A Inteligência Artificial (IA) já não é apenas um termo da moda no setor financeiro; tornou-se uma força motriz fundamental por trás da inovação, eficiência operacional e da melhoria da experiência do cliente. A fusão entre Finanças e Tecnologia (Fintech) está sendo acelerada pela IA, transformando tudo, desde a deteção de fraudes até ao aconselhamento financeiro personalizado e à automação da conformidade regulatória. O ritmo de mudança é sem precedentes, com a IA passando rapidamente de conceito a realidade implementada.

Mas como é realmente um dia de trabalho na vida de quem está na linha da frente desta revolução? Para ilustrar de forma bem clara, vamos acompanhar “Mônica”, uma Engenheira de Inteligência Artificial na “FinTech Innovations”, uma empresa dinâmica (poderia ser uma startup ou uma equipe de IA dedicada em uma instituição maior) focada em alavancar a IA para resolver problemas complexos do mundo real. O papel de Mônica, como muitos Engenheiros de IA, é essencial: transformar protótipos de Ciência de Dados em soluções de IA robustas e prontas para produção, preenchendo a lacuna entre a teoria e a aplicação prática.

Este post irá mergulhar em um dia típico de Mônica, revelando a mistura de desafios técnicos, desde codificação e manipulação de dados até à construção de modelos avançados, incluindo IA Generativa e Geração Aumentada por Recuperação (RAG), esforços colaborativos e a aprendizagem contínua que define esta função. Veremos como o dia de um Engenheiro de IA envolve muito mais do que apenas escrever código; trata-se de resolver problemas de negócio tangíveis através da aplicação inteligente da IA. A responsabilidade central é projetar, desenvolver, programar e treinar as complexas redes de algoritmos que constituem a IA, exigindo uma combinação de conhecimentos em desenvolvimento de software, programação, ciência de dados e engenharia de dados.

Um Engenheiro de IA muitas vezes é um Cientista de Dados com experiência e conhecimento aprofundado em Redes Neurais e algoritmos de IA.

A Rotina Matinal (9:00 – 12:00): Sincronização, Código, Dados

9:00 – 9:30: O Daily Stand-up

O dia de Mônica começa com a reunião diária da sua equipe multifuncional. Estão presentes outros Engenheiros de IA, Cientistas de Dados, Engenheiros de Software, um Engenheiro de Dados, um Gestor de Produto e um Engenheiro de Machine Learning (MLOps). Estas reuniões, comuns em metodologias ágeis, são breves e focadas: cada membro partilha o progresso do dia anterior, os planos para hoje e quaisquer obstáculos que esteja enfrentando.

Mônica atualiza a equipe sobre a otimização do componente de recuperação do novo sistema interno de conhecimento baseado em RAG. Este sistema foi projetado para responder a perguntas sobre conformidade usando documentos de políticas internas. Ela menciona também um pequeno problema de qualidade de dados encontrado durante o re-treino do modelo de avaliação de risco de crédito. A colaboração e comunicação eficazes com estas equipes diversas são vitais.

Estas sessões transcendem meras atualizações de estado. Em um campo complexo como a IA, onde projetos envolvem múltiplas disciplinas, estas reuniões são fundamentais para o cruzamento de ideias e a resolução rápida de problemas. Quando Mônica menciona o problema da qualidade dos dados, um Engenheiro de Dados na reunião pode ter informações imediatas ou oferecer ajuda, quebrando silos e acelerando o progresso em um processo de desenvolvimento de IA que é inerentemente iterativo.

9:30 – 11:00: Trabalho Focado – Codificação e Desenvolvimento

Após a daily, Mônica mergulha numa sessão de codificação focada, aproveitando o que muitos consideram o período de “trabalho profundo” mais produtivo do dia. Hoje, o foco está em melhorar o sistema RAG. Mônica escreve código Python, utilizando frameworks como LangChain e LangGraph para refinar a forma como o sistema recupera blocos de documentos relevantes (chunks) de uma base de dados vetorial antes de os fornecer ao modelo de linguagem (LLM) para gerar respostas sobre conformidade. Isto pode envolver ajustar a estratégia de divisão de texto (chunking) ou implementar um mecanismo de reclassificação (re-ranking) para melhorar a relevância dos resultados.

Em outros dias, este tempo poderia ser dedicado a ajustar um modelo TensorFlow ou PyTorch para deteção de fraude ou a desenvolver APIs para integrar um modelo de IA em uma aplicação maior da Fintech Innovations. Independentemente da tarefa específica, as competências fundamentais de programação em linguagens como Python, Java, Rust ou C++ e a familiaridade com frameworks de IA/ML são essenciais. Igualmente importantes são as boas práticas de engenharia de software, como o uso de sistemas de controle de versão (Git) para construir sistemas de IA robustos, escaláveis e de fácil manutenção.

A engenharia de IA em Fintech não se limita a algoritmos sofisticados. Exige uma base sólida em princípios de engenharia de software para transformar modelos experimentais em sistemas de produção confiáveis. As soluções de IA no setor financeiro devem ser robustas, seguras e escaláveis. Competências em escrita de código limpo, controle de versões, design de sistemas e, potencialmente, práticas de MLOps são, portanto, essenciais para fazer a ponte entre modelos de ML e produtos de software confiáveis que agregam valor real ao negócio.

11:00 – 12:00: Manipulação e Preparação de Dados

Mônica muda o foco para os dados, o elemento vital de qualquer sistema de IA. A tarefa agora é pré-processar novos documentos de conformidade (muitas vezes em formato PDF) que precisam ser adicionados à base de conhecimento do sistema RAG. Isto envolve extrair o texto, limpá-lo de caracteres indesejados ou formatação inconsistente, dividi-lo em blocos significativos (chunking) e, potencialmente, gerar representações vetoriais (embeddings) que capturam o significado semântico do texto. Para grandes volumes de dados, ferramentas como Apache Spark podem ser usadas, mas muitas vezes scripts Python personalizados são suficientes.

Se estivesse trabalhando no modelo de risco de crédito, este período poderia envolver a limpeza de dados de transações, o tratamento de valores ausentes, a engenharia de novas características (feature engineering) ou a análise da distribuição dos dados para garantir que são adequados para o treino do modelo. Uma parte significativa do tempo de um Engenheiro de IA é dedicada a estas tarefas de preparação e pré-processamento de dados. São necessárias competências em modelação de dados, processos ETL/ELT , bases de dados SQL e NoSQL e a capacidade de lidar com diversos tipos de dados, incluindo texto não estruturado.

Apesar do fascínio pelos modelos de IA avançados, uma parte considerável e muitas vezes menos glamorosa do trabalho de um Engenheiro de IA é garantir a qualidade e adequação dos dados. O princípio “entra lixo, sai lixo” é especialmente verdadeiro em IA. A responsabilidade pela construção de pipelines de dados e pela garantia da confiabilidade dos dados recai sobre o Engenheiro de IA. Mesmo técnicas avançadas como o RAG dependem criticamente da qualidade e estrutura da base de conhecimento. Portanto, a manipulação de dados não é apenas um passo preliminar, mas uma responsabilidade contínua e crítica que impacta diretamente o desempenho e a confiabilidade do modelo.

Estratégia e Sincronização a Meio do Dia (12:00 – 14:00): Aprendizagem, Colaboração, Planejamento

12:00 – 13:00: Almoço e Aprendizagem / Pesquisa

Mônica faz uma pausa para almoçar. Por vezes, aproveita este momento para uma sessão informal de “Almoço e Aprendizagem” com colegas, onde discutem novas tendências em IA, ferramentas ou partilham desafios de projetos. Hoje, Mônica dedica cerca de 30 minutos a ler um novo artigo do arXiv sobre a otimização da recuperação em sistemas RAG para conhecimento específico de domínio, altamente relevante para o projeto de conformidade no qual está trabalhando. Mônica compreende que o aprendizado contínuo faz parte do seu trabalho.

O campo da IA evolui a uma velocidade vertiginosa. Novos modelos, frameworks, técnicas (como o RAG) e ferramentas surgem constantemente. Manter-se atualizado não é opcional, é uma parte integrante do trabalho. A leitura de artigos, blogs e documentação é essencial para construir soluções de ponta e aplicar os mais recentes avanços aos problemas de negócio, como Mônica está fazendo ao aplicar ideias do artigo sobre RAG ao seu projeto.

13:00 – 14:00: Colaboração – Sincronização de Produto e Design

Após o almoço, Mônica reúne-se com o Gestor de Produto e, por vezes, com um designer de UX. A pauta de hoje é discutir a interface do usuário e o feedback de uma nova funcionalidade de IA Generativa: resumos financeiros personalizados para clientes. Analisam os resultados dos testes com utilizadores, discutem ajustes necessários aos prompts que guiam o modelo e planejam o próximo sprint de desenvolvimento.

A colaboração com gestores de produto, stakeholders de negócio e designers é fundamental. O Engenheiro de IA deve ser capaz de traduzir requisitos de negócio complexos em soluções técnicas viáveis e comunicar eficazmente com equipes não técnicas. Esta reunião exemplifica a necessidade de fazer a ponte entre a tecnologia complexa e o valor tangível para o usuário final. Discutir o feedback dos utilizadores sobre uma funcionalidade do modelo demonstra a importância de transformar as possibilidades técnicas em produtos fáceis de usar e iterar com base na utilização real. É essencial conseguir explicar conceitos técnicos de forma clara e compreender as perspetivas do negócio e do usuário.

Foco da Tarde (14:00 – 17:00): Modelos, Experiências, Depuração

14:00 – 15:30: Operacionalização do Modelo, Avaliação e Monitoramento

Mônica verifica o progresso de um job de treino de modelo que está sendo executado em uma plataforma de nuvem como AWS SageMaker, Azure ML ou Google AI Platform. Em seguida, concentra-se na avaliação do desempenho do sistema RAG. Isto envolve executar consultas de teste, analisar a relevância e precisão dos documentos recuperados e medir a consistência factual das respostas geradas. Para isso, pode usar métricas específicas como RAGAS ou scripts de avaliação personalizados.

Alternativamente, este tempo poderia ser dedicado ao monitoramento de modelos já em produção, procurando sinais de degradação de desempenho, desvio de dados (data drift) ou anomalias. Isto pode envolver a verificação de dashboards ou logs do sistema. O ciclo de vida de um modelo de IA inclui treino, avaliação rigorosa e monitoramento contínuo. A utilização de plataformas na nuvem é comum para gerir estes processos.

Avaliar modelos de IA, especialmente os generativos integrados aos sistemas RAG, apresenta desafios únicos. As métricas tradicionais de precisão não são suficientes. É necessário avaliar a relevância do contexto recuperado e a veracidade da resposta gerada com base nesse contexto. O risco de “alucinações”, respostas incorretas ou sem sentido, é uma preocupação constante com LLMs. Por isso, a avaliação de sistemas como o RAG requer frameworks e métricas especializadas que vão além da simples verificação da correção da saída, focando-se na ligação entre a resposta e a evidência recuperada.

15:30 – 16:30: Pesquisa e Experimentação

Impulsionado pela leitura matinal e pelos resultados da avaliação, Mônica dedica tempo à experimentação. Decide testar um modelo de embedding diferente (talvez um modelo mais recente da Hugging Face ) para o componente de recuperação do sistema RAG, na esperança de melhorar a relevância dos documentos encontrados. Configura uma pequena experiência, executa-a e analisa os resultados iniciais.

Em outros dias, poderia explorar diferentes técnicas de engenharia de prompts para a funcionalidade de resumo do modelo, tentando tornar a saída mais concisa ou alinhada com o tom de voz desejado pela marca. Ou talvez realizar um trabalho de prova de conceito (PoC) para uma nova ideia que surgiu. O desenvolvimento de IA é um processo inerentemente iterativo e experimental. Melhorar modelos raramente é um caminho linear; envolve formular hipóteses, testar diferentes abordagens (algoritmos, parâmetros ), analisar os resultados e iterar. A experiência de Mônica com o novo modelo de embedding é um exemplo claro deste ciclo: avaliar -> identificar fraqueza -> hipotetizar solução -> experimentar -> avaliar novamente.

16:30 – 17:00: Depuração e Testes

Mônica investiga um problema identificado durante a avaliação do sistema RAG: algumas consultas estão a gerar respostas irrelevantes. O processo de depuração envolve analisar o código passo a passo, verificar logs detalhados e, possivelmente, adicionar mais registos para identificar a causa raiz do problema. Paralelamente, Mônica escreve testes unitários para a nova lógica de recuperação que implementou mais cedo, garantindo que funciona como esperado e prevenindo regressões futuras. Testar e depurar são atividades regulares e essenciais no ciclo de desenvolvimento de software, incluindo IA. Mônica pediu ajuda ao ChatGPT para criar os testes unitários. O código veio com erros, mas como Mônica domina o conhecimento, conseguiu usar as respostas do ChatGPT como ponto de partida e fazer os ajustes necessários.

Finalizar e Olhar em Frente (17:00 – 18:00): Consolidar, Planejar, Comunicar

17:00 – 17:30: Commit de Código e Documentação

No final do dia de trabalho técnico, Mônica faz o “commit” das alterações de código do dia para o repositório Git, escrevendo mensagens claras e descritivas. Dedica também alguns minutos a atualizar a documentação técnica do sistema RAG na wiki interna da empresa e adicionar comentários explicativos diretamente no código.

A documentação e a higiene do código são práticas essenciais, especialmente em projetos de IA complexos e colaborativos. Um código bem documentado e commits claros facilitam a compreensão por parte de outros membros da equipe, a integração de novos engenheiros e a manutenção a longo prazo do sistema, prevenindo a acumulação de dívida técnica.

17:30 – 17:50: Planeamento e Priorização

Mônica revê o progresso do dia em relação ao plano inicial. Atualiza o estado das tarefas no quadro de gestão de projetos (como Jira ou Trello). Esboça rapidamente as prioridades para o dia seguinte, anotando a necessidade de investigar mais a fundo o problema da qualidade dos dados ou continuar a análise da experiência com o novo modelo de embedding. Esta revisão e planeamento ajudam a manter o foco e a garantir a continuidade do trabalho.

17:50 – 18:00: Verificação Final de Comunicações

Antes de encerrar o dia, Mônica faz uma verificação rápida do email e do Slack para garantir que não há mensagens urgentes que exijam atenção imediata. Se necessário, envia uma breve atualização de estado sobre o seu trabalho. 

Conclusão: Para Além do Código

O dia de Mônica na FinTech Innovations ilustra a natureza multifacetada e dinâmica do trabalho de um Engenheiro de IA no setor financeiro. É uma função que vai muito além da simples codificação, abrangendo análise de dados profunda, avaliação rigorosa de modelos (incluindo os complexos sistemas RAG e LLMs), colaboração constante com diversas equipes, aprendizagem incessante e resolução criativa de problemas.

Engenheiros como Mônica estão na vanguarda da transformação digital da Fintech, construindo ferramentas que aumentam a eficiência, detectam fraudes com maior precisão, personalizam serviços financeiros, gerem riscos de forma mais inteligente e ajudam a garantir a conformidade regulatória em um ambiente cada vez mais complexo. O impacto do seu trabalho é tangível, moldando a forma como as instituições financeiras operam e como os clientes interagem com os seus serviços.

Claro que a função não está isenta de desafios. A natureza meticulosa do trabalho com dados exige paciência e atenção ao detalhe. Depurar sistemas de IA, cujos comportamentos nem sempre são transparentes, pode ser complexo. A necessidade de adaptação contínua em um campo em rápida evolução exige um compromisso com a aprendizagem ao longo da vida. E, como em muitas funções tecnológicas de ponta, podem existir períodos de trabalho intenso para cumprir prazos ou resolver problemas críticos.

No entanto, para aqueles fascinados pela interseção entre tecnologia de ponta e um setor de alto impacto como o financeiro, a carreira de Engenheiro de IA em Fintech oferece uma oportunidade única e recompensadora. É a chance de aplicar algumas das tecnologias mais avançadas do nosso tempo para resolver problemas significativos e contribuir para o futuro das finanças. E ainda ser muito bem remunerado por isso.

Ao chegar em casa, Mônica verifica seu e-mail e mensagens no LinkedIn. Pelo menos 3 recrutadores entraram em contato com ela. A busca por Engenheiros de IA está muito intensa e faltam profissionais capacitados no mercado de trabalho. Mônica responde educadamente as mensagens mas prefere continuar na empresa onde está atualmente. Além do bom salário que recebe, ela trabalha em um ambiente desafiador e com tecnologia de ponta. Para complementar sua capacitação e obter ainda mais experiência prática, Mônica decide iniciar um programa de Pós-Graduação em Engenharia de IA, e escolheu o programa Lato Sensu oferecido pela Data Science Academy (além do conhecimento, é sempre bom manter o currículo atraente para os empregadores).

Imagine trabalhar com tecnologia de ponta, ser muito bem remunerado por isso e ter alta empregabilidade como Mônica? Você pode aprender tudo isso na prática 100% online. A DSA oferece programas profissionais completos para quem deseja desenvolver habilidades em IA. Vejamos o que a DSA oferece.

Temos diversas Formações com foco em IA e para diferentes propósitos:

Formação Engenheiro de IA (um programa abrangente com foco em diversas áreas e tecnologias)

Formação Processamento de Linguagem Natural (para quem deseja desenvolver habilidades específicas em IA com foco maior em PLN)

Formação Visão Computacional (para quem deseja desenvolver habilidades específicas em IA com foco maior em Visão Computacional)

Formação Agentic AI Engineer (para quem deseja desenvolver habilidades específicas na construção de Agentes de IA e sistemas de RAG, local ou na nuvem)

Formação IA Para Medicina (um programa para quem deseja desenvolver habilidades específicas em IA com projetos na área de Saúde)

Formação IA Para o Direito (um programa para quem deseja desenvolver habilidades específicas em IA com projetos na área de Direito)

Para quem deseja reconhecimento do MEC além do conhecimento prático, recomendamos os Programas de Pós. Para cada Formação acima temos um Programa de Pós associado. Confira aqui:

Programas de Pós-Graduação Lato Sensu

Equipe DSA