Perguntas de entrevista para engenheiro de IA/ML

Qual é a diferença entre aprendizado supervisionado e não supervisionado?

O aprendizado supervisionado treina com exemplos rotulados — existem entradas e as saídas corretas, e o modelo aprende a mapear uma na outra, como em classificação ou regressão. O aprendizado não supervisionado não tem rótulos; ele busca estrutura por conta própria, como em clustering ou redução de dimensionalidade. O aprendizado por reforço é uma terceira categoria em que um agente aprende a partir de sinais de recompensa gerados pelas próprias ações, em vez de um dataset fixo.

O que é overfitting, e como evitá-lo?

Overfitting é quando um modelo decora os dados de treino — incluindo o ruído — em vez de aprender o padrão subjacente, então ele vai bem no treino e mal em dados novos. Combate-se isso com regularização (L1/L2), dropout em redes neurais, mais dados de treino, early stopping, ou simplesmente um modelo menor. Underfitting é a falha oposta: o modelo é simples demais para capturar o padrão, e tanto o treino quanto a validação saem ruins.

Por que dividir os dados em train, validation e test?

O conjunto de treino é de onde o modelo aprende. O conjunto de validação é usado durante o desenvolvimento para ajustar hiperparâmetros e escolher entre modelos sem tocar no holdout real. O conjunto de teste é tocado exatamente uma vez, no final, para reportar um número confiável — se você ajusta o modelo com base nele, esse número deixa de significar qualquer coisa, um erro que ainda se vê em pipelines reais.

Quando accuracy é a métrica errada, e o que usar no lugar?

Accuracy engana em dados desbalanceados — um modelo que sempre prevê "não é fraude" tem 99% de accuracy num dataset em que 99% das transações são legítimas, e é inútil. Precision indica quantos dos positivos previstos eram realmente positivos; recall indica quantos dos positivos reais foram capturados; F1 é a média harmônica das duas quando você precisa de um único número. ROC-AUC é útil para comparar modelos em todos os thresholds ao mesmo tempo, mas curvas precision-recall são mais honestas em classes muito desbalanceadas.

O que é backpropagation?

É o algoritmo que calcula o quanto cada peso de uma rede neural contribuiu para o erro, usando a regra da cadeia para propagar o gradiente da loss de volta da camada de saída até a de entrada. Cada peso é então ajustado na direção que reduz a loss, escalado pela learning rate. Não é mágica — é cálculo aplicado de forma eficiente, reaproveitando cálculos intermediários camada por camada em vez de recalculá-los do zero.

O que é o mecanismo de attention num transformer?

Attention permite que cada token de uma sequência observe todos os outros tokens e decida o quanto ponderá-los ao construir sua própria representação, em vez de processar a sequência estritamente em ordem como faz um RNN. Self-attention calcula vetores query, key e value para cada token, e o produto escalar de query e key dá o peso de atenção. Isso é o que permite aos transformers modelar dependências de longo alcance em paralelo, e é o principal motivo pelo qual eles substituíram os RNNs na maioria das tarefas de NLP.

Quando você faz fine-tuning num modelo em vez de apenas usar prompts?

Prompting — incluindo exemplos few-shot no contexto — itera mais rápido, não precisa de infraestrutura de treinamento, e funciona bem quando a tarefa está próxima do que o modelo base já faz. Fine-tuning vale o custo quando você precisa de um formato de saída específico de forma confiável, quando o vocabulário do domínio está longe dos dados gerais de treinamento, ou quando precisa fixar um comportamento que um prompt não consegue garantir de forma confiável. Na prática, a maioria dos times testa prompting e RAG primeiro e só faz fine-tuning quando isso esbarra num teto real.

O que é RAG (retrieval-augmented generation), e para que serve?

RAG busca documentos relevantes num banco de dados vetorial — geralmente por similaridade de embeddings — e os coloca no prompt para que o modelo responda usando esse contexto fundamentado em vez de apenas seus dados de treinamento. É a solução padrão contra alucinações em conhecimento específico de domínio ou que muda rápido, porque atualizar o índice é bem mais barato que retreinar o modelo. O trade-off é que a qualidade da resposta agora depende fortemente da qualidade do retrieval: uma estratégia de chunking ruim ou um índice de embeddings desatualizado produz respostas ruins silenciosamente.

Como você monitora um modelo em produção, e o que é data drift?

Acompanham-se as distribuições de previsões, as distribuições das features de entrada e os resultados reais eventuais quando ficam disponíveis, comparando-os com o que o modelo viu durante o treinamento. Data drift é quando a distribuição das entradas muda com o tempo — o comportamento dos usuários muda, um novo mercado abre, um sensor é recalibrado — então um modelo que era preciso no momento do treino lentamente deixa de ser preciso por razões que não têm nada a ver com o modelo em si. Detectar isso exige monitorar as entradas, não apenas esperar as métricas de accuracy degradarem visivelmente, porque nessa hora o dano real já aconteceu.