O que aprendi em 8,5 anos de machine learning: paciência, otimismo e disciplina

O que aprendi em 8,5 anos de machine learning: paciência, otimismo e disciplina

Pascal Janetzky acumulou mais de oito anos de experiência prática em machine learning e, a cada meio ano, faz uma pausa para refletir sobre as lições que realmente persistem. Na edição mais recente, publicada no Towards Data Science, ele destila cinco qualidades que transcendem qualquer framework, modelo ou arquitetura específica: paciência, otimismo, disciplina, bons projetos e boas equipes.

Paciência: ninguém nasce expert

Janetzky compara o progresso em machine learning com aprender a fazer parada de mão: no começo você falha muito e vê pouco ou nenhum progresso. Com ML é igual — leva várias iterações até um projeto ficar bom. O trabalho será rejeitado e criticado pelo caminho. O autor conta que um artigo seu foi rejeitado quatro vezes ao longo de dois anos até ser aceito em uma conferência A*. “Se eu não tivesse sido paciente o suficiente, certamente não estaria publicado agora”, escreve.

Otimismo: cultive ignorância saudável

Trabalhar em ML significa enfrentar obstáculos inevitáveis — seja num paper de pesquisa ou num deploy em produção. Persistir é necessário, mas não basta. É preciso cultivar um otimismo silencioso sobre o próprio trabalho. Outros podem dizer o que quiserem, mas no fim é o seu trabalho. “Enquanto você confia no progresso na maior parte do tempo, está tudo bem.”

Disciplina: o importante primeiro, dia após dia

Ler mais um paper é interessante, mas checar o Twitter ou o YouTube é mais envolvente. Só que isso não traz progresso — ou puxa você ativamente para trás. O “segredo” do autor é colocar o que importa em primeiro lugar, todos os dias, com uma adesão de 80% à rotina para que ela seja realisticamente sustentável. “Ter quase escrito um artigo não conta. Nem uma tese quase escrita. Só o foco e a disciplina movem você adiante.”

Projetos: nicho e estabilidade

Para quem está numa jornada de doutorado, Janetzky alerta: tão importante quanto ser inteligente é ter um tópico suficientemente nichado e estável — algo que outros se importem e onde você possa usar seus pontos fortes. Ele conta o caso de um colega que estudava capacidades emergentes de LLMs: um tema fascinante, mas o campo era novo demais, instável demais. O colega se queimou e mudou de área.

Equipes: a lição mais importante

“Muitas vezes importa mais com quem você trabalha do que no quê você trabalha.” Se você é bom no que faz mas o ambiente não deixa colocar isso em prática, você está no lugar errado. Se você não pode errar, está no lugar errado. Se você teme aparecer, está no lugar errado. Uma equipe precisa primeiro estar numa zona de conforto — trabalhando bem juntos — antes de alcançar a zona de alta produtividade sob pressão.

Nada de novo — e isso é bom

Nenhuma dessas lições é exclusiva de machine learning, reconhece Janetzky. São as mesmas qualidades que definiram o progresso humano nos últimos milênios. “Se uma tecnologia derrubasse tudo que nos acompanhou até aqui, estaríamos perdidos. É reconfortante ver as lições clássicas reaparecerem.” Para quem está começando ou no meio da jornada em ML, o recado é claro: as ferramentas mudam, mas os fundamentos humanos permanecem.