Conteúdo

A mudança de paradigma da Inteligência Artificial redefine como construímos software. Este livro apresenta a transição do determinístico para o probabilístico e introduz a Engenharia de IA como disciplina essencial para transformar modelos de linguagem em sistemas reais, confiáveis e escaláveis. Mais do que teoria, é um guia prático para levar LLMs da demonstração à produção, lidando com dados, incerteza e valor de negócio.

Leonardo Pena é engenheiro e educador com experiência em Estatística, Arquitetura de Software e projetos de IA em produção. Nesta obra, ele compartilha sua vivência em consultorias e projetos reais para orientar a construção de sistemas inteligentes com responsabilidade. O autor mostra como reduzir falhas, controlar custos e lidar com alucinações, enquanto se cria soluções que funcionam de verdade no mundo real.

Saiba o que você vai aprender

Sumário

• 1. A mudança de paradigma — boas-vindas à Engenharia de IA
• 1.1 A virada de chave — do determinístico ao probabilístico
• 1.2 Escopos que se encontram — AI, ML e Software Engineering

• 2. A anatomia dos LLMs — desvendando o motor da IA
• 2.1 Passo 1 — O idioma dos modelos — tokenização
• 2.2 Passo 2 — Transformando palavras em números — embeddings
• 2.3 Passo 3 — O cérebro da operação — A arquitetura Transformer
• 2.4 O coração do Transformer — self-attention
• 2.5 Os três sabores de Transformers

• 3. Engenharia de Prompt e raciocínio
• 3.1 O básico — a diferença entre um pedido e uma instrução
• 3.2 A anatomia de um bom prompt — os cinco componentes
• 3.3 Fundamentos — do básico ao raciocínio guiado
• 3.4 Padrões avançados de raciocínio
• 3.5 System prompt — o contrato mestre da IA
• 3.6 Ameaças a prompts e segurança
• 3.7 Defesas e avaliação

• 4. RAG — dando memória externa aos LLMs
• 4.1 A motivação para o RAG — por que não apenas fine-tuning?
• 4.2 A arquitetura clássica de RAG (RAG 1.0)
• 4.3 Chunking e re-ranking — aprimorando a qualidade da busca
• 4.4 Agentic RAG — tornando o RAG mais inteligente
• 4.5 Avaliação de sistemas RAG

• 5. Agentes e ferramentas — dando poder de ação aos LLMs
• 5.1 O ciclo de vida de um agente
• 5.2 Function Calling — o mecanismo que dá mãos ao LLM
• 5.3 A memória do agente
• 5.4 Padrões de raciocínio
• 5.5 Sistemas multiagente
• 5.6 Segurança — o poder exige responsabilidade

• 6. Fine-tuning e adaptação de modelos
• 6.1 Quando fazer fine-tuning? A decisão mais importante
• 6.2 Tipos de fine-tuning — ensinando de formas diferentes
• 6.3 LoRA — fine-tuning acessível
• 6.4 Dados para fine-tuning
• 6.5 Riscos do fine-tuning

• 7. Engenharia de Dados para aplicações com LLM
• 7.1 Por que governança de dados não é burocracia
• 7.2 Versionamento com Git e DVC
• 7.3 Dados sintéticos — quando o real não é suficiente
• 7.4 Pipelines de dados — automatizando o fluxo
• 7.5 Monitoramento — quando o mundo muda e seu modelo não sabe

• 8. Arquitetura, testes e observabilidade
• 8.1 Arquiteturas de referência
• 8.2 Testes para sistemas de IA — a pirâmide adaptada
• 8.3 Os três pilares da observabilidade
• 8.4 Guardrails — segurança em tempo real
• 8.5 Model Context Protocol (MCP)

• 9. Serving, deploy e infraestrutura
• 9.1 Hardware — o gargalo está na memória
• 9.2 Frameworks de serving — espremendo cada gota de performance
• 9.3 Compressão de modelos
• 9.4 Métricas de performance
• 9.5 Nuvem vs. self-hosting — a decisão estratégica

• 10. Projeto completo, ética e futuro
• 10.1 Fase 1 — definição do problema
• 10.2 Fase 2 — prova de conceito (PoC)
• 10.3 Fase 3 — MVP com RAG
• 10.4 Fase 4 — fine-tuning com o jargão da empresa
• 10.5 Fase 5 — observabilidade e monitoramento
• 10.6 Ética e responsabilidade
• 10.7 Tendências a observar
• 10.8 Conclusão — o engenheiro de IA como artesão