Parte I · 1 — Visão geral do ciclo de vida

draft

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.2Esteira 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.

A esteira de artefatos do ciclo de vida


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.