IA Engineer Academy

Contexto e objetivo

O estudo de IA envolve fundamentos matemáticos, aplicações, avaliação e operação. A Academy organiza esse percurso em português, conectando leituras técnicas a diagramas, exemplos de implementação e experimentos no navegador.

É um projeto autoral de aprendizagem e compartilhamento de conhecimento. Seu objetivo é ajudar estudantes e desenvolvedores a compreender decisões de engenharia, sem prometer certificação, emprego ou domínio automático do assunto.

Funcionalidades implementadas

• 15 capítulos técnicos: fundamentos de modelos, Python/backend, FastAPI/Ollama, RAG, agentes, avaliação e segurança, com leituras em diferentes níveis.
• Quatro trilhas profissionais: AI Application Engineer, Machine Learning Engineer, MLOps/LLMOps Engineer e AI Research Engineer.
• 45 flashcards: revisão espaçada com registro explícito das respostas e agenda local de revisão.
• Laboratórios interativos: treinamento de uma pequena rede neural para XOR, visualização de attention e exploração de embeddings com cálculos reais no navegador.
• Atlas de arquitetura: diagramas navegáveis de RAG, FastAPI/Ollama, LLMs, agentes/MCP e treinamento de rede neural.
• Estudo em português: busca, glossário, percursos de leitura e exportação/importação dos dados locais de aprendizagem.

Decisões de engenharia

React e TypeScript estruturam as interfaces e os contratos de dados; Vite prepara a publicação estática no Cloudflare Pages. O conteúdo editorial e os cálculos dos laboratórios ficam separados dos componentes de interface.

Os módulos matemáticos dos laboratórios são testáveis de forma independente. A revisão espaçada usa regras explícitas; o progresso é armazenado no próprio navegador, com exportação e importação. Não há conta obrigatória nem backend necessário para estudar.

Essa stack pertence à Academy. Este portfólio continua em HTML, CSS e JavaScript vanilla, adequado à sua apresentação estática.

Testes e qualidade

O repositório inclui Vitest para lógica e componentes, Playwright para fluxos desktop/mobile e verificações de acessibilidade com axe. Também há validação de conteúdo, links editoriais, TypeScript, ESLint e build.

Um workflow GitHub Actions reúne os checks de qualidade. A existência dessa suíte não equivale a afirmar que uma execução atual passou: os comandos e resultados devem ser consultados no repositório.

Documentação dos testes · Arquitetura e decisões

Desafios, limites e propostas futuras

Os desafios de engenharia incluem explicar matemática sem ocultar os cálculos, manter consistência entre capítulos e laboratórios, permitir uso por teclado e preservar dados locais sem criar um serviço de contas.

Os experimentos são didáticos: a rede neural pequena não treina um LLM; o attention usa uma cabeça simplificada; os embeddings são vetores editoriais. Esses laboratórios não demonstram qualidade de modelos em produção.

O progresso não sincroniza entre dispositivos e pode ser apagado pelo navegador. Integrações administrativas com n8n/Ollama/GitHub e publicação editorial automática permanecem propostas e documentação, não funcionalidades concluídas. O exemplo de API FastAPI/Ollama é separado; inferência real exige um modelo disponível.

A evolução deve manter validação editorial e revisão humana. Não há promessa de certificações, treinamento distribuído ou operação comercial.