Fala, pessoal! Fazedordecodigo por aqui.
Na nossa ltima aula, ns tocamos em um ponto que o sonho de consumo de qualquer profissional: parar de gastar horas copiando e colando dados de planilha para transformar dias de trabalho braal em minutos de processamento com Inteligncia Artificial.
Se voc daqueles que gasta sua sexta-feira gerando relatrios no Word e mandando e-mail, pare tudo. Vou resumir aqui o mtodo que ensinei para transformar um analista cansado em um "Engenheiro de Prompt" de elite.
O Problema: A "Sofrncia" Manual
Comecei a aula trazendo um cenrio bem real. Imaginem a rotina clssica de uma rea de qualidade ou manuteno:
Baixar dados de 10 mquinas na unha.
Validar linha por linha no Excel.
Calcular o OEE (Eficincia Global do Equipamento).
Identificar onde estamos perdendo dinheiro.
Escrever um relatrio no Word.
Disparar e-mail para a gesto.
Tempo gasto: Cerca de 3 dias de trabalho "picado" ou aquelas 3 horas ininterruptas de foco total que a gente nunca tem.
Minha proposta na aula: Fazer tudo isso em 15 minutos.
Como? No mgica, mtodo. E apresentei a vocs o meu framework favorito: o CICLO.
A Estrutura Mestra: O Framework CICLO
Para garantir que a IA no v "alucinar" e entregue exatamente o que precisamos, ensinei o acrnimo CICLO. Vamos relembrar cada etapa:
1. C - Contexto (O Contrato)
Aqui definimos o "palco".
Exemplo:"Voc um Analista de Manuteno da indstria qumica. Sua meta analisar a eficincia dos equipamentos crticos..."
Se a gente no d o contexto, a IA fica igual quele estagirio genial que acabou de chegar no prdio e no sabe nem onde fica o banheiro. Potencial alto, direo zero.
2. I - Input (A Entrada de Dados)
Aqui entra a regra que bati na tecla com vocs: Garbage In, Garbage Out (Lixo entra, Lixo sai).
Se a planilha vier com clulas vazias ou erros de digitao (como um caractere estranho no meio do nome de uma cidade, como vimos acontecer), o resultado ser ruim.
- Ao: Instru vocs a limparem os dados antes ou pedirem para a IA validar a integridade logo de cara.
3. C - Cascade (Processamento em Etapas)
Essa a grande sacada que mostrei. No peam para a IA "fazer tudo de uma vez". Dividam o problema em etapas lgicas, onde o resultado da Etapa 1 alimenta a Etapa 2.
Etapa 1: Ingesto e validao.
Etapa 2: Clculo de mtricas.
Etapa 3: Anlise de causa raiz.
Etapa 4: Recomendaes.
Isso cria um fluxo de pensamento que reduz erros drasticamente.
4. L - Output (A Sada)
Como queremos receber isso? Poema? Cdigo? Tabela?
No nosso exerccio, pedi um Relatrio Executivo em Markdown.
Para quem no lembra: Markdown aquela formatao simples de texto (usar
**para negrito,#para ttulos). A IA adora porque leve e estruturado.
5. O - Optimize (Otimizao Oculta)
A camada final onde a IA revisa o prprio trabalho, verificando consistncia dos clculos e se o tom de voz est adequado (profissional, direto, sem enrolao).
O Desafio Tcnico: A Porta do Quarto (Janela de Contexto)
Durante a aula, surgiu uma dvida excelente sobre manter o histrico da conversa ou abrir um chat novo. Usei uma analogia que gosto muito:
"Imaginem a porta do quarto de vocs. Ela tem uns 70cm de largura. Se voc tenta passar um sof de 2 metros (muita informao/histrico longo), ele no passa."
Isso a Janela de Contexto.
O Problema: Conforme conversamos com a IA, a memria dela enche. Chega uma hora que, para caber coisa nova, ela comea a "esquecer" ou resumir o comeo da conversa.
Minha Recomendao: Tarefa nova? Chat Novo. Copiem o prompt mestre, colem em um chat limpo e subam os dados novos. Isso garante que a IA est com a "mente fresca".
Dica de Ouro: Chats Temporrios
Tambm discutimos sobre evitar "sujeira" no cache (o famoso bug onde a IA para de responder). A dica que surgiu foi usar Chats Temporrios ou abas annimas para tarefas pesadas e repetitivas, evitando que o sistema tente carregar histricos gigantes desnecessrios.
Por que a IA respondeu diferente para cada um?
Vimos um caso curioso onde duas pessoas rodaram o mesmo prompt , mas tiveram resultados diferentes (uma IA foi prestativa, a outra mandou um "se vira" mais rgido com erros). Por que isso acontece?
Probabilidade: Os modelos de linguagem ( LLMs ) no so calculadoras exatas. Eles trabalham com probabilidade, "chutando" a prxima palavra. s vezes, o caminho muda levemente.
Temperatura: Configuraes internas de criatividade do modelo.
Verso: Diferenas de licena ou verso (GPT-4 vs GPT-3.5) impactam drasticamente a capacidade de raciocnio.
Resumo da pera
Conceito
|
O que eu quero que vocs levem
|
|
Framework CICLO
|
o roteiro para o prompt perfeito. Usem sempre.
|
|
Garbage In/Out
|
Dados ruins geram respostas ruins. Validem antes.
|
|
Janela de Contexto
|
Tarefa recorrente exige Chat Novo. No acumulem lixo.
|
|
Markdown
|
Peam o output assim para terem relatrios bonitos e rpidos.
|
Concluso
Pessoal, provei na aula que automao no sobre saber programar, sobre saber pedir e estruturar o raciocnio. Sair de 3 dias de trabalho para 15 minutos inteligncia operacional.
Como eu disse no final: isso viciante. Depois que voc comea a automatizar, no consegue mais ver uma tarefa manual sem sentir aquela agonia para criar um prompt e resolver logo.
Levem esse conhecimento para o dia a dia e pratiquem. Semana que vem a gente aprofunda em anlise de dados!
Fiquem com Deus e bom trabalho!
]]>
Top comments (0)