Parte I · 1 — Visão geral do ciclo de vida
As 11 etapas, o que entra e sai de cada uma, e — o mais importante — por que o ciclo é um loop, não uma linha reta.
1.1 As 11 etapas
O ciclo de vida de uma IA, na prática de engenharia (MLOps), tem entre 7 e 10 etapas dependendo de como se agrupa. O Compêndio adota uma divisão de 11 etapas (numeradas 0 a 9, com a homologação como 5.5), por ser a mais didática:
| # | Etapa | Pergunta que responde |
|---|---|---|
| 0 | Definição do problema | O que queremos que a IA faça, e como medir sucesso? |
| 1 | Coleta e engenharia de dados | De onde vem o conhecimento, e em que forma? |
| 2 | Análise exploratória (EDA) | Como os dados realmente se comportam? |
| 3 | Modelagem | Que forma terá a inteligência? |
| 4 | Treinamento | Como ela aprende a partir dos dados? |
| 5 | Avaliação do modelo | Ela aprendeu bem (estatisticamente)? |
| 5.5 | Testes / Homologação | O sistema inteiro está pronto para o mundo real? |
| 6 | Produção / Deployment | Como ela serve respostas em escala? |
| 7 | Monitoramento | Ela continua boa com o tempo? |
| 8 | Manutenção / Retreinamento | Como ela se atualiza sem esquecer o que sabia? |
| 9 | Governança e desativação | É segura, justa, legal — e quando aposentá-la? |
1.2 Entradas e saídas de cada etapa
Cada etapa consome a saída da anterior e produz um artefato para a próxima. Pensar em termos de artefatos deixa o ciclo concreto:
direction: right
need: "Necessidade\nde negócio" { style.fill: "#f1faee" }
spec: "Spec do\nproblema + métrica" { style.fill: "#f1faee" }
dataset: "Dataset\nlimpo + features" { style.fill: "#f1faee" }
insight: "Insights\n(distribuições)" { style.fill: "#f1faee" }
arch: "Arquitetura\ndefinida" { style.fill: "#f1faee" }
weights: "Pesos\ntreinados" { style.fill: "#f1faee" }
metrics: "Relatório de\nmétricas" { style.fill: "#f1faee" }
release: "Build\nhomologado" { style.fill: "#f1faee" }
service: "Serviço\nem produção" { style.fill: "#f1faee" }
signals: "Sinais de\nsaúde + drift" { style.fill: "#f1faee" }
need -> spec: "0"
spec -> dataset: "1"
dataset -> insight: "2"
insight -> arch: "3"
arch -> weights: "4"
weights -> metrics: "5"
metrics -> release: "5.5"
release -> service: "6"
service -> signals: "7"
signals -> dataset: "8 (loop)"🎨 Figura
F-I.2— Esteira de artefatos do ciclo. Brief: ilustração horizontal tipo "linha de montagem", cada estação produzindo um objeto-artefato estilizado (uma planta para a spec, um cristal de dados, um gráfico para EDA, um esqueleto de rede para arquitetura, um cubo de pesos, um boletim para métricas, um selo para homologação, um servidor para produção, um painel de sensores para monitoramento), com a esteira curvando de volta ao início para fechar o loop.
1.3 O ciclo não é linear — é um loop com governança envolvente
Dois fatos estruturais distinguem o ciclo de vida de um pipeline simples:
(a) O loop de realimentação. A etapa 7 (Monitoramento) detecta drift — mudança na distribuição dos dados ou no comportamento do mundo — e dispara a etapa 8 (Retreinamento), que reabre as etapas 1 e 4. Uma IA em produção nunca está "pronta"; ela degrada se o mundo muda e ela não.
(b) A governança envolvente. A etapa 9 (Governança) não é só "a última". Ela enquadra a etapa 0 (o que é ético/legal construir?) e rege a etapa 6 (o que é seguro/justo servir?). No diagrama do índice, é o anel externo.
Consequência didática: ao estudar qualquer tipo de IA na Parte IV, a pergunta não é "em que etapa ela está?", mas "como ela percorre o loop, e o que muda a cada volta?".
1.4 Onde mora a "inteligência"
Vale antecipar uma ideia que a Parte I inteira desenvolve: a "inteligência" de um sistema não está em nenhuma etapa isolada. Ela emerge da combinação de:
- um problema bem enquadrado (etapa 0),
- dados ricos e representativos (etapa 1),
- uma arquitetura com a indutividade certa (etapa 3),
- e um processo de aprendizado bem-calibrado (etapa 4).
Termos como "esperteza", "lucidez" ou "sagacidade" descrevem a *qualidade percebida* do resultado — não são ingredientes de nenhuma etapa. Essa fronteira entre mecanismo e metáfora é o tema do doc 04-natureza-dos-insumos.kmd.
1.5 Agrupamentos alternativos
Há recortes mais grossos, igualmente válidos — úteis para conversar com públicos diferentes:
| Recorte | Agrupa |
|---|---|
| 3 fases (a mais comum em conversa) | Modelagem · Treinamento · Produção |
| Preparação / Modelo / Operação | 0–2 · 3–5.5 · 6–9 |
| Offline / Online | 0–5.5 (offline) · 6–9 (online) |
| Data-centric / Model-centric / Ops-centric | 1–2 · 3–5 · 6–9 |
O Compêndio usa as 11 etapas como referência fina, mas mapeia para esses recortes quando ajuda a explicar.
Próximo doc: 02-etapas-em-detalhe.kmd abre cada etapa em profundidade — entradas, saídas, insumos, ciências e matemática.