Terminou o curso de Andrew Ng: para onde ir para não ficar um júnior eterno

Você fechou a última semana do curso de Andrew Ng na Coursera, ganhou o cobiçado certificado digital e agora se sente o senhor dos pesos e vieses. É uma sensação agradável, mas sejamos honestos: no mundo real, saber a fórmula da regressão logística rende, no máximo, um aceno educado. Andrew deu a você uma base excelente, mas o mercado quer um arranha-céu, de preferência um que não desabe sob carga logo no primeiro dia. O problema é que a maioria dos iniciantes para justamente aqui, presa no «inferno dos tutoriais», em que um curso teórico sucede o outro e o código real em produção nunca aparece.

Por que isso é crítico justamente agora? O mercado está saturado de gente que conhece a teoria, mas trava diante de um dataset «sujo» da vida real, com 40% dos valores ausentes e sem rotulagem decente. Antes bastava importar a biblioteca Scikit-learn e rodar duas linhas de código para ser considerado especialista.

Hoje, na era do domínio dos grandes modelos de linguagem e de arquiteturas complexíssimas, a barra foi lá para cima. Se você não entende como funciona por baixo dos panos o mecanismo de atenção dos transformers, ou por que seu modelo começa a «alucinar» diante da menor mudança nos dados de entrada, corre o risco de ficar de fora de uma indústria que muda a cada duas semanas.

Primeiro, é preciso admitir que a engenharia de ML moderna é 80% trabalho com dados e infraestrutura e só 20% escolha da arquitetura do modelo. Depois do curso básico, o passo lógico é a Deep Learning Specialization, do próprio Ng. É a base necessária para quem quer entender como as redes neurais modernas são construídas.

Mas nem pense em parar por aí. A verdadeira mágica começa onde acabam os exemplos didáticos limpos. Você precisa dominar MLOps, a disciplina de fazer um modelo funcionar na nuvem, se atualizar sem intervenção humana e não devorar todo o orçamento de servidores da empresa.

Sem entender Docker, Kubernetes e sistemas de versionamento de dados, você é só um matemático no vácuo, cujo trabalho nunca chegará ao usuário final.

Em seguida vem a etapa de especialização. Tentar abraçar o mundo em 2024 não é apenas difícil, é tolice. Ou você vai para LLMs e domina RAG (Retrieval-Augmented Generation), fine-tuning e métodos de quantização, ou mergulha em visão computacional para robótica ou tecnologia médica.

As empresas não procuram mais «simples especialistas em ML»; querem pessoas que entendam as particularidades de uma área específica e saibam adaptar algoritmos gerais a problemas de negócio. Também não dá para esquecer o clássico: álgebra linear e estatística não são só aulas chatas da faculdade, mas as ferramentas que ajudam a entender por que o gradiente da sua rede «explodiu» na décima época de treinamento e como corrigir isso sem testar todos os parâmetros no chute.

O que tudo isso significa para sua carreira no longo prazo? É preciso passar do consumo passivo de conteúdo para a criação ativa. A melhor forma de provar sua aptidão profissional hoje não é uma coleção de certificados, mas um projeto vivo no GitHub que resolva um problema real, ainda que pequeno.

Escreva seu próprio parser, monte um dataset único, treine um modelo e, principalmente, crie para ele uma interface ou API que funcione. Quando você perceber que seu modelo perfeitamente treinado pesa cinco gigabytes e se recusa terminantemente a rodar em um servidor padrão, é aí que começa seu aprendizado de verdade. O mercado precisa de quem sabe levar o trabalho até o fim, não de quem apenas assistiu a aulas.

O principal: o certificado é apenas um ingresso para a fila de entrevistas, não uma garantia de proposta. Pare de colecionar cursos e comece a construir algo que você possa rodar e quebrar.