DEV Community: Alan de Oliveira Gonçalves

O que aprendi (sem esperar) ao criar um app de análise de sentimentos

Alan de Oliveira Gonçalves — Sun, 25 May 2025 12:31:22 +0000

Eu não planejei fazer um projeto de análise de sentimentos.

A ideia surgiu de forma despretensiosa, depois que um professor comentou sobre a Manus IA, uma ferramenta capaz de gerar código a partir de descrições em linguagem natural. Como já conhecia outras inteligências artificiais como ChatGPT, Claude IA e Gemini, resolvi fazer uma comparação entre elas.

Para isso, escolhi um projeto de exemplo em Python que vi em um site de sugestões: um app de análise de sentimentos. A proposta era simples — enviar o mesmo prompt para as quatro IAs e ver como cada uma se sairia.

O que era pra ser só um teste rápido acabou se tornando uma experiência completa que me ensinou muito mais do que eu imaginava — não exatamente sobre sentimentos ou modelos de linguagem, mas sobre documentação, boas práticas e uso responsável da inteligência artificial.

Montando o projeto com múltiplas IAs

Depois de receber os códigos das quatro IAs, comecei a analisar as diferenças. Nenhuma entrega foi perfeita: houve erros, estruturas diferentes, e abordagens distintas para a mesma tarefa.

Corrigi bugs, testei trechos e fui construindo uma versão funcional do projeto com base no que funcionava melhor de cada resultado.

A essa altura, o projeto já estava em um repositório no GitHub. E foi aí que comecei a pensar:

Como documentar esse processo da forma mais clara, ética e útil possível?

Explorando documentação como parte do projeto

Comecei organizando a documentação em arquivos separados:

Um README.md para apresentar o projeto.
Um CONTRIBUTING.md com diretrizes para colaboração.
Arquivos de configuração do projeto.
E arquivos extras em Markdown explicando as motivações e comparações entre as IAs.

Foi aí que descobri o MkDocs, uma ferramenta que transforma arquivos .md em um site de documentação navegável. Como eu já estava escrevendo tudo em Markdown, decidi experimentar — e o resultado me surpreendeu.

Com pouco esforço, consegui publicar toda a documentação como um site no GitHub Pages. Fiquei orgulhoso de como esse pequeno experimento ganhou uma estrutura profissional.

O que eu realmente aprendi

No final das contas, aprendi muito pouco sobre análise de sentimentos — e tudo bem.
O que mais levei comigo foi:

Como diferentes IAs respondem a um mesmo prompt técnico
A importância de documentar o uso de IA com clareza e responsabilidade
A prática de organizar arquivos de projeto e adotar padrões reais de documentação
A experiência de usar ferramentas como MkDocs e Streamlit em um contexto prático
A satisfação de publicar um projeto completo, com deploy e tudo

Esse projeto se transformou em um laboratório pessoal, onde explorei coisas que me interessam de verdade — mesmo que isso não tenha sido o plano inicial.

Reflexões finais

Antes, eu me cobrava muito para seguir cronogramas, cumprir metas perfeitas e fazer projetos "do jeito certo". Mas percebi que minha melhor forma de aprender é quando sigo minha curiosidade.

Foi assim que esse projeto nasceu: de um simples teste com IAs, sem pressão, sem planejamento rígido — mas com liberdade para explorar, errar e documentar.

Se você também sente que seus projetos “não têm valor suficiente”, talvez esteja olhando para eles com a régua errada. Às vezes o aprendizado está mais no processo do que no resultado técnico.

E compartilhar esse caminho pode ajudar mais gente do que você imagina.

📎 Veja o projeto completo aqui:

🔗 github.com/Alan-oliveir/Sentiment_Radar_APP

🗣️ Curtiu essa experiência? Me conta o que achou ou compartilha o seu jeito de aprender por conta própria!

How an AI Experiment Became My Most Complete Project (Even Without Learning Much About Sentiment Analysis)

Alan de Oliveira Gonçalves — Thu, 22 May 2025 00:22:49 +0000

I didn't plan to build a sentiment analysis project.

The idea came up casually after a professor mentioned Manus AI, a tool capable of generating code from natural language descriptions. Since I was already familiar with other artificial intelligences like ChatGPT, Claude AI, and Gemini, I decided to run a comparison between them.

For this, I chose an example Python project I found on a suggestions website: a sentiment analysis app. The idea was simple — send the same prompt to all four AIs and see how each one would perform.

What was supposed to be just a quick test ended up becoming a complete experience that taught me much more than I imagined — not exactly about sentiment analysis or language models, but about documentation, best practices, and responsible use of artificial intelligence.

Building the Project with Multiple AIs

After receiving code from all four AIs, I started analyzing the differences. None of the deliveries were perfect: there were bugs, different structures, and distinct approaches to the same task.

I fixed bugs, tested snippets, and gradually built a functional version of the project based on what worked best from each result.

At this point, the project was already in a GitHub repository. And that's when I started thinking:

How can I document this process in the clearest, most ethical, and useful way possible?

Exploring Documentation as Part of the Project

I started organizing the documentation in separate files:

A README.md to present the project
A CONTRIBUTING.md with collaboration guidelines
Project configuration files
Extra Markdown files explaining the motivations and comparisons between AIs

That's when I discovered MkDocs, a tool that transforms .md files into a navigable documentation website. Since I was already writing everything in Markdown, I decided to experiment — and the result surprised me.

With little effort, I managed to publish all the documentation as a website on GitHub Pages. I was proud of how this small experiment gained a professional structure.

What I Actually Learned

In the end, I learned very little about sentiment analysis — and that's okay.

What I took away the most was:

How different AIs respond to the same technical prompt
The importance of documenting AI usage with clarity and responsibility
The practice of organizing project files and adopting real documentation standards
The experience of using tools like MkDocs and Streamlit in a practical context
The satisfaction of publishing a complete project, with deployment and everything

This project became a personal laboratory, where I explored things that truly interest me — even though that wasn't the initial plan.

Final Reflections

Before, I used to pressure myself a lot to follow schedules, meet perfect goals, and do projects "the right way." But I realized that my best way of learning is when I follow my curiosity.

That's how this project was born: from a simple test with AIs, without pressure, without rigid planning — but with freedom to explore, make mistakes, and document.

If you also feel that your projects "don't have enough value," maybe you're looking at them with the wrong ruler. Sometimes learning is more in the process than in the technical result.

And sharing this journey can help more people than you imagine.

🔗 Check out the complete project: github.com/Alan-oliveir/Sentiment_Radar_APP

💬 Did you enjoy this experience? Tell me what you think or share your own way of learning independently in the comments!