engenharia

Durante meus estudos e prática na área de engenharia de software e ciência de dados, tive contato com algumas referências fundamentais que me ajudaram a entender melhor tanto os conceitos técnicos quanto as boas práticas para construção de sistemas robustos, especialmente envolvendo machine learning.

O livro "Engenharia de Software: Uma Abordagem Profissional", de Pressman e Maxim, é uma base sólida para quem quer compreender a estrutura, os processos e os princípios da engenharia de software de forma ampla. Ele ajuda a entender como aplicar metodologias, documentar corretamente e garantir qualidade ao longo do ciclo de vida de um sistema.

Já o livro "Engenharia de Software para Ciência de Dados", de Kalinowski et al., traz uma abordagem prática e específica para quem atua com ciência de dados. Ele apresenta boas práticas de engenharia voltadas à construção de pipelines e modelos de machine learning em Python, com foco em modularidade, testes, reprodutibilidade e manutenibilidade. É um conteúdo atual e diretamente aplicável ao nosso dia a dia com projetos reais de dados.

O artigo "Hidden Technical Debt in Machine Learning Systems", de Sculley e colaboradores (2015), foi outro material que abriu meus olhos para os riscos de não tratar sistemas de ML com o mesmo rigor da engenharia de software tradicional. Ele mostra como o acúmulo de soluções improvisadas e a falta de boas práticas podem gerar dívidas técnicas que comprometem a escalabilidade e manutenção do sistema.

Por fim, as Rules of Machine Learning do Google são um guia prático com regras e boas práticas recomendadas por engenheiros experientes. Elas tratam desde o início do desenvolvimento até o deploy e monitoramento de modelos, com foco em confiabilidade, reuso e colaboração entre equipes.

Essas referências me ajudaram a ter uma visão mais completa e profissional sobre como desenvolver sistemas de machine learning de forma eficiente, segura e sustentável, indo muito além de “só fazer o modelo funcionar”.