Tópicos populares
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
"No desenvolvimento de software tradicional, você planejava a v1, v2, v3 do novo produto com base na profundidade de recursos ou nas necessidades dos usuários. Com sistemas de IA, a perspectiva muda.
Cada versão é definida, em vez disso, pela quantidade de autonomia que o sistema possui e quanto controle você está disposto a abrir mão.
Comece identificando um conjunto de recursos que têm alto controle e baixa autonomia (versão 1 na imagem abaixo).
Esses devem ser pequenos, testáveis e fáceis de observar. A partir daí, pense em como essas capacidades podem evoluir ao longo do tempo, aumentando gradualmente a autonomia, uma versão de cada vez. O objetivo é decompor um estado final ambicioso em comportamentos iniciais que você pode avaliar, iterar e construir a partir deles.
Por exemplo, se seu objetivo final é automatizar o suporte ao cliente em sua empresa, uma maneira de alto controle para começar seria definir a v1 (versão 1) como simplesmente direcionar tickets para o departamento certo, depois passar para a v2 onde o sistema sugere possíveis resoluções, e somente na v3 permitir que ele resolva automaticamente com uma opção de fallback humano.
Aqui estão mais alguns exemplos:
Assistente de marketing
v1: Redigir e-mail, anúncio ou texto para redes sociais a partir de prompts
v2: Criar campanhas de múltiplas etapas e executá-las
v3: Lançar, testar A/B e otimizar automaticamente campanhas em diferentes canais
Assistente de codificação
v1: Sugerir conclusões inline e trechos de código padrão
v2: Gerar blocos maiores (como testes ou refatorações) para revisão humana
v3: Aplicar mudanças específicas e abrir pull requests (PRs) 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 só vê a versão atual, mas o sistema subjacente subiu essa escada gradualmente. Primeiro conclusões, depois blocos, depois PRs, com cada passo conquistado através de uso, feedback e iteração."
Mais aqui:


20/08, 00:21
Não se pode construir produtos de IA como outros produtos.
Os produtos de IA são inerentemente não determinísticos, e você precisa constantemente negociar o equilíbrio entre agência e controle.
Quando as equipes não reconhecem essas diferenças, seus produtos enfrentam falhas inesperadas, ficam presos depurando grandes sistemas complicados que não conseguem rastrear, e a confiança do usuário no produto se erode silenciosamente.
Após observar esse padrão se desenrolar em mais de 50 implementações de IA em empresas como @OpenAI, @Google, @Amazon e @Databricks, Aishwarya Naresh Reganti e Kiriti Badam desenvolveram uma solução: o framework de Calibração Contínua/Desenvolvimento Contínuo (CC/CD).
O nome é uma referência à Integração Contínua/Implantação Contínua (CI/CD), mas, ao contrário de seu homônimo, é destinado a sistemas onde o comportamento é não determinístico e a agência precisa ser conquistada.
Este framework mostra como:
- Começar com recursos de alto controle e baixa agência
- Construir sistemas de avaliação que realmente funcionam
- Escalar produtos de IA sem quebrar a confiança do usuário
É projetado para reconhecer a singularidade dos sistemas de IA e ajudar você a construir produtos de IA mais intencionais, estáveis e confiáveis.
Eles estão compartilhando isso publicamente pela primeira vez:

64,1K
Top
Classificação
Favoritos