Requisitos Técnicos mdash; Inteligência Artificial



Trainee Ninja | Engenharia de Computação


Capital Empreendedorreg; | Universidade Estadual de Campinas (UNICAMP)


Base matemática e computacional (obrigatório)


O candidato precisa dominar:


Álgebra linear aplicada (vetores, matrizes, decomposição, projeções)
Probabilidade e estatística:

Distribuições
Inferência
Correlação vs causalidade
Viés e variância



Otimização:

Gradiente
Funções de custo
Regularização



Complexidade computacional e trade-offs de performance



?? Sem base matemática, não entra.




Machine Learning clássico (fundamental)


Esperamos domínio prático de:


Modelos supervisionados:

Regressão linear e logística
Árvores, Random Forest, Gradient Boosting



Modelos não supervisionados:

Clustering
Redução de dimensionalidade



Avaliação de modelos:

Precision, Recall, F1, AUC
Overfitting vs underfitting



Feature engineering:

Normalização
Encoding
Seleção de variáveis






?? Saber quando NÃO usar deep learning é um diferencial.




IA aplicada (produção gt; paper)


O trainee deve entender que IA aqui é parte de um sistema, não um notebook isolado:


Modelos integrados a pipelines de dados
Inferência em tempo quase real
Versionamento de modelos
Reprodutibilidade
Monitoramento de performance e drift
Explainability básica (por que o modelo decidiu X?)



?? Modelo que não explica decisão não entra em crédito.




LLMs / SLMs (sem hype)


Conhecimento sólido em:


Arquitetura Transformer (conceito, não buzzword)
Diferença entre:

LLMs grandes
SLMs especializados (Small Language Models)



Prompt engineering estruturado
Classificação, extração e validação de texto
Uso de modelos como componentes de sistemas, não chatbots



?? Aqui SLM gt; LLM. Eficiência importa.




Dados + IA (indissociável)


O candidato deve saber que IA sem dados bons é lixo:


Construção de pipelines de dados
Data quality e validação
Tratamento de dados faltantes e inconsistentes
Rastreabilidade (data lineage)
Impacto de dados ruins em modelos



?? Esperamos visão de engenheiro de dados + ML.




Engenharia de IA (diferencial forte)


Altamente valorizado:


Deploy de modelos (API, batch, streaming)
Latência e custo de inferência
Testes automatizados para modelos
Fallbacks quando modelo falha
Observabilidade aplicada a IA



?? Aqui, modelo é código crítico.




Mentalidade esperada


Esse trainee precisa:


Pensar em sistemas, não só em modelos
Questionar dados antes de treinar
Preferir soluções simples e robustas
Entender impacto econômico das decisões do modelo
Ter responsabilidade técnica



?? Erro aqui custa dinheiro real.




Resumo brutal


Procuramos alguém que:


Entenda IA de verdade
Saiba matemática, dados e sistemas
Não dependa de framework como muleta
Saiba explicar o que o modelo faz
Aguente pressão técnica e responsabilidade