Meu caminho para me tornar arquiteto de IA

Depois de muitos anos em software, passei de aplicativos desktop para web, mobile, nuvem e agora IA. O que mais me chama a atenção é que a IA não é apenas mais um conjunto de ferramentas para desenvolvedores: ela está mudando a forma como sistemas de software inteiros são projetados.

Eu costumava pensar em modelagem de banco de dados, fronteiras de API e implantação. Agora também existe o LLM (Large Language Model, modelo de linguagem grande, que entende e gera texto), o RAG (Retrieval-Augmented Generation, geração aumentada por recuperação, em que o modelo consulta dados antes de responder), o Agent (agente, um programa que chama ferramentas por conta própria para concluir uma tarefa), o Vector Database (banco de dados vetorial, que armazena vetores semânticos para busca por similaridade) e o MLOps (Machine Learning Operations, operações de aprendizado de máquina, que cobrem implantação, monitoramento e atualização de modelos) — além de custo de modelo, segurança e permissões de dados.

Então tracei uma nova direção para mim: me tornar um AI Solution Architect (arquiteto de soluções de IA). Seis certificações, cerca de 12–15 meses, começando de propósito pelo mais fácil e avançando para desenvolvimento de aplicações, engenharia de ML e arquitetura de nuvem.

1. AI-901: construir a base. Quando você já usa LLMs e APIs todos os dias, é fácil supor que entende tudo, mas já ter usado algo e entendê-lo de forma sistemática são coisas diferentes. A primeira certificação é fácil de propósito: ela reorganiza o conhecimento de IA que estava espalhado.

2. AIF-C01: ver a mesma coisa em uma segunda nuvem. A AWS usa nomes de produto e mecânicas diferentes para as mesmas ideias de fundo. Se você conhece apenas um fornecedor, sua primeira reação diante de um problema é “qual produto eu uso?”; um arquiteto deveria perguntar primeiro qual arquitetura o problema realmente exige.

3. Microsoft AI Apps & Agents Developer: começar a construir sistemas de verdade. Chamar uma API de LLM é fácil; colocar IA dentro de um sistema não é. Como ela chega aos dados da empresa, como chama as APIs existentes, o que um agente pode decidir sozinho, o que precisa de confirmação humana, como as permissões são tratadas e o que acontece quando a resposta está errada?

4. AWS Machine Learning Engineer: somar engenharia de ML e MLOps. As empresas ainda têm muitas necessidades de aprendizado de máquina clássico e, em produção, a questão raramente é só a acurácia do modelo — é implantação, pipelines de dados, atualização de versões, monitoramento e custo.

5. Google Professional ML Engineer: separar produtos de arquitetura. Depois de três nuvens, o objetivo não é conhecer três consoles, e sim perceber que três serviços com nomes diferentes resolvem a mesma classe de problema. Engenheiros perguntam como; arquitetos também perguntam por que, quais são as alternativas e quanto custam.

6. AWS Solutions Architect – Professional: voltar à arquitetura em si. A última não é de propósito um exame de IA, porque um arquiteto de IA é antes de tudo um arquiteto. Adotar IA não elimina preocupações com banco de dados, rede, segurança, IAM (Identity and Access Management, gestão de identidade e acesso), escalabilidade, recuperação de desastres ou custo — ela deixa tudo isso mais difícil.

Isso não fazia parte do plano. Enquanto estudava para o AIF-C01, passei por muito material e muitos bancos de questões, e sempre faltava algo. Eu não queria só resolver questões em série: quando errava uma, queria saber por quê, e algumas respostas certas eram só chute com sorte.

O outro problema era o tempo. As horas sentado à mesa são limitadas, mas caminhadas, deslocamentos e pequenas pausas somam bastante. Como escrevo software para viver, construí a versão que eu mesmo queria usar.

A primeira versão começa pelo AIF-C01, distribuído em 14 dias, para que você saiba o que estudar hoje em vez de abrir um banco com centenas de questões. O aprendizado por áudio já vem embutido, então você pode revisar caminhando ou no trajeto. Está disponível em inglês, 日本語, 한국어, chinês, espanhol e português (Brasil).

Eu faço provas porque elas definem um escopo de estudo e dão a cada etapa um alvo claro. Mas seis certificados não transformam ninguém em arquiteto de IA — se dentro de um ano eu tiver apenas seis selos no LinkedIn e nunca tiver construído um sistema de IA, o ano não terá feito o que eu queria.

Então criei mais uma regra: cada etapa precisa deixar algo que eu possa realmente mostrar. Um aplicativo, um agente, um sistema de RAG, um pipeline de ML ou um projeto de arquitetura completo. As certificações me dizem o que aprender; construir me diz se eu consigo.

Não quero me tornar alguém que só pesquisa modelos. O que me interessa é conectar a IA ao software existente, fazer agentes cooperarem com os sistemas atuais, lidar com dados, implantar e escalar, controlar custo, manter tudo seguro — e, por fim, montar algo que as pessoas realmente consigam usar e que uma empresa aceite rodar em produção.

Doze a quinze meses, seis certificações, construindo e aprendendo pelo caminho — e registrando tudo por escrito.