Nesta aula, aprofundei meu entendimento sobre como aplicar os princípios da engenharia de software em projetos de Machine Learning, com foco em garantir qualidade, evitar falhas e construir soluções mais confiáveis e sustentáveis.
Ficou evidente o quanto a coleta e a validação dos dados impactam diretamente no desempenho de um sistema de IA. Sem dados de qualidade, mesmo os modelos mais avançados podem produzir resultados incorretos ou enviesados. Por isso, além de técnica, é preciso olhar com atenção para o contexto do negócio, compreender os dados, as regras envolvidas e garantir que os modelos sejam interpretáveis por todos os envolvidos no projeto técnicos e não técnicos.
Aprendi também sobre os princípios de engenharia de software propostos por David Hooker, como a importância de ter uma "razão de existir" clara para cada componente do sistema, e o princípio da simplicidade, que muitas vezes é deixado de lado, mas faz toda a diferença para criar soluções que sejam fáceis de entender, manter e escalar.
Outro ponto importante foi entender a diferença entre sistemas tradicionais de software e sistemas de Machine Learning. A lógica determinística de um software comum nem sempre se aplica a sistemas baseados em aprendizado de máquina, que são altamente dependentes dos dados, precisam ser monitorados de perto e ajustados com o tempo.
Por fim, ficou claro que nenhum projeto de IA de qualidade se sustenta sozinho. A colaboração entre as funções engenheiros de dados, cientistas de dados, desenvolvedores, especialistas de negócio é essencial para garantir robustez, confiança e valor real nos sistemas desenvolvidos.
Essa aula reforçou que a engenharia de software aplicada à IA não é um "extra", mas sim um requisito básico para que o projeto seja bem-sucedido no curto e no longo prazo.