{"id":31236,"date":"2025-02-17T12:16:18","date_gmt":"2025-02-17T15:16:18","guid":{"rendered":"https:\/\/building.nu.com\/?p=31236"},"modified":"2025-03-24T10:52:16","modified_gmt":"2025-03-24T13:52:16","slug":"aprimorando-fluxos-de-trabalho-de-engenharia-com-ia-uma-experiencia-do-mundo-real","status":"publish","type":"post","link":"https:\/\/building.nu.com\/pt-br\/aprimorando-fluxos-de-trabalho-de-engenharia-com-ia-uma-experiencia-do-mundo-real\/","title":{"rendered":"Aprimorando fluxos de trabalho de engenharia com IA: uma experi\u00eancia do mundo real"},"content":{"rendered":"\n

A Intelig\u00eancia Artificial (IA) e os Large Language Models (LLMs) est\u00e3o revolucionando a ind\u00fastria de tecnologia. E, no Nubank, estamos usando essas tecnologias para aprimorar os fluxos de trabalho de engenharia no Brasil, M\u00e9xico e Col\u00f4mbia. Em uma palestra recente no Clojure Conj 2024<\/strong>, Carin Meier<\/strong>, Principal Software Engineer no Nubank, e Marlon Silva<\/strong>, Software Engineer no Nubank, compartilharam como as ferramentas baseadas em IA est\u00e3o transformando a forma como trabalhamos.<\/p>\n\n\n\n

O Clojure Conj, confer\u00eancia realizada desde 2010, \u00e9 um evento chave para a comunidade global de Clojure. Ela re\u00fane desenvolvedores e l\u00edderes da \u00e1rea para discutir as \u00faltimas tend\u00eancias na programa\u00e7\u00e3o em Clojure. Em 2024, a confer\u00eancia foi a oportunidade perfeita para Carin e Marlon apresentarem como o Nubank est\u00e1 integrando IA, incluindo LLMs, para agilizar nossos processos de engenharia.<\/p>\n\n\n\n

Neste artigo, exploraremos os principais pontos da palestra e como essas ferramentas de IA est\u00e3o otimizando tudo, desde a gera\u00e7\u00e3o de c\u00f3digo at\u00e9 a colabora\u00e7\u00e3o em equipe no Nubank \u2014 e como elas tamb\u00e9m podem ajudar sua equipe.<\/p>\n\n\n\n

O que s\u00e3o Large Language Models (LLMs)?<\/h2>\n\n\n\n

Antes de mergulharmos nas nossas experi\u00eancias, vamos come\u00e7ar com uma vis\u00e3o geral r\u00e1pida sobre o que s\u00e3o LLMs e como eles funcionam.<\/p>\n\n\n\n

De maneira geral, LLMs como GPT-3 e GPT-4 s\u00e3o modelos de aprendizado de m\u00e1quina treinados em vastos conjuntos de dados para prever a pr\u00f3xima palavra (ou token) em uma sequ\u00eancia com base no contexto fornecido. Eles s\u00e3o projetados para imitar a compreens\u00e3o e a gera\u00e7\u00e3o de linguagem de forma humana.<\/p>\n\n\n\n

Por exemplo, quando voc\u00ea digita um prompt como \u201cClojure \u00e9 uma linguagem de programa\u00e7\u00e3o ador\u00e1vel que permite que voc\u00ea\u201d, um LLM pode prever e continuar a frase com algo como \u201cfa\u00e7a um programa em um estilo funcional puro\u201d. O modelo faz isso baseando-se em padr\u00f5es que aprendeu durante o treinamento, onde encontra grandes quantidades de c\u00f3digo e documenta\u00e7\u00e3o, permitindo gerar frases significativas em resposta.<\/p>\n\n\n\n

No entanto, os LLMs n\u00e3o s\u00e3o perfeitos. Eles exigem experimenta\u00e7\u00e3o para entender seu potencial, especialmente quando se trata de gerar c\u00f3digo em linguagens de programa\u00e7\u00e3o espec\u00edficas como Clojure, uma linguagem que n\u00e3o possui tantos dados p\u00fablicos de treinamento em compara\u00e7\u00e3o com linguagens mais populares como Python ou JavaScript.<\/p>\n\n\n\n

O poder da avalia\u00e7\u00e3o: testando LLMs para Clojure<\/h2>\n\n\n\n

Para entender se os LLMs poderiam realmente aprimorar os fluxos de trabalho de engenharia, precis\u00e1vamos testar suas capacidades. No Nubank, selecionamos alguns modelos e os utilizamos para gerar c\u00f3digo Clojure. Enquanto muitos benchmarks existentes mostravam resultados impressionantes para linguagens como Python e JavaScript, est\u00e1vamos curiosos para saber como esses modelos se comportariam com Clojure, que uma sintaxe pr\u00f3pria e conceitos \u00fanicos.<\/p>\n\n\n\n

Inicialmente, utilizamos uma ferramenta chamada MultiPL-E (Multi-Programming Language Evaluation of Large Language Models of\u00a0 Code)<\/strong> Benchmarking Tool. Essa ferramenta de c\u00f3digo aberto nos permite testar a qualidade do c\u00f3digo gerado por LLMs com base em um conjunto de problemas pr\u00e9-definidos, como os presentes nos conjuntos de dados HumanEval e MBPP.<\/p>\n\n\n\n

Com essa ferramenta, passamos a colocar \u00e0 prova nossa capacidade de gera\u00e7\u00e3o de c\u00f3digo em Clojure. Gra\u00e7as ao inestim\u00e1vel apoio de Alex Miller, uma figura importante na comunidade de Clojure e parte vital das opera\u00e7\u00f5es do Nubank, integramos Clojure ao MultiPL-E e come\u00e7amos a compar\u00e1-lo lado a lado com Python e JavaScript.<\/p>\n\n\n\n

No in\u00edcio, n\u00e3o aplicamos nenhum ajuste especial ou artif\u00edcios de engenharia; quer\u00edamos apenas observar o potencial bruto dos modelos mais recentes (incluindo projetos open source como Llama3 e variantes privadas de GPT da OpenAI) na produ\u00e7\u00e3o de c\u00f3digo pronto para uso em produ\u00e7\u00e3o. N\u00e3o foi surpresa que, de in\u00edcio, Clojure ficasse um pouco atr\u00e1s de Python e JavaScript\u2014provavelmente reflexo do corpus menor de c\u00f3digo em Clojure utilizado para treinar a maioria dos LLMs\u2014mas a surpresa foi a proximidade real desses resultados.<\/p>\n\n\n\n

A cada nova vers\u00e3o\u2014GPT-3.5, GPT-4, GPT-4o, o1-preview, o1 e al\u00e9m\u2014temos observado essa diferen\u00e7a diminuir ainda mais. \u00c9 animador ver Clojure ganhando terreno t\u00e3o rapidamente, e isso nos d\u00e1 esperan\u00e7a em um futuro em que a disparidade entre linguagens praticamente desapare\u00e7a. \u00c0 medida que mais modelos s\u00e3o treinados em conjuntos de dados cada vez mais diversos, esperamos ver o desempenho de Clojure equiparar-se ao de Python e JavaScript.<\/p>\n\n\n\n

A comunidade de c\u00f3digo aberto e esfor\u00e7os cont\u00ednuos como o MultiPL-E est\u00e3o avan\u00e7ando para melhorar o suporte e a visibilidade de linguagens funcionais, e estamos empolgados com o que isso significa para os desenvolvedores que contam com Clojure todos os dias.<\/p>\n\n\n\n

A li\u00e7\u00e3o aqui? N\u00e3o tenha medo de experimentar. Teste diversos modelos e veja como eles se alinham com seus casos de uso espec\u00edficos. O desempenho desses modelos pode variar significativamente dependendo das suas necessidades.<\/p>\n\n\n\n

Construindo ferramentas flex\u00edveis para equipes de Engenharia<\/h2>\n\n\n\n

Uma das principais li\u00e7\u00f5es da nossa jornada com os LLMs foi a import\u00e2ncia de construir ferramentas flex\u00edveis e extens\u00edveis. O mundo da IA est\u00e1 se movendo t\u00e3o r\u00e1pido que n\u00e3o conseguimos prever exatamente o que nossos engenheiros precisar\u00e3o no pr\u00f3ximo m\u00eas, quanto mais no pr\u00f3ximo ano.<\/p>\n\n\n\n

No Nubank, abra\u00e7amos essa incerteza. Criamos ferramentas pequenas, modulares e f\u00e1ceis de adaptar \u00e0 medida que novos desenvolvimentos surgem. Um bom exemplo disso \u00e9 o Roxy, um proxy local que facilita o uso de LLMs em um ambiente regulamentado.<\/p>\n\n\n\n

O Roxy foi projetado para garantir que qualquer intera\u00e7\u00e3o com LLMs esteja em conformidade com as regulamenta\u00e7\u00f5es de seguran\u00e7a e compliance. Em vez de construir uma solu\u00e7\u00e3o complexa e personalizada para um caso de uso espec\u00edfico, criamos uma interface simples e flex\u00edvel que os engenheiros podem usar de v\u00e1rias maneiras. Essa abordagem permite nos adaptarmos rapidamente aos novos requisitos e oportunidades que surgem.<\/p>\n\n\n\n

A li\u00e7\u00e3o aqui \u00e9 que as equipes n\u00e3o devem superdimensionar suas ferramentas. Elas devem criar algo simples e capaz de crescer e evoluir junto com a tecnologia.<\/p>\n\n\n\n

Fomentando uma comunidade para compartilhar insights sobre IA<\/h2>\n\n\n\n

Em qualquer campo de r\u00e1pida evolu\u00e7\u00e3o, a colabora\u00e7\u00e3o \u00e9 fundamental. No Nubank, descobrimos que criar comunidades de pr\u00e1tica \u2014 o que chamamos de guildas \u2014 \u00e9 inestim\u00e1vel. Esses s\u00e3o grupos de usu\u00e1rios internos nos quais compartilhamos experi\u00eancias, discutimos desafios e buscamos maneiras de usar novas ferramentas, como os LLMs, de forma eficaz.<\/p>\n\n\n\n

Ao nos reunirmos regularmente, garantimos que todos se mantenham atualizados sobre os \u00faltimos avan\u00e7os da IA e tenham a chance de fornecer feedback. Isso nos ajuda a melhorar continuamente nossas ferramentas e t\u00e9cnicas de integra\u00e7\u00e3o de LLMs aos fluxos de trabalho de engenharia.<\/p>\n\n\n\n

Se voc\u00ea est\u00e1 trabalhando com IA ou qualquer nova tecnologia, considere criar sua pr\u00f3pria comunidade. \u00c9 uma \u00f3tima maneira de continuar aprendendo e se manter \u00e0 frente da curva.<\/p>\n\n\n\n

LLMs podem nos ajudar a pensar?<\/h2>\n\n\n\n

Enquanto muitas pessoas temem que a IA substitua o pensamento humano, acreditamos que os LLMs podem, na verdade, aprimorar nosso pensamento – se usados corretamente. Por exemplo, os LLMs podem ajudar engenheiros e gerentes de produto a pensar criticamente, fazer melhores perguntas e abordar problemas de novos \u00e2ngulos.<\/p>\n\n\n\n

Uma coisa que consider\u00e1mos \u00fatil \u00e9 utilizar a IA para nos guiar na identifica\u00e7\u00e3o da causa principal de um problema, ao inv\u00e9s de nos limitarmos a dar a resposta. Por exemplo, se estamos enfrentando um problema de desempenho em um microsservi\u00e7o, podemos perguntar ao LLM algo como: “Como posso melhor estruturar uma solu\u00e7\u00e3o para um microsservi\u00e7o que funciona lentamente em uma opera\u00e7\u00e3o de IO?”.<\/p>\n\n\n\n

A ideia n\u00e3o \u00e9 pedir uma resposta imediatamente, mas usar o LLM para nos ajudar a estruturar nosso pensamento. Ao usar LLMs dessa maneira, podemos mergulhar mais fundo no problema e encontrar melhores solu\u00e7\u00f5es.<\/p>\n\n\n\n

Em outro exemplo, Marlon usou esse m\u00e9todo para elaborar um relat\u00f3rio de produto. Ele pediu ao LLM que assumisse o papel de um gerente de produto e o ajudasse a estruturar um relat\u00f3rio para a alta ger\u00eancia sobre o benchmark dos modelos LLM para Clojure. O resultado foi um relat\u00f3rio que superou as expectativas e impressionou o gerente de produto.<\/p>\n\n\n\n

Olhando para o futuro: o poder dos agentes de IA aut\u00f4nomos<\/h2>\n\n\n\n

\u00c0 medida que a IA evolui, a ideia de agentes aut\u00f4nomos que podem escrever c\u00f3digo e resolver problemas por conta pr\u00f3pria est\u00e1 se tornando mais real. Exploramos algumas ferramentas em est\u00e1gio inicial, como o Open Hands, que usam LLMs para auxiliar em tarefas como an\u00e1lise de dados.<\/p>\n\n\n\n

Em uma demonstra\u00e7\u00e3o recente, encarregamos o Open Hands de realizar uma an\u00e1lise de dados no conjunto de dados Iris usando Clojure. O agente planejou, escreveu e executou o c\u00f3digo de forma aut\u00f4noma, demonstrando como os LLMs podem auxiliar os engenheiros em tarefas que normalmente exigiriam mais tempo e esfor\u00e7o. Embora a tecnologia ainda esteja em seus est\u00e1gios iniciais, estamos entusiasmados com as possibilidades que ela apresenta.<\/p>\n\n\n\n

Devin, um engenheiro de software aut\u00f4nomo de IA desenvolvido pela Cognition Labs, \u00e9 outro exemplo de como a IA est\u00e1 transformando o desenvolvimento de software. Devin foi fundamental para nos ajudar a migrar nosso gigantesco sistema de ETL, com mais de 6 milh\u00f5es de linhas de c\u00f3digo.<\/p>\n\n\n\n

Ao automatizar tarefas repetitivas, como refatora\u00e7\u00e3o e migra\u00e7\u00e3o de c\u00f3digo, Devin possibilitou que o Nubank conclu\u00edsse um projeto inicialmente estimado em mais de 18 meses com mil engenheiros em apenas algumas semanas, aumentando a efici\u00eancia em 12 vezes e economizando custos de maneira significativa.<\/p>\n\n\n\n

Olhando \u00e0 frente<\/h2>\n\n\n\n

\u00c0 medida que a IA continua a evoluir, fica claro que os LLMs n\u00e3o s\u00e3o apenas ferramentas para automatizar tarefas – eles s\u00e3o essenciais para aprimorar os fluxos de trabalho dos desenvolvedores. Ao integrar LLMs nos processos de engenharia do Nubank, vimos em primeira m\u00e3o como eles podem aumentar a produtividade, fomentar a criatividade e preencher lacunas entre equipes t\u00e9cnicas e de neg\u00f3cios.<\/p>\n\n\n\n

E, \u00e0 medida que continuamos a explorar e refinar nossas solu\u00e7\u00f5es de IA, encorajamos outras organiza\u00e7\u00f5es a experimentarem e constru\u00edrem ferramentas flex\u00edveis e extens\u00edveis que se adaptem ao mundo acelerado da IA. O futuro da engenharia est\u00e1 aqui, e com os LLMs, as possibilidades s\u00e3o infinitas.<\/p>\n\n\n\n

Saiba mais detalhes sobre o que compartilhamos sobre esse tema no v\u00eddeo a seguir:<\/p>\n\n\n\n

\n