Público-Alvo e Pré-requisitos¶

Objetivos de Aprendizagem¶

Ao final desta seção, você será capaz de:

• Identificar qual perfil de leitor do SWEBOK-AI mais se aproxima da sua situação profissional
• Avaliar suas lacunas de conhecimento em relação aos pré-requisitos técnicos necessários
• Priorizar quais Knowledge Areas consultar primeiro com base no seu perfil
• Planejar uma estratégia de preparação adequada antes de aprofundar-se no conteúdo

Perfis de Leitores¶

O SWEBOK-AI v5.0 foi estruturado para atender a diferentes perfis profissionais, cada um com necessidades específicas e caminhos de aprendizado distintos. A identificação do seu perfil ajudará a navegar pelo material de forma mais eficiente.

Engenheiros de Software (Praticantes)¶

Este é o público central do guia: profissionais que escrevem código, revisam implementações e operam sistemas em produção diariamente.

Líderes Técnicos¶

Arquitetos de software, tech leads e engenheiros sênior responsáveis por decisões de design e governança técnica.

Pesquisadores e Acadêmicos¶

Profissionais da academia e centros de pesquisa interessados nos fundamentos teóricos e metodológicos da engenharia de software assistida por IA.

Executivos e Gestores¶

CTOs, VP de Engenharia, diretores de produto e outros tomadores de decisão estratégica.

Estudantes e Profissionais em Transição¶

Graduandos, recém-formados ou profissionais de outras áreas migrando para engenharia de software.

Checklist de Prontidão Técnica¶

Antes de aprofundar-se no conteúdo técnico dos KAs, avalie se você possui a base necessária:

Fundamentos Obrigatórios¶

• Experiência prévia em desenvolvimento: Mínimo de 6 meses escrevendo código em projetos reais ou acadêmicos significativos
• Familiaridade com controle de versão: Capacidade de criar branches, fazer commits, resolver conflitos e entender workflows Git básicos
• Compreensão de arquitetura de software: Entender conceitos de camadas, APIs, microsserviços e integração de sistemas

Fundamentos Desejáveis¶

• Conhecimento básico de estatística/probabilidade: Noções de distribuições, média, mediana, desvio padrão e amostragem
• Experiência com APIs: Ter consumido ou construído APIs REST, entendendo autenticação, rate limiting e formatos de resposta
• Familiaridade com métodos ágeis: Compreensão básica de Scrum, Kanban ou práticas de entrega contínua

Competências Específicas por Perfil¶

Lacunas de Conhecimento Comuns¶

É normal chegar ao SWEBOK-AI com lacunas específicas. O importante é identificá-las e saber onde buscar suplementação:

Lacunas Aceitáveis (O Guia Cobre)¶

• Não ter experiência prática com LLMs: O KA 00 e KA 04 fornecem fundamentos suficientes para iniciantes
• Desconhecimento de técnicas de RAG: Abordado detalhadamente no KA 02 (Arquitetura)
• Falta de familiaridade com engenharia de prompts: Sistema de templates e padrões apresentado no KA 04

Lacunas que Requerem Preparação Prévia¶

• Desconhecimento completo de métodos ágeis: Recomenda-se leitura do Scrum Guide ou similar antes de iniciar
• Falta de experiência em revisão de código: Sugere-se contribuir em projetos open-source por 3-6 meses
• Não conhecer métricas DORA: Leitura obrigatória do State of DevOps Report (Google/DORA) como pré-requisito para KAs 06 e 09
• Ausência de fundamentos estatísticos: Cursos básicos de estatística inferencial são essenciais para pesquisadores

Estratégias de Preparação¶

Cada perfil beneficia-se de um caminho de preparação diferenciado:

Para Engenheiros de Software¶

Recursos prévios recomendados:

• Cursos online: "Prompt Engineering for Developers" (DeepLearning.AI), "Building Systems with the ChatGPT API"
• Prática sugerida: Implementar um projeto pessoal usando APIs de LLM, documentando os desafios encontrados
• Tempo estimado: 20-40 horas de preparação

Para Líderes Técnicos¶

Recursos prévios recomendados:

• Leitura obrigatória: "Continuous Delivery" (Humble, Farley), papers recentes sobre AI governance
• Workshops: Sessões hands-on de orquestração com frameworks como LangChain ou CrewAI
• Tempo estimado: 30-50 horas de preparação

Para Pesquisadores¶

Recursos prévios recomendados:

• Cursos: Metodologia científica aplicada à engenharia de software, estatística para ciência de dados
• Benchmarks: Familiarização com HumanEval, SWE-bench e outros benchmarks de codificação
• Tempo estimado: 40-60 horas de preparação

Para Executivos¶

Recursos prévios recomendados:

• Leitura: Relatórios do McKinsey/BCG sobre adoção de IA, case studies de transformação digital
• Networking: Participação em comunidades de CTOs discutindo adoção de IA
• Tempo estimado: 15-25 horas de preparação

Para Estudantes¶

Recursos prévios recomendados:

• Cursos: Estruturas de dados, algoritmos, e um projeto full-stack completo
• Prática: Contribuições open-source, participação em hackathons
• Tempo estimado: 60-100 horas de preparação

Auto-avaliação Rápida¶

Responda às questões abaixo para identificar seu perfil e caminho ideal:

Identificação de Perfil¶

1. Qual sua principal responsabilidade atual?

2. A) Escrever e revisar código (Praticante)

3. B) Definir arquitetura e padrões (Líder Técnico)
4. C) Conduzir pesquisas e experimentos (Pesquisador)
5. D) Tomar decisões de investimento (Executivo)

6. E) Aprender e construir portfólio (Estudante)

7. Qual seu maior desafio com IA atualmente?

8. A) Outputs inconsistentes e difíceis de debugar

9. B) Falta de governança e controle
10. C) Ausência de métodos rigorosos de avaliação
11. D) Incerteza sobre retorno do investimento

12. E) Saber por onde começar

13. Quanto tempo você tem disponível semanalmente para estudo?

14. A) 2-5 horas (leitura seletiva)

15. B) 5-10 horas (aprofundamento técnico)
16. C) 10+ horas (estudo intensivo)

Mapeamento de Prioridades¶

Com base nas respostas acima, seu perfil sugere priorizar:

Diagnóstico de Lacunas¶

Marque as afirmações que se aplicam a você:

• Nunca usei APIs de LLMs em produção
• Não sei o que são métricas DORA
• Nunca participei de revisões de código formais
• Não tenho experiência com métodos ágeis
• Desconheço conceitos de arquitetura em camadas

Interpretação:

• 0-1 marcações: Pronto para iniciar diretamente
• 2-3 marcações: Recomenda-se revisar recursos prévios sugeridos
• 4-5 marcações: Prepare-se com cursos fundamentais antes de aprofundar-se no SWEBOK-AI

Resumo¶

Esta seção estabeleceu que o SWEBOK-AI v5.0 atende a cinco perfis distintos: Engenheiros de Software (foco em implementação), Líderes Técnicos (foco em arquitetura), Pesquisadores (foco em métodos), Executivos (foco em estratégia) e Estudantes (foco em fundamentos).

Os pré-requisitos essenciais incluem experiência em desenvolvimento, familiaridade com Git e compreensão básica de arquitetura de software. Lacunas aceitáveis, como falta de experiência com LLMs, são cobertas pelo guia. Lacunas críticas, como desconhecimento de métodos ágeis ou métricas DORA, requerem preparação prévia.

A auto-avaliação proposta permite identificar rapidamente seu perfil, priorizar os KAs adequados e reconhecer quais lacunas precisam de atenção antes do aprofundamento no conteúdo técnico.

Referências¶

1. SWEBOK v4.0, Guide to the Software Engineering Body of Knowledge, IEEE Computer Society, 2024
2. Humble, J., Farley, D., Continuous Delivery: Reliable Software Releases through Build, Test, and Deployment Automation, Addison-Wesley, 2010
3. Forsgren, N., et al., Accelerate: The Science of Lean Software and DevOps, IT Revolution Press, 2018
4. DORA, State of DevOps Report, Google Cloud, 2023, https://dora.dev/research/
5. DeepLearning.AI, ChatGPT Prompt Engineering for Developers, 2023
6. Martin, R.C., Clean Code: A Handbook of Agile Software Craftsmanship, Prentice Hall, 2008