É possível aprender mais rápido?
Aparentemente sim, mas não é fácil não.
Estive meio sumido devido da newsletter devido a quantidade de trabalho.
O ano fiscal no Japão começa em Abril e estava uma loucura por aqui. Nada funcionava. Parecia o bug do milênio.
Mas enfim.. Voltando com mais artigos pra vocês.
Obrigado por acompanhar essa humilde newsletter.
Na jornada para te tornares proficiente em dados, existe uma diferença entre simplesmente acumular conhecimento e se tornar um especialista na área.
Enquanto a maioria se contenta em ser medíocre, poucos alcançam o nível de especialista (e tá tudo bem..).
Por que isso acontece?
Eis a pergunta do milhão..
Como estou querendo acelerar os Data Creators, comecei a ler sobre “Aprender a aprender”, e cara..tem muita coisa legal.
Na newsletter de hoje vamos falar sobre a teoria da proficiência acelerada.
Vamos lá.
A Teoria da Proficiência Acelerada
O livro "Accelerated Expertise" de Robert Hoffman apresenta um conceito interessante: é possível reduzir significativamente o tempo necessário para atingir altos níveis de proficiência em qualquer área.
A pesquisa tem origem militar - afinal, o exército está constantemente formando especialistas em áreas críticas - mas os princípios se aplicam perfeitamente na área de dados.
Os cinco principais aspectos da aceleração de expertise são:
Treinamento rapidizado: Alcançar competência básica mais rapidamente
Proficiência acelerada: Atingir níveis elevados de domínio em menos tempo
Retenção facilitada: Evitar a degradação do conhecimento adquirido
Análise rapidizada de tarefas cognitivas: Compreender os processos mentais dos especialistas
Transposição rapidizada: Transferir rapidamente lições do treinamento para o mundo real
Vamos explorar como aplicar esses conceitos para nossa área de dados.
Por que é tão difícil se tornar um especialista em dados?
A maioria de nós atinge o nível de "Journeyman" - profissionais que executam tarefas sem supervisão, mas ainda precisam de orientação. Poucos alcançam o estágio de Especialista ou Mestre.
Segundo o livro, dois obstáculos principais nos impedem:
1. Falta de exposição a problemas difíceis
Em nosso cotidiano com dados, geralmente resolvemos problemas banais. Executamos as mesmas queries, construímos dashboards similares, e aplicamos técnicas já conhecidas.
Mas o crescimento acontece fora da zona de conforto.
Um engenheiro de dados que apenas mantém pipelines existentes dificilmente desenvolverá a maestria de quem regularmente enfrenta arquiteturas diferentes e problemas de escala.
2. Escudos de conhecimento
Este eu nunca tinha ouvido falar. Quando aprendemos algo novo, tendemos a simplificar conceitos em nossa mente. Esta simplificação não é apenas incompleta, ela se torna um escudo contra novos aprendizados.
Por exemplo, quando dominamos um método específico de modelagem de dados, tendemos a aplicá-lo em todos os problemas, mesmo quando abordagens alternativas seriam superiores.
Quando confrontados com evidências que contradizem nossa metodologia, criamos justificativas e defesas ao invés de adaptar nosso conhecimento.
"Os escudos de conhecimento permitem que pessoas mantenham crenças e entendimentos incorretos. É necessário esforço, prática e experiência para começar a superar esses escudos."
Como acelerar tua expertise em dados?
Baseado nos princípios do livro, aqui algumas estratégias práticas:
1. Tem que fazer coisas difíceis (já começa com elas)
O maior acelerador de expertise é enfrentar problemas difíceis. Isso vai no caminho contrário da metodologia “normal”.
No contexto de dados por exemplo:
Analisar datasets mais complexos ou maiores que o normal
Resolver problemas que envolvam várias áreas de conhecimento simultaneamente
Trabalhar com ferramentas e técnicas no limite do teu conhecimento atual
Revisar e tentar resolver postmortem de falhas e incidentes de equipes experientes
A chave aqui é comprimir no tempo casos difíceis que normalmente levariam anos para encontrares. Muitos especialistas tiveram um momento "aha" durante uma crise ou um projeto que virou a chavinha na cabeça.
Para quem quer migrar de área, se fores fazer um portfólio, escolha fazer algo que tu sabes que é uma deficiência tua. Procura fazer sem ajuda direta da IA, use-a apenas para confirmar se o seu entendimento é o bom.
2. Os cursos não te preparam para o real - inclua caos
A maioria dos problemas reais de dados são bagunçados - não têm soluções prontas como nos tutoriais.
Pensa naquela vez que tu recebeste um dataset cheio de dados faltantes, formatados de maneira estranha, ou contraditórios. Ou quando o cliente mudou os requisitos no meio do projeto. Esse é o mundo real.
Para lidar com essa bagunça, precisas:
Estar sempre aprendendo coisas novas, mesmo quando acha que já sabe o suficiente
Adaptar o que já sabes para cada novo problema que aparece
Pegar técnicas de outras áreas e usar na análise de dados
Por exemplo, eu uso muito conceitos de engenharia de produção (inclusive já escrevi bastante sobre eles nessa newsletter).
Os melhores analistas que conheço são aqueles que conseguem olhar para um problema de vários ângulos diferentes e adaptar seu conhecimento conforme necessário.
3. Pratica com zelo além do ponto de acerto
Achei bem legal essa frase e explica bem o que o livro fala:
"Amadores trabalham até acertar; profissionais trabalham até não conseguirem errar." - Julie Andrews
É o que os especialistas chamam de "overlearning". Continuar praticando mesmo depois de atingir o resultado. O aprendizado continua além do ponto onde os erros desaparecem.
No contexto de dados, isso significa continuar refinando tuas queries mesmo depois que elas funcionam, revisar teus dashboards com o negócio repetidamente, ou refatorar código que já está operacional.
4. Rotina x intensidade
O aprendizado distribuído (spaced practice) é significativamente superior ao concentrado (massed practice).
Em vez de fazer um curso intensivo de uma semana sobre machine learning, é melhor distribuir esse estudo ao longo de várias semanas, com intervalos entre as sessões.
Isso permite que teu cérebro processe as informações mais profundamente e as conecte com conhecimentos existentes.
Esse repetição espaçada, aliás, é um dos melhores métodos para aprender línguas estrangeiras.
5. Busca ativamente feedback corretivo
Os especialistas em aceleração de expertise descobriram que aprendemos mais com nossos erros do que com nossos acertos. Entretanto, em muitos trabalhos, especialmente em dados, quando tudo funciona conforme o esperado, raramente recebemos feedback sobre nosso desempenho.
Os especialistas buscam ativamente feedback corretivo - informações que permitem perceber seus erros. Alguns exemplos da nossa área:
Solicitam revisões de código
Pedem críticas específicas sobre seus modelos ou análises
Autoavaliam conscientemente seu trabalho em comparação com padrões elevados
Compartilham seus projetos com pessoas mais experientes para obter perspectivas diferentes
É por isso que é bom participar de uma comunidade ou ter um mentor.
Este feedback deve ser alguém que REALMENTE QUER O SEU BEM. Infelizmente isso é bem raro (especialmente nas empresas, quase ninguém quer seu bem lá).
Lembre…conhecimento tu já tens, falta uma perspectiva diferente.
A importância da motivação
"Alcançar expertise requer um constante 'estiramento' da habilidade (definido por desafios crescentes), altos níveis de motivação intrínseca para trabalhar arduamente em problemas difíceis, prática que fornece feedback rico e significativo, e prática baseada em mentoria ou orientação especializada."
Quando enfrentamos desafios e falhas, é fácil perder a motivação. O segredo está em manter um equilíbrio entre o sentimento de falha e o sentimento de realização.
A boa notícia é que a motivação tende a aumentar com a melhoria das habilidades. A má notícia é que isso dá um trabalho da desgraça haha…
Montagem do conhecimento
Ser inteligente não é apenas possuir uma pasta cheia de certificados.
De acordo com o livro, está principalmente associado à tua capacidade de fazer referências cruzadas entre diferentes conceitos, áreas e ideias para construir uma solução adaptada à especificidade do problema em questão.
Quando estás aprendendo coisas novas, o objetivo não deve ser apenas memorizar e depois relembrar a informação. O grande objetivo deve ser "montar conhecimento". Ou seja, o material que reúnes deve ser como um fluido. Nunca estático, mas sempre se movendo entre as áreas. Tudo está conectado, lembra?
Além disso, o processo de adquirir novos conhecimentos também inclui desaprender. Precisamos remover modelos mentais obsoletos em nossas mentes para abrir espaço para conceitos novos e melhores.
Uma biblioteca de conhecimento
Para acelerar tua expertise é criar uma "biblioteca de conhecimento". Um repositório de problemas reais e suas soluções.
(inclusive deverias fazer isso como parte da governança de dados do teu time - confia, vai ajudar muito).
No contexto de dados, isso pode incluir:
Problemas comuns e raros que encontraste e como os resolveste
Decisões de arquitetura e seus pros x cons
Incidentes e suas resoluções
Projetos bem-sucedidos e fracassados, com análises detalhadas
Revisitar regularmente esta biblioteca, especialmente os casos mais desafiadores, ajuda a fortalecer teus modelos mentais.
Como implementar estes conceitos?
Aqui algumas idéias:
Identifica os casos mais “difíceis” da área: Pergunte a colegas mais experientes: "Quais foram os problemas mais difíceis que tu enfrentaste em tua carreira?" Depois, tenta resolver esses problemas sozinho, na hora do portfólio por exemplo.
Estudo sem prática = entretenimento: Em vez de apenas estudar passivamente, crie cenários de prática (Alô Data Glow Up). Por exemplo, se quiseres aprender sobre otimização de queries, pega uma query ineficiente real e dedica tempo a otimizá-la de várias maneiras diferentes.
Documenta teus processos mentais: Mantém um documento onde registras não apenas o que fizeste, mas também como pensaste sobre o problema, quais alternativas consideraste, e por que escolheste determinada abordagem.
Busque Experts e aprenda com eles: Uma das maneiras mais rápidas de aprender é entendendo como um expert pensa, ou seja, o modelo mental que ele já desenvolveu.
É isso..
O caminho para se tornar um especialista em dados não precisa durar uma década.
O que diferencia os verdadeiros mestres não são apenas suas habilidades técnicas, mas sua capacidade de pensar diferente, se adaptar e manter a motivação mesmo quando confrontados com problemas complicados.
Lembre:
"Aprender continua além do ponto onde a precisão é perfeita."
Vamo que vamo.
Data Creators
O Data Creators está fechado em Abril - preciso descansar um pouco.
Mas caso esteja interessado (e alguém do grupo atual sair) me mande mensagem que lhe incluo na lista e te informo se há algum update.
Aqui os detalhes:
https://docs.google.com/document/d/1w3xFRuhe2FXNu6-ywmR1xKovFarcpYksNpAmgTcHe-s/edit?usp=sharing
Muito bom o tema de aprendizado, Sasaki.
Eu gosto muito da abordagem do professor Pier. Estudar não para a prova, mas continuamente. Usar lápis e papel. Estudar um pouco por dia, para obter ganhos como se fossem juros compostos. Algumas notas no link a seguir, se me permite:
https://ideiasesquecidas.com/2024/03/25/compartilhando-ideias-aprendendo-a-aprender/