Economista que constrói sistemas de IA. E mede se eles se pagam.
Nenhuma resposta de modelo de linguagem entra numa decisão minha sem passar por três checagens: onde ela erra, como se compara com a regra mais boba que resolve o mesmo problema, e quem revisou o quê.
Isso vem de uma ideia simples, escrita no protocolo da minha base de conhecimento: quando eu delego uma tarefa para a IA, o resultado sai melhor e o meu aprendizado sai pior. Os dois se puxam em direções opostas.
Então eu trato a parte de executar como commodity, e protejo o que é escasso: entender o problema a fundo, e conseguir auditar a minha própria decisão depois.
Delegar melhora a entrega e piora o aprendizado. O método existe por causa disso.
A base roda em qualquer ferramenta
Tudo que sustenta este site (os protocolos, as decisões registradas, os conceitos, o estado de cada projeto) é texto puro versionado no Git. Nada depende de uma ferramenta específica. Se amanhã eu trocar o editor ou o modelo de IA, o método continua de pé. É por isso que "caderno de laboratório" aqui é literal, não enfeite.
Competir onde é raro
Quase todo candidato a uma vaga de dados compete no mesmo lugar: "meu modelo tem acurácia X". Eu prefiro o terreno com menos gente. Achar o erro que passa despercebido e faz o sistema mentir sem dar defeito. Provar, com número e data, que uma afirmação de rigor era falsa. Publicar o resultado negativo junto com a investigação de por que deu errado.
Formação e contato
Economia · UFMS
Pós-Tech em Engenharia de Machine Learning · FIAP
Onde falo
LinkedIn · GitHub
contato@luizmaibashi.dev