Solucionado (ver solução)

Importante

Você está vendo a versão anterior da nova experiência da Alura que estamos preparando para você. Em breve, ela ganha uma identidade visual novinha totalmente pensada em potencializar seus estudos!

Solucionado
(ver solução)
1
resposta

Mão na Massa: método 70-20-10 - Maximizando o aprendizado

Mapear esse cenário é o primeiro e mais importante passo. Olhando para o que você compartilhou, fica muito claro onde está o desequilíbrio e, o melhor de tudo, onde está a oportunidade para aplicar o 70-20-10 de forma real.

Vamos analisar como está o seu gráfico atual:

  • Os 10% (Formal): Estão super ativos com a trilha de Especialista em IA na Alura. Conteúdo denso, moderno e com muito potencial.
  • Os 70% (Prática): Estão focados no escopo do seu trabalho atual, mas a sua mente já identificou que falta conectar o que você está estudando (IA) com a prática real. O projeto de organização de despesas é a chave de ouro aqui.
  • Os 20% (Social): Estão zerados ou muito mornos no momento, o que isola o seu aprendizado.

Se continuarmos assim, a trilha da Alura corre o risco de virar apenas "teoria acumulada". Para virar o jogo, vamos desenhar uma estratégia para puxar a IA da Alura (10%) para dentro do seu projeto de despesas (70%) e ativar os seus 20%.


Plano de Ação: Tirando o Projeto da Gaveta com IA

Em vez de criar um sistema de despesas comum (onde você digita o valor, a categoria e salva), vamos usar o seu momento atual para criar um Gerenciador de Despesas Inteligente.

Veja como podemos distribuir isso no modelo 70-20-10:

1. Turbinando os 70% (A Prática)

Use o seu projeto de despesas como o laboratório oficial da sua trilha de IA. Esqueça escopos gigantescos; comece com um MVP (Mínimo Produto Viável) que resolva uma dor real utilizando o que você está aprendendo.

  • Ideia de MVP com IA: Um sistema onde você simplesmente cola um texto bruto de extrato, uma linha de PIX ou até envia a descrição de um gasto em linguagem natural, e a IA categoriza o gasto automaticamente (ex: "Mercado", "Lazer", "Contas Fixas") e extrai o valor e a data.
  • Como fazer: Você pode criar uma API simples na stack que você já domina bem e integrar com a API da OpenAI ou da Anthropic (usando técnicas de Prompt Engineering ou Few-Shot Prompting que você deve ver na trilha) para processar esses dados textuais.

2. Ativando os 20% (O Social)

Aprender IA sozinha pode parecer abstrato. Trazer o fator social vai acelerar muito o seu entendimento.

  • Feedbacks de Arquitetura: Quando começar a desenhar como a sua aplicação vai interagir com os modelos de IA (ex: onde vai guardar os logs das requisições, como tratar erros de timeout da API de IA), converse com colegas de profissão ou amigos da área de tecnologia. Pergunte: "Estou pensando em estruturar a integração com a IA dessa forma, o que você acha?"
  • Comunidades da Trilha: Utilize os fóruns da própria Alura ou comunidades do Discord focadas em desenvolvimento e IA. Compartilhar um desafio específico do seu projeto de despesas (ex: "A API de IA está errando a categorização de gastos com postos de combustível, alguém já lidou com isso?") ativa os seus 20% na hora.

3. Calibrando os 10% (O Formal)

Continue a trilha da Alura, mas mude a sua postura ao assistir às aulas.

  • Em vez de apenas seguir o exercício padrão do curso, assista a cada módulo com uma pergunta na cabeça: "Como eu aplico isso no meu sistema de despesas?"
  • Se o curso falar sobre embeddings, processamento de texto ou agentes, pense em como isso pode evoluir o seu projeto no futuro (ex: criar um chatbot para te dar insights financeiros, como "Quanto eu gastei com restaurante esse mês?").

Conectar o curso (10%) com o projeto pessoal (70%) é a forma mais rápida de fixar o conhecimento e dar aquela sensação de progresso real.

Para estruturarmos o primeiro passo do seu projeto de despesas com IA, qual é a stack tecnológica que você se sente mais confortável em usar para subir essa estrutura base (banco de dados e API)?

1 resposta
solução!

Olá, Julia. Como vai?

Excelente mapeamento e aplicação prática do modelo 70-20-10! É fascinante ver como você conseguiu transformar o diagnóstico de um desequilíbrio (com o social zerado e a teoria isolada) em uma estratégia de engenharia totalmente acionável. Como desenvolvedora PHP Sênior, criar um MVP de um Gerenciador de Despesas Inteligente é a ponte perfeita para consolidar seus estudos de IA.

Analisando a sua estrutura e a sua última pergunta sobre como desenhar o primeiro passo, gostaria de complementar com algumas boas práticas de arquitetura para o seu ecossistema de estudos, considerando que você domina o ecossistema PHP (como Laravel ou Symfony) e ferramentas como Docker:

  • Arquitetura Isolada para o MVP (70%): Para não inflar o escopo, crie uma estrutura de microsserviço ou uma rota isolada na sua API. O fluxo deve ser linear: o seu backend recebe o texto bruto da despesa, repassa esse texto para a API da IA encapsulado em um prompt estruturado, e recebe a resposta.
  • Saída Estruturada (O segredo da integração): Um dos maiores desafios ao integrar APIs de IA com linguagens de programação é garantir que o modelo não devolva um texto genérico, mas sim dados que o PHP consiga parsear. Uma excelente prática atual é utilizar o recurso de Structured Outputs (ou passar no prompt a instrução para responder estritamente em formato JSON).
  • Ativando os 20% com Open Source: Além dos fóruns, uma forma incrível de ativar o lado social como desenvolvedora sênior é abrir o código desse seu gerenciador no GitHub desde o primeiro dia. Adicione issues como "Sugestões para melhorar o prompt de categorização" ou "Ideias para tratamento de falhas na API de IA". Isso convida outros desenvolvedores a debaterem arquitetura com você.

Para te dar um empurrãozinho prático no código do seu MVP utilizando PHP puro ou dentro de um controller, veja como estruturar a chamada para que a IA devolva os dados perfeitamente legíveis para o seu sistema:

// Exemplo de como estruturar a requisição esperando um JSON da IA
$promptSistema = "Você é um assistente financeiro. Categorize o gasto enviado e extraia o valor e a data. Responda estritamente em formato JSON com as chaves: 'valor', 'categoria' e 'data'.";
$gastoUsuario = "Gastei 45 reais no Posto Ipiranga ontem à tarde.";

// O seu backend PHP enviará esse payload para a API de IA
$payload = [
    "model" => "gpt-4o-mini", // ou o modelo de sua escolha
    "messages" => [
        ["role" => "system", "content" => $promptSistema],
        ["role" => "user", "content" => $gastoUsuario]
    ],
    "response_format" => ["type" => "json_object"] // Força a IA a responder em JSON válido
];

// Ao receber a resposta, o PHP faz o decode direto para salvar no banco:
// $dados = json_decode($respostaAi, true);

Com essa estrutura base, você calibra os seus 10% (Formal) assistindo às aulas da Alura focadas em engenharia de prompt e já testa as variações de comportamento do modelo direto no seu terminal. O plano está muito bem desenhado e pronto para execução.

Espero que possa ter lhe ajudado!