S3: pesquisa, dados e o que 2018–2019 construíram sem que eu percebesse
Fechando a terceira temporada: o que o período de pesquisa e dados construiu que eu só entendi olhando para trás. Fundação para S4, onde trabalho e universidade acontecem ao mesmo tempo.
Quando olho para 2018–2019 agora, vejo um período de construção de base que eu não percebia enquanto acontecia.
No momento, a sensação era diferente. Era de adaptação constante — aprender Python sério, aprender a trabalhar com dado real, aprender a ler literature técnica, começar a trabalhar ao mesmo tempo que estudava. A sensação de progresso era irregular. Mais difusa do que em 2017, quando o gap teoria/prática era mais visível.
Esse episódio é sobre o que esse período construiu, com a perspectiva de quem já sabe o que veio depois.
O que pesquisa em contexto universitário adicionou:
Rigor de documentação. Em projeto de pesquisa, o processo importa tanto quanto o resultado. Você documenta hipóteses, experimentos, o que não funcionou. Esse hábito — de registrar o raciocínio, não só o resultado — ficou. Quando tomei decisões de arquitetura em projetos posteriores, documentar o por que ficou natural.
Tolerância com incerteza de longo prazo. Pesquisa não tem SLA. Você trabalha em algo por meses sem saber se vai funcionar. Aprendi a operar com horizonte incerto — algo que trabalho de suporte, com feedback imediato, não havia treinado.
Vocabulário de dado. O modelo mental de dado como objeto com proveniência, licença, limitações documentadas — não só como "arquivo que você processa" — mudou como penso sobre dado em qualquer contexto. Dado de produto tem as mesmas questões de qualidade que dado de pesquisa. A maioria das empresas simplesmente não pergunta.
O que dados adicionaram à trajetória:
Antes de 2018, eu era engenheiro de infraestrutura em transição para software. Depois de 2018–2019, tinha camada de dado no meu modelo mental de sistemas.
Isso não me tornou data scientist — nunca foi o objetivo. Mas me deu o contexto para trabalhar com times de dados, para entender o que pipelines de ML precisam de infraestrutura, para fazer perguntas certas quando alguém propõe "usar dados para resolver isso."
A camada de dado faz perguntas que pura engenharia de software não pergunta: qual é a distribuição do dado? Onde estão os outliers? Quando o dado foi gerado e o que mudou desde então? Essas perguntas são valiosas além do contexto de análise.
O que não funcionou:
Tentativa de fazer pesquisa, trabalho e faculdade simultaneamente no ritmo que eu queria — não funcionou. Algo tinha que ceder. O que cedeu foi a exploração autônoma que havia caracterizado 2018.
2019 foi o ano de tensão maior. Trabalho e faculdade ao mesmo tempo criou estresse acumulado. Não burnout — mas acumulação de cansaço que eu percebi só quando o semestre terminou e a pressão baixou.
Esse padrão — não perceber o nível de estresse enquanto ele está acontecendo, só depois — é importante de conhecer. Volta em outros pontos da trajetória.
O que vem em S4:
2019–2020 é onde o trabalho começa a pesar mais. Não mais suporte ou pesquisa — desenvolvimento de software de fato, entregando para clientes reais, com prazo e expectativa.
O que S3 construiu — base de dado, hábito de documentar, tolerância com incerteza — vai aparecer em S4 de formas que não são óbvias no momento. Fundação que você só reconhece quando começa a construir em cima.
Até S4 — onde começa de verdade.