Ask HN: Práticas diárias para desenvolver habilidades em AI/ML?
Praticantes aspirantes de AI e machine learning estão avaliando a melhor forma de desenvolver habilidades com tempo limitado, desde rotinas de uma hora por dia até opções mais imersivas, como pós-graduação ou mudar de emprego. Muitos defendem uma abordagem orientada a projetos, de cima para baixo, usando ferramentas modernas (fast.ai, PyTorch, Hugging Face, APIs de LLM) enquanto vão preenchendo gradualmente os fundamentos de matemática e estatística, em vez de começar puramente pela teoria. Outros destacam que compreensão profunda, implementação de artigos e conhecimento de métodos mais amplos de ML continuam cruciais — especialmente para funções de pesquisa — enquanto engenheiros experientes apontam oportunidades crescentes em MLOps e em simplesmente se tornar altamente eficiente no uso de grandes modelos existentes.
Abordagens gerais para aprender AI/ML
- Muitos recomendam “aprender fazendo”: escolha um projeto de paixão (por exemplo, compreensão de documentos, áudio, análise esportiva) e itere sobre ele.
- A imersão é enfatizada: idealmente, faça de AI/ML parte do seu trabalho ou estudos em tempo integral; caso contrário, mantenha projetos paralelos consistentes.
- Alguns sugerem que blocos focados de 4 horas no fim de semana podem ser mais produtivos do que 1 hora por dia.
Projetos pessoais vs educação formal
- Graduações formais são vistas como algo que você poderia replicar com autoestudo, mas a escola oferece estrutura, prazos e legitimidade social.
- O diploma é considerado praticamente útil para conseguir entrevistas, mesmo que o conteúdo possa ser aprendido de forma independente.
- Outros argumentam que você pode estudar por conta própria usando livros didáticos, cursos online e implementações de artigos, se tiver disciplina suficiente.
Fundamentos vs “apenas use as bibliotecas”
- Uma corrente: comece com estatística, ML clássico (regressão, naive Bayes, SVM, boosting) e matemática; entenda os modelos desde a base.
- A visão oposta: abordagem de baixo para cima é lenta demais para um campo que muda rápido; é melhor começar com ferramentas de alto nível e aprender os fundamentos conforme necessário.
- Vários observam que os fundamentos (especialmente estatística) são valiosos de forma ampla, não apenas para ML.
Implementando modelos e artigos
- Há forte apoio para implementar modelos simples e artigos de pesquisa para ganhar compreensão profunda.
- Há desacordo sobre codar manualmente redes neurais/backprop:
- Alguns dizem que isso é como escrever seu próprio HashMap e não vale a pena além de uma intuição básica.
- Outros insistem que fazer uma implementação simples ao menos uma vez é crítico para entender gradientes e arquiteturas.
- Papers With Code e listas curadas de “awesome papers” são recomendados como pontos de partida.
Ferramentas, frameworks e hardware
- PyTorch (com novos recursos de compilação) e JAX são preferidos; TensorFlow é descrito como legado/dívida técnica, exceto em nichos.
- Ferramentas gratuitas de nuvem (por exemplo, notebooks hospedados) podem compensar hardware local fraco.
- ML baseado em JS é possível, mas a maioria dos exemplos e ferramentas é centrada em Python.
LLMs e habilidades focadas em aplicações
- Há uma distinção entre treinar LLMs e usá-los em produtos; muitos aconselham focar no uso (APIs, RAG, embeddings, ferramentas).
- Prompt engineering e uso prático extensivo de múltiplos LLMs são vistos como habilidades importantes por si só.
- Alguns alertam que a lacuna entre desenvolvedores de modelos e usuários está aumentando, como design de chips vs software em geral.
Carreiras, MLOps e habilidades do ecossistema
- Há grande demanda por engenheiros capazes de colocar ML em produção: pipelines de dados, testes, implantação, monitoramento e escala.
- Kaggle, blogs e contribuições para open source são sugeridos para construir um portfólio.
- Vários enfatizam que ML na prática é em grande parte sobre qualidade dos dados, infraestrutura e baselines simples, não apenas modelos sofisticados.