"No desenvolvimento de software tradicional, você planejaria v1, v2, v3 do novo produto com base na profundidade do recurso ou nas necessidades do usuário. Com os sistemas de IA, a lente muda. Cada versão é definida por quanta agência o sistema tem e quanto controle você está disposto a desistir. Comece identificando um conjunto de recursos que são de alto controle e baixa agência (versão 1 na imagem abaixo). Estes devem ser pequenos, testáveis e fáceis de observar. A partir daí, pense em como esses recursos podem evoluir ao longo do tempo, aumentando gradualmente a agência, uma versão de cada vez. O objetivo é dividir um estado final elevado em comportamentos iniciais que você pode avaliar, iterar e construir para cima. Por exemplo, se seu objetivo final é automatizar o suporte ao cliente em sua empresa, uma maneira de alto controle de começar seria definir o escopo v1 (versão 1) como simplesmente rotear tickets para o departamento certo e, em seguida, passar para v2, onde o sistema sugere possíveis resoluções, e somente na v3 permitir que ele resolva automaticamente com fallback humano. Aqui estão mais alguns exemplos: Assistente de marketing v1: Rascunho de e-mail, anúncio ou cópia social de prompts v2: Crie campanhas de várias etapas e execute-as v3: lançamento, teste A/B e otimização automática de campanhas em todos os canais Assistente de codificação v1: Sugerir conclusões embutidas e snippets clichês v2: Gere blocos maiores (como testes ou refatoração) para revisão humana v3: Aplicar alterações com escopo e abrir PRs (solicitações de pull) de forma autônoma Se você acompanhou como ferramentas como GitHub Copilot ou Cursor evoluíram, este é exatamente o manual que eles usaram. A maioria dos usuários vê apenas a versão atual, mas o sistema subjacente subiu essa escada gradualmente. Primeiro conclusões, depois bloqueios, depois PRs, com cada etapa obtida por meio de uso, feedback e iteração." Mais aqui:
Lenny Rachitsky
Lenny Rachitsky20 de ago., 00:21
Você não pode construir produtos de IA como outros produtos. Os produtos de IA são inerentemente não determinísticos e você precisa negociar constantemente a troca entre agência e controle. Quando as equipes não reconhecem essas diferenças, seus produtos enfrentam falhas inesperadas, ficam presos na depuração de sistemas grandes e complicados que não conseguem rastrear e a confiança do usuário no produto diminui silenciosamente. Depois de ver esse padrão acontecer em 50+ implementações de IA em empresas como @OpenAI, @Google, @Amazon e @Databricks, Aishwarya Naresh Reganti e Kiriti Badam desenvolveram uma solução: a estrutura de Calibração Contínua/Desenvolvimento Contínuo (CC/CD). O nome é uma referência a CI/CD (Integração Contínua/Implantação Contínua), mas, ao contrário de seu homônimo, destina-se a sistemas em que o comportamento não é determinístico e a agência precisa ser conquistada. Esta estrutura mostra como: - Comece com recursos de alto controle e baixa agência - Crie sistemas de avaliação que realmente funcionem - Dimensione produtos de IA sem quebrar a confiança do usuário Ele foi projetado para reconhecer a singularidade dos sistemas de IA e ajudá-lo a criar produtos de IA mais intencionais, estáveis e confiáveis. Eles estão compartilhando publicamente pela primeira vez:
66,68K