📋 Plano de Preparação — DEUS.ai

Sobre a DEUS — conhece antes da entrevista

DEUS = Data | Engineering | User Experience | Strategy

Missão: AI que serve pessoas — inovação ética e com impacto. Nome inspirado em deus ex machina: AI que intervém para apoiar, resolver e servir.

Escritórios: Amsterdam, Porto, A Coruña — equipa multicultural.

Valores: "A tecnologia deve servir as pessoas"; "no assholes" policy; diversidade e inclusão.

Frase para usar: O que me atraiu na DEUS é o foco em AI que serve pessoas — não só inovador, mas ético e com impacto.

---

⚠️ Entrevista em Inglês

"Inglês escrito e falado excelente é o requisito central" — a entrevista pode ser em inglês.

• Prepara o pitch e os 3 projetos em inglês
• Tudo está em pt-PT para estudo; se a entrevista for em inglês, prepara também as respostas em inglês
• Pratica dizer em voz alta: RAG, agentes, hallucinations, fine-tuning vs RAG

---

Prioridades por probabilidade de sair

Para esta vaga, é mais provável perguntarem RAG, agentes, arquitetura, produção e integração com dados do que entrarem fundo em PCA, CNN ou logistic regression.

---

🔴 Prioridade A — quase certo que pode sair

• Pitch — Preparação, apresentação, posicionamento
• Projetos Pessoais — 3 cases prontos (chatbot imobiliário, recomendação com agentes, cão)
• RAG — arquitetura, chunking, hybrid search, reranking, tipos (naive, hybrid, parent-child, hierarchical, agentic)
• Fundamentos de LLM — embeddings, hallucinations, temperature, pipeline
• AI Agents — ReAct, LangGraph, tool calling, multi-agent
• System Design — escalar, custos, RAG em produção
• Costs / Scaling / Hallucinations — reduzir custos, evitar hallucinations

🟡 Prioridade B — pode sair

• Vector DBs — cosine similarity, HNSW, ANN
• FastAPI / APIs — streaming, deploy de modelos
• Python async — GIL, threading vs multiprocessing
• Monitoring / MLOps — caching, versioning, drift
• Observability — Langfuse para LLMs (tracing, tokens, custo)
• Integração com dados — pipelines, ingestão para RAG
• NumPy, Pandas, PySpark — processamento de dados, ETL, pipelines para RAG
• Stakeholder management — extração de requisitos, pilotar projetos, balancear prioridades
• CI/CD, Terraform, Helm — infraestrutura como código, pipelines (mencionados na vaga)
• Agile — Scrum, Kanban, sprints, retrospectivas (mencionado na vaga)
• Coding / Live Coding — chunking, retry, parse JSON (exercícios práticos)

🟢 Prioridade C — só se houver tempo

• ML clássico — bias/variance, overfitting, métricas (retorno menor)
• Deep Learning genérico — CNN, RNN, backprop (foca em transformers)
• Fine-tuning & Training — prompt engineering a full fine-tuning, LoRA, RLHF, RAG
• Cloud genérico — serviços básicos, menos detalhe
• Computer Vision — se tens experiência (vaga: NLP ou CV)

Estes tópicos foram encurtados, não apagados — o conteúdo está condensado para estudo rápido.

---

Ordem de estudo sugerida

1. Guia (este) → Preparação (pitch) → Projetos Pessoais (3 cases) → RAG → Tipos de RAG → LLMs → AI Agents
2. System Design + Arquitetura RAG + Agents
3. Vector DBs → APIs → Python async → Coding → NumPy/Pandas/PySpark → MLOps → Observability & Cloud GenAI
4. Data Engineering (integração)
5. ML Fundamentals, Deep Learning, Fine-tuning & Training, Cloud — só se sobrar tempo
6. Simulação — prática final

---

Versão de estudo vs versão falada

Algumas perguntas têm dois campos:

• solução — versão técnica para estudo (fórmulas, detalhes)
• spoken — versão natural para dizer em voz alta na entrevista

Em entrevista, usa a versão spoken; em estudo, consulta a solução.

---

✅ Checklist antes da entrevista

• Pitch e projetos preparados em inglês (entrevista pode ser em EN)
• Pitch de apresentação decorado
• 3 cases de projetos decorados (imobiliário, recomendação, cão)
• Curso de AI: versão forte decorada
• 3 frases que impressionam prontas
• Posicionamento: AI Systems Engineer (não ML engineer)
• RAG: explicar em 2 frases
• Hallucinations: causas + mitigação
• Fine-tuning vs RAG: diferença clara
• Design RAG para milhões de docs: arquitetura
• Respostas senior: curtas, estruturadas
• 3-4 perguntas para fazer ao entrevistador
• Exemplo de stakeholder management / pilotar projeto (STAR)
• Saber falar de Agile, CI/CD, Terraform se perguntarem
• Praticar os 3 coding challenges (chunking, retry, parse JSON)

---

10 erros que fazem reprovar

1. Falar só de modelos — querem sistemas, pipelines, arquitetura
2. Não falar de produção — deployment, monitorização, escalabilidade
3. Ignorar custo — caching, model routing, otimização de prompts
4. Não falar de dados — qualidade de dados, pipelines, ingestão
5. Ignorar segurança — prompt injection, guardrails
6. Não saber explicar embeddings — obrigatório em GenAI
7. Confundir RAG com fine-tuning — RAG=conhecimento; Fine-tuning=comportamento
8. Não falar de avaliação — accuracy, groundedness, relevância
9. Falar demasiado teórico — exemplos reais
10. Não fazer perguntas — separa medianos de bons

---

Perguntas que TU deves fazer (escolhe 3-4)

1. Que tipo de arquiteturas de AI estão a construir atualmente?
2. Os vossos sistemas são maioritariamente baseados em RAG ou também usam fine-tuning?
3. Quais os maiores desafios ao colocar sistemas LLM em produção?
4. Como gerem a ingestão de conhecimento para os vossos sistemas de AI?
5. Como avaliam a performance dos vossos sistemas de AI?
6. Que tipo de sistemas de AI está a equipa a construir com o Diogo?
7. Como é o stack de AI atual?
8. Como trabalham com stakeholders — desde requirements até deployment?
9. Usam Agile? Como são os sprints?

---

Bonus — Snowflake (se tiveres experiência)

A vaga menciona Snowflake como bonus: Streams & Tasks, Snowpipe, data sharing, governance. Se conheces: Snowpipe = ingestão contínua; Streams = CDC; Tasks = agendamento. Data sharing para partilhar dados entre contas.

---

Técnicas de estudo eficaz

• Recuperação ativa — em vez de reler, tenta responder às perguntas sem olhar. Verifica depois.
• Repetição espaçada — revisita os tópicos A após 1 dia, 3 dias e 1 semana.
• Técnica de Feynman — explica RAG ou agentes em voz alta como se ensinasses alguém.
• Prática falada — usa o campo spoken das perguntas; diz em voz alta antes de ver a solução.

---

Sinais de que estás pronto

• Consegues explicar RAG em 30 segundos sem hesitar
• Sabes a diferença entre os 6 tipos de RAG (naive, hybrid, reranking, parent-child, hierarchical, agentic)
• Consegues desenhar um sistema RAG + agentes num whiteboard
• Tens 3 projetos com estrutura problema → arquitetura → desafios → resultado
• Sabes responder "Como reduzir custos?" e "Como evitar hallucinations?" de forma concisa
• Implementas chunking ou retry com backoff sem olhar

---

Estratégia quando não sabes

1. Não inventes — "Não trabalhei diretamente com X, mas entendo que..."
2. Redireciona — "A minha experiência é mais em Y, que é relacionado..."
3. Mostra raciocínio — "Se tivesse de desenhar, começaria por..."
4. Pergunta — "É algo que usam em produção? Gostava de saber mais."

---

Recursos para aprofundar

• RAG: LlamaIndex docs, LangChain RAG tutorial
• Agents: LangGraph docs, ReAct paper
• Produção: Langfuse blog, scale AI engineering posts
• Design de sistemas: ByteByteGo, System Design Interview (addendum GenAI)