Currículo para vagas de IA: como mostrar avaliação e uso em produção

Curso, protótipo e produção não são a mesma coisa

Com a popularização dos modelos de linguagem, muita gente fez cursos e protótipos de IA. Isso é bom, mas cria um problema no currículo: tudo parece igual. Quem contrata quer saber o que chegou a ser usado, por quem e com que cuidado.

Rotular corretamente não diminui o seu trabalho. Um protótipo descrito como protótipo, com avaliação séria, é um sinal forte para vagas júnior e pleno. Um protótipo apresentado como produção desmorona na primeira pergunta da entrevista.

Avaliação é o que separa trabalho de IA de demonstração

Fazer um modelo responder é fácil; saber se ele responde bem é o trabalho. Vagas de IA, de cientista de dados a engenheiro de LLM, costumam valorizar quem mede qualidade. No currículo, diga como você avaliou:

• Conjunto de avaliação: que exemplos você usou para testar e de onde vieram (casos reais anonimizados, exemplos rotulados por especialistas).
• Métrica: o que você mediu (acerto, precisão e revocação, taxa de respostas com fonte correta, avaliação humana por amostra).
• Comparação: contra o quê (a versão anterior, uma regra simples, outro modelo).
• Limites encontrados: onde o sistema errava e o que você fez com isso (mudou o prompt, filtrou casos, colocou revisão humana).

Projetos fictícios com avaliação documentada

Os dois exemplos são inventados, com números ilustrativos. Eles mostram a forma de um tópico de protótipo e de um de produção.

O primeiro tópico deixa claro que é projeto, mostra conjunto, métrica, comparação e limite. O segundo mostra uso real, avaliação contínua e uma decisão de produto (recusar sem fonte). Nenhum dos dois depende de uma palavra da moda para impressionar.

O que as vagas de IA e machine learning pedem hoje

A contagem abaixo é feita sobre as vagas abertas de IA e Machine Learning do catálogo, todas com contratação confirmada para quem mora no Brasil, por vaga única.

O que a contagem não mede: a diferença entre vagas de pesquisa, de machine learning e de engenharia de aplicações com LLM, que dividem a mesma área (vagas de cientista de dados costumam ficar na área de Dados). Também não mede requisitos não escritos, como publicações ou experiência com um tipo de dado. Leia o anúncio para saber qual função ele descreve.

Para ver o que cada nível pede, use Skills para IA e Machine Learning. Para ler qualquer ranking de tecnologias com cuidado, veja Como ler um ranking de tecnologias.

Ajuste o currículo à função de IA da vaga

• Ciência de dados e ML clássico: destaque modelagem, estatística, experimentos e como o modelo foi validado. O guia Currículo de analista de dados ajuda na parte de análise.
• Engenharia de ML e MLOps: destaque treinamento e deploy de modelos, monitoramento de desempenho e dados, pipelines. O guia Currículo de engenharia de dados ajuda na parte de pipeline.
• Engenharia de aplicações com LLM: destaque integração com APIs de modelos, recuperação de documentos, avaliação, custo e latência, segurança contra uso indevido.

Não se apresente como pesquisador se você integra modelos de terceiros, nem como engenheiro de ML se só fez cursos. A vaga certa para o seu estágio atual existe, e o currículo honesto chega mais perto dela.