LM. Só que como, né?
• 1:32
  Estamos, né? Enfim, então tudo isso que a
• 1:35
  gente está vendo, a empresa acha que é pô, agora tudo é linguagem
• 1:39
  natural, tudo é LLME, pronto e acabou.
• 1:42
  Cara, é bem isso. Assim, inclusive, a gente vê
• 1:44
  discussões se o papel dos cientistas de dados vai morrer
• 1:49
  com com o surgimento geneye, né? E assim, claro que eu já vi.
• 1:53
  Por exemplo, é gei a se eu substituir modelos de machilani
• 1:57
  tradicionais como forma de validar um produto.
• 2:00
  Então enquanto eu estou trabalhando num produto, eu
• 2:03
  consigo entregar talvez uma vez zero ali utilizando o gei i, que
• 2:07
  não vai me dar um resultado ótimo, mas vai servir para
• 2:10
  validar. Mas eu não vejo isso acontecendo
• 2:12
  justamente porque ALLM, ela vai ter uma série de de limitações,
• 2:17
  né? Que modelos muito mais simples
• 2:19
  que que às vezes você teria que lidar com a.
• 2:21
  Fascinação com uma série de coisas que o modelo convencional
• 2:25
  você consegue resolver de uma forma mais fácil de debugar, né?
• 2:29
  Mais interpretável que isso é sempre uma questão, né?
• 2:32
  Na Na ciência de dados é, a gente tem as blackbox que são
• 2:35
  seria as llms e a gente tem os modelos que que são mais fáceis
• 2:39
  de você interpretar. Eu não acredito tanto que os
• 2:43
  cientistas de dados vai juntar com o engenheiro de dados, mas
• 2:46
  eu acho que um engenheiro de dados, ele precisa ter um
• 2:48
  conhecimento básico de ciência de dados, porque.
• 2:51
  Eu acho que é é um pouco do que o mercado espera da gente, então
• 2:54
  você se vê nessa posição muitas vezes, por mais que você não
• 2:57
  seja um especialista ali. Eu diria até que o deve deveria
• 3:01
  começar, né? A estudar um pouco mais assim
• 3:04
  sobre modelos, né, sobre dados, porque no final das contas a
• 3:09
  gente meio que tá vivendo uma mudança mesmo de paradigma, né,
• 3:13
  de coisas que são aplicados de aplicações.
• 3:15
  Já falou aqui no entre chaves também sobre isso, como eu
• 3:17
  resolvo um problema? Normalmente eu pensava num front
• 3:19
  end e num back end. Ah, agora eu talvez vou começar
• 3:22
  a pensar mais em agente de Ah e isso já gera uma mudança mesmo
• 3:27
  de como eu penso em resolver problemas e talvez em algum
• 3:30
  momento assim, né? Pra muitos, não, muitos eu
• 3:32
  posso, vou só pegar lá minha meu minha API da OpenAI da da
• 3:37
  antrópica e vou consumir e pronto, acabou, mas em algum
• 3:40
  outro né? Pra você entender mais pra você
• 3:42
  até conseguir otimizar melhor. Alguns conceitos de ciência de
• 3:46
  dados passam a ser importantes, inclusive pra deves, na minha
• 3:49
  opinião. Por exemplo, o saber estruturar
• 3:51
  um teste AB que é importantíssimo pra uma
• 3:53
  aplicação. Quando você quer lançar 11
• 3:56
  feature nova, né? E aí você quer lançar 2 versões
• 3:59
  e ver qual que é AA melhor. Isso é algo.
• 4:02
  Acho que é uma ferramenta legal, né?
• 4:03
  Pro desenvolvedor e fora métricas de usabilidade da
• 4:06
  aplicação. É, mas mesmo tô falando assim,
• 4:08
  até mesmo coisas é bem específicas de ciência de dados
• 4:12
  assim, né? Estou tentando pensar alguma
• 4:14
  coisa e não estou conseguindo vir nenhum exemplo na minha
• 4:16
  cabeça. Eu só estou pensando em token,
• 4:18
  mas estou falando assim, coisas mais específicas mesmo, né?
• 4:21
  Sei lá, boa gestão de token, saber entender melhor o que que
• 4:24
  é isso, entender é reagir, né? Que salva talvez ali alguma
• 4:27
  coisa, não sei. Aí o exemplo mais caro que a
• 4:30
  gente tem da utilização do machine learning em si.
• 4:32
  Quando você entra no aplicativo de compras, né?
• 4:35
  Você entra no Amazon no Mercado Livre ou aplicativo de compras
• 4:38
  que você seleciona o produto que lá embaixo aparece.
• 4:41
  Assim, você também pode gostar de e de.
• 4:43
  Que indica quais produtos ali. Aquilo ali é machine learning
• 4:46
  puro, baseado nesse usuário que eu tenho aqui.
• 4:49
  Eu já sei dos gostos dele, já sei o que costumo comprar.
• 4:52
  Ele está olhando esse produto específico, como que eu posso
• 4:55
  fazer? O que que eu posso mostrar para
• 4:57
  esse usuário? Que eu vou tentar fazer com que
• 4:59
  ele clique e converta na compra. Então isso é um exemplo clássico
• 5:02
  do do machilani puro, né? Que é que é que é ciência de
• 5:04
  dados? Puro não é, não é LLN.
• 5:07
  Falando ainda de novos papéis e voltando aí um pouco, né?
• 5:10
  No que eu até falei aqui, do paradigma de agentes e tudo
• 5:13
  mais, Eu Acredito e já acho que já estamos vendo isso cada vez
• 5:17
  mais vagas e papéis relacionados a essa manutenção de agentes
• 5:22
  assim, sabe? E aí, sei lá, né?
• 5:24
  Um desenvolvedor de agentes ou alguma coisa que é bem bem nessa
• 5:29
  nessa camada agente que aí mesmo, tanto pra agentes de e
• 5:33
  pra utilização de agronegócio, quanto pra virar também agentes
• 5:38
  de desenvolvimento também de de especialistas em transformar o
• 5:42
  seu código em agente pra você ter melhores interações com o
• 5:46
  agente dentro do seu código. Então toda essa parte de agentes
• 5:49
  eu acho que tem aí um crescente, né?
• 5:51
  Na em relação a vagas. Em relação ao papel, né?
• 5:54
  E ao mesmo tempo, a gente também vai começar a ver uma redução em
• 5:58
  alguns papéis, né? E eu acho que os papéis que são
• 6:01
  fritadores de pastel, né mesmo, deve fritador de pastel.
• 6:05
  Até qualquer, né? Qualquer uma dessas que seja
• 6:08
  puramente mecânico, né? Puramente de execução, sem muito
• 6:12
  raciocínio envolvido. Mas isso isso até no mundo deve
• 6:15
  é assim igual novamente. Voltando na época dos maias, ou
• 6:19
  veja o pessoal, a gente fazia aquelas especificações antes
• 6:21
  dessa do da popularização do ágio, a gente fazia aquelas
• 6:24
  especificações gigantes, fazia é inscrição de casos de uso, é é
• 6:29
  de agrama de sequência, aquela coisa toda, fazia aquele Monte
• 6:31
  de papelada. Entregava para o deve o deve ir
• 6:34
  é só ler, codificando, ler codificando OOO deve mecânico
• 6:38
  sempre existiu. Quem ainda tiver nessa é
• 6:40
  facilmente substituído.