Como se tornar um cientista de dados mais eficiente com técnicas rápidas de Engenharia de Prompt

A engenharia de prompt não é apenas mais uma moda passageira do mundo tech. Trata-se de uma competência cada vez mais valorizada, especialmente entre cientistas de dados que querem usar a IA como aliada para acelerar projetos, organizar fluxos de trabalho e tomar decisões melhores.

Abaixo, confira uma série em três partes, com algumas abordagens de engenharia de prompt, focadas nas etapas iniciais do ciclo de vida de um projeto de ciência de dados: planejamento, limpeza e análise exploratória (EDA).

Por que aprender engenharia de prompt é um diferencial?

Confesso: no começo, também achava que engenharia de prompt era só "saber escrever perguntas para o ChatGPT". Mas depois de muitos testes, descobri que essa prática é muito mais poderosa. Saber se comunicar com grandes modelos de linguagem (LLMs) como o GPT-4 ou Claude é, hoje, uma vantagem competitiva real.

Essas ferramentas já estão integradas aos notebooks, IDEs, dashboards e até nas revisões de código. E a cada semana, estão ficando melhores.

Dominar a arte de criar prompts claros, específicos e orientados ao contexto é como ter um assistente sênior disponível 24h por dia, pronto para gerar código, organizar ideias, revisar seus dados e propor soluções, tudo com base nas suas intenções.

Ciclo de Vida da Ciência de Dados com LLMs

A jornada de um projeto típico de ciência de dados inclui:

• Definição do problema e brainstorming de soluções;
• Coleta e limpeza de dados;
• Análise exploratória;
• Engenharia de atributos e modelagem;
• Validação e avaliação;
• Comunicação dos resultados.

Agora imagine atravessar todas essas etapas com um copiloto inteligente ao seu lado, que escreve trechos de código, sugere abordagens e aponta riscos que você talvez não tenha notado. Isso é o poder da engenharia de prompt aplicada.

Engenharia de Prompt na Prática — Parte 1: Planejamento, Limpeza e EDA

1. Planejamento e Brainstorming: dê adeus ao bloqueio criativo

Precisa estruturar um projeto, mas não sabe por onde começar? Experimente este tipo de prompt:

“Você é um cientista de dados sênior. Tenho um dataset de consumo de energia com 12.000 linhas (dados horários por 18 meses), incluindo temperatura, kWh, região e dia da semana.

Objetivo: prever o consumo futuro. Proponha um plano passo a passo, com etapas de pré-processamento, tratamento de sazonalidade, engenharia de atributos, modelagem e sugestões para visualização em dashboards.”

Você receberá um plano robusto com insights estratégicos, sugestões de validação e até perguntas para desafiar suposições do projeto. Modelos como o GPT-4 (o3-pro) ou o Claude 3 se destacam nesse tipo de tarefa.

Dica de ouro: Use a estratégia Esclarecer – Confirmar – Concluir. Primeiro, peça ao modelo para entender melhor os dados e o problema. Depois, confirme a abordagem mais adequada. Só então, solicite o plano completo.

2. Limpeza de Dados e Pré-Processamento: automatize as partes chatas

Limpar dados é essencial, mas também é repetitivo. Por isso, use prompts bem definidos como este:

“Tenho um DataFrame df com as colunas age, income e city.

Quero:

Remover linhas com city nulo;

Preencher valores ausentes em age com a mediana;

Tratar outliers de income com o método do IQR.

Escreva o código em Python com comentários explicativos.”

O LLM entregará o código com clareza, incluindo validações e boas práticas. Você pode adaptar esse modelo para qualquer tarefa de pré-processamento.

3. EDA (Análise Exploratória de Dados): faça perguntas que geram respostas inteligentes

Prompts genéricos como “analise este dataset” raramente trazem resultados úteis. Em vez disso, direcione com intenção. Exemplo:

“Tenho um dataset de e-commerce com customer_id, product, date, amount.

Quero entender:

Comportamento de compra por perfil;

Produtos comprados em conjunto;

Variações sazonais nas vendas.
Sugira colunas relevantes, visualizações e trechos de código para análise.”

Além disso, você pode copiar as estatísticas descritivas dos dados e perguntar:

“Com base nessas estatísticas, quais anomalias ou padrões devo investigar mais a fundo?”

Isso ajuda o modelo a gerar análises guiadas, contextualizadas e com maior valor analítico.

Padronização com consistência

Você precisa que o modelo gere saídas padronizadas (por exemplo, para documentação de variáveis)? Mostre o formato desejado com exemplos e depois peça:

• “Original: ‘purchase_amt’
  
• Padronizado: ‘Valor total da compra em USD.’
  
• Agora, padronize:
  
• ‘cust_tenure’
  
• ‘item_ct’”

Esse modelo de prompt com poucos exemplos (few-shot learning) aumenta a consistência e reduz erros em tarefas repetitivas.

Erros comuns ao usar LLMs para ciência de dados

1. Ser genérico demais: quanto mais vago o prompt, mais genérica a resposta.
2. Confiar cegamente no código gerado: sempre revise e teste.
3. Expor dados reais: evite colar dados sensíveis; descreva as colunas ou use dados fictícios se estiver em ambiente público.