Entender

O que é: Imagine a caixa de entrada de uma equipe de cursos. Uma mensagem pede uma nova senha, outra quer saber o preço e uma terceira contesta uma cobrança. Antes de escrever uma resposta, a equipe precisa decidir quem recebe cada pedido. Essa escolha tem poucas alternativas conhecidas e pode ser estudada separadamente da redação da resposta.

Por que aprender: Escolher entre uma regra, uma decisão delimitada e uma resposta generativa.

Conceitos-chave: contexto, critérios e evidência aplicados à aula 1.1.

O que é: Uma decisão depende de três elementos. O contexto contém o material a avaliar. A pergunta declara exatamente o julgamento desejado. As opções delimitam as respostas que o sistema sabe interpretar. Se qualquer um deles estiver mal definido, a saída pode ser válida no formato e inútil para a operação.

Por que aprender: Escolher entre uma regra, uma decisão delimitada e uma resposta generativa.

Conceitos-chave: contexto, critérios e evidência aplicados à aula 1.2.

O que é: Um anúncio pode mostrar grande diferença de velocidade entre dois sistemas. Para entender o número, precisamos saber qual tarefa foi usada, quanto contexto entrou, qual modelo foi comparado, que configuração ele tinha e o que conta como resposta correta. Um máximo observado não vira uma vantagem fixa em qualquer uso.

Por que aprender: Escolher entre uma regra, uma decisão delimitada e uma resposta generativa.

Conceitos-chave: contexto, critérios e evidência aplicados à aula 1.3.

O que é: Choice serve para escolher entre alternativas descritas previamente. Em uma triagem, as opções podem representar equipes. Os nomes devem ser estáveis para o código e os critérios devem ser compreensíveis para quem rotula exemplos. Não basta escrever uma lista de palavras vagas: “financeiro” e “administrativo” podem se sobrepor se as fronteiras não forem explicadas.

Por que aprender: Distinguir Choice, Noul e Score a partir do tipo de resposta necessário.

Conceitos-chave: contexto, critérios e evidência aplicados à aula 2.1.

O que é: Noul responde a uma pergunta binária com um número entre zero e um. O valor representa a probabilidade de “sim” segundo o modelo. Próximo de um aponta para sim; próximo de zero aponta para não. O valor intermediário não representa uma intensidade intermediária do assunto: ele indica que as alternativas não estão bem separadas.

Por que aprender: Distinguir Choice, Noul e Score a partir do tipo de resposta necessário.

Conceitos-chave: contexto, critérios e evidência aplicados à aula 2.2.

O que é: Score é adequado quando existe uma escala com descrições. “Como está a prioridade?” só funciona bem se cada nível tiver um significado operacional. Baixa pode significar dúvida sem bloqueio; média, dificuldade com alternativa de contorno; alta, bloqueio do trabalho sem alternativa. O objetivo é tornar a rubrica revisável por pessoas.

Por que aprender: Distinguir Choice, Noul e Score a partir do tipo de resposta necessário.

Conceitos-chave: contexto, critérios e evidência aplicados à aula 2.3.

O que é: Em Choice, a distribuição informa um valor para cada alternativa. O campo confidence resume uma propriedade dessa distribuição segundo a implementação do fornecedor. Não presumimos que seja igual à maior probabilidade. Ao registrar um resultado, guardamos os dois campos com nomes distintos.

Por que aprender: Usar incerteza sem transformá-la em autorização automática.

Conceitos-chave: contexto, critérios e evidência aplicados à aula 3.1.

O que é: Crie um caso fictício: a pessoa escreve “não quero cancelar; só preciso trocar a data”. O modelo escolhe cancelamento com probabilidade alta. A saída é estruturalmente válida, mas a interpretação falhou na negação. Esse exemplo não precisa ser um benchmark real para revelar uma falha de arquitetura: executar uma ação irreversível apenas porque o número é alto.

Por que aprender: Usar incerteza sem transformá-la em autorização automática.

Conceitos-chave: contexto, critérios e evidência aplicados à aula 3.2.

O que é: O próximo passo depende tanto da incerteza quanto do custo de errar. Mostrar uma fila sugerida e apagar uma conta têm consequências diferentes. Não há um limiar universal que torne as duas ações equivalentes. O projeto deve definir quais ações são reversíveis, quais precisam de confirmação e quais ficam somente com pessoas autorizadas.

Por que aprender: Usar incerteza sem transformá-la em autorização automática.

Conceitos-chave: contexto, critérios e evidência aplicados à aula 3.3.

O que é: Uma tarifa por milhão de tokens precisa ser convertida antes de multiplicar pelo volume de chamadas. Na referência de preço consultada em 18/09/2026, a entrada do Jev custa US$ 0,042 por milhão. Para 10.000 tokens totais de entrada, dividimos 10.000 por um milhão e multiplicamos por 0,042. O resultado é US$ 0,00042.

Por que aprender: Calcular a viabilidade incluindo o trabalho que acontece depois do modelo.

Conceitos-chave: contexto, critérios e evidência aplicados à aula 4.1.

O que é: Uma chamada barata não garante um processo barato. Depois da triagem pode haver modelo generativo, revisão humana, extração de texto, armazenamento e retrabalho. Se o erro direcionar um pedido para a equipe errada, o custo real inclui o tempo de corrigir o encaminhamento.

Por que aprender: Calcular a viabilidade incluindo o trabalho que acontece depois do modelo.

Conceitos-chave: contexto, critérios e evidência aplicados à aula 4.2.

O que é: Um primeiro piloto deve responder a uma pergunta de negócio pequena e verificável. “Automatizar toda a empresa” não oferece um critério de conclusão. “Sugerir a fila de tickets em português sem aumentar o retrabalho” permite reunir exemplos, revisar os resultados e decidir se vale avançar.

Por que aprender: Calcular a viabilidade incluindo o trabalho que acontece depois do modelo.

Conceitos-chave: contexto, critérios e evidência aplicados à aula 4.3.