Como comecei a estudar ML em 2018 sem saber para que — e o que isso produziu
Em 2018 comecei a estudar machine learning sem projeto concreto, sem vaga esperando, sem aplicação óbvia. O que esse aprendizado sem destino construiu ao longo dos anos.
Em 2018, não havia motivo óbvio para eu estudar machine learning.
Não estava em projeto de ML. Não tinha vaga esperando. O curso não exigia. A maioria dos meus colegas estava focada em software web — o que fazia sentido porque era o que o mercado de estágio demandava.
Comecei a estudar ML porque era curioso. Só isso.
O que me atraiu não foi o hype. Foi a ideia de que você poderia ensinar o computador a reconhecer padrão que você não sabia articular.
Sistemas especialistas eram baseados em regras: "se A e B, então C". Alguém codificava o conhecimento explicitamente. Machine learning invertia a relação: você fornecia exemplos, o algoritmo encontrava as regras.
Isso parecia diferente de tudo que eu tinha visto antes em computação.
Comecei com o curso do Andrew Ng. Álgebra linear de volta, derivada parcial de volta. A matemática que parecia abstrata na faculdade tinha aplicação concreta: é assim que gradiente descendente move os parâmetros do modelo em direção ao mínimo da função de perda.
Depois: scikit-learn, competições básicas no Kaggle. Aprendi separar dado em treino e teste, entender por que nunca treina no teste, o que é overfitting, por que cross-validation existe.
Aprendi o suficiente para entender o que estava acontecendo — não o suficiente para operar ML em produção. A linha é importante de ser honesta.
O que esse aprendizado produziu, anos depois:
Contexto para trabalhar com times de dados. Quando planejei infraestrutura para pipeline de ML em projeto posterior, entendia o que estava construindo — não só "dados entram, modelo sai" mas as etapas, as dependências, os requisitos diferentes de latência em inferência versus treinamento.
Vocabulário para desconfiar de hype. Quando alguém propõe "usar ML para resolver isso", consigo fazer perguntas certas: qual é o dado de treino? como mede que o modelo está correto? quem monitora quando o modelo degrada? Vocabulário me deu filtro.
Fundação para aprendizado futuro. Quando transformers e LLMs explodiram, eu tinha base. ML clássico não é o mesmo que deep learning — mas conceitos fundamentais (treinamento, overfitting, viés/variância, avaliação) são os mesmos. A base acelerou a compreensão do novo quando o novo chegou.
O que aprender sem plano imediato de uso produz é diferente de aprender com aplicação concreta.
Com aplicação: você aprende rápido, focado, com feedback imediato. Conhecimento preciso e útil agora.
Sem aplicação: aprende mais devagar, com menos foco. Mas constrói estrutura mais ampla — contexto sem uso imediato que abre espaço de possibilidades que você não conseguia enxergar de onde estava.
Os dois tipos têm valor. O erro é achar que só o primeiro conta.
Estudei ML em 2018 sem plano. Em 2023, quando o mundo exigia que engenheiros entendessem LLMs rapidamente, eu tinha base. Não previ isso. Mas foi consequência direta da curiosidade de 2018.
Aprendizado de plataforma ampla viabiliza adaptações que aprendizado cirúrgico não consegue.
Essa semana: qual é a área que você evitou estudar porque não tem aplicação imediata óbvia — e que pode ser exatamente o que você vai precisar em 3 anos?