Memorial de projetos : frameworks de inteligência artificial na prática - do protótipo ao produto

Abstract

Resumo: Este Memorial de Projetos apresenta uma análise prática de frameworks de Inteligência Artificial (IA) e seu papel no ciclo completo de desenvolvimento — da prova de conceito ao produto — com ênfase nas bibliotecas usadas ao longo das disciplinas do curso. Discutem-se critérios objetivos para seleção de ferramentas (ecossistema, desempenho, curva de aprendizado, suporte a GPU/TPU, interpretabilidade, portabilidade de modelos e integração com MLOps) e o encaixe típico entre frameworks: scikit-learn e XGBoost para aprendizado de máquina clássico; TensorFlow/Keras; além de utilitários para rastreamento de experimentos, versionamento de dados e implantação. A análise baseia-se em experiências práticas realizadas durante o curso, nas quais se observou que o uso de frameworks padronizados melhora a produtividade, a reprodutibilidade e a confiabilidade dos resultados. Como síntese, propõe-se um stack mínimo e evolutivo para projetos de IA aplicada, equilibrando produtividade e governança (reprodutibilidade, métricas e monitoramento), além de recomendações para documentação e conformidade ética. Os achados servem como referência para decisões técnicas e gerenciais em futuros projetos do autor

Abstract: This Project Portfolio presents a practical analysis of Artificial Intelligence (AI) frameworks and their role throughout the complete development cycle — from proof of concept to product — with emphasis on the libraries used across the program’s coursework. It discusses objective criteria for tool selection (ecosystem, performance, learning curve, GPU/TPU support, interpretability, model portability, and MLOps integration) and the typical alignment among frameworks: scikit-learn and XGBoost for classical machine learning; TensorFlow/Keras; as well as utilities for experiment tracking, data versioning, and deployment. The analysis is based on practical experiences carried out during the program, which showed that the use of standardized frameworks enhances productivity, reproducibility, and reliability of results. As a synthesis, a minimal and evolutionary stack is proposed for applied AI projects, balancing productivity and governance (reproducibility, metrics, and monitoring), along with recommendations for documentation and ethical compliance. The findings serve as a reference for technical and managerial decisions in the author’s future projects