MELHORES ARQUITETURAS DE SOFTWARE PARA SISTEMAS COM INTELIGÊNCIA ARTIFICIAL
DOI:
https://doi.org/10.56238/ramv20n16-018Palavras-chave:
Inteligência Artificial, Arquitetura de Software, Microsserviços, MLOps, RAGResumo
O avanço acelerado da Inteligência Artificial (IA) tem exigido das equipes de engenharia de software a adoção de arquiteturas robustas, escaláveis e observáveis para sustentar modelos de aprendizado de máquina em produção. Este trabalho apresenta uma análise comparativa das principais arquiteturas de software utilizadas atualmente no desenvolvimento e implantação de sistemas baseados em IA, abordando padrões como microsserviços, serverless, pipelines de MLOps, arquitetura orientada a eventos e sistemas RAG (Retrieval-Augmented Generation). São discutidos os trade-offs de cada abordagem, critérios de escolha e tendências emergentes para 2025 e além.
Referências
BERKELEY AI RESEARCH INSTITUTE. The shift from models to compound AI systems. Disponível em: <https://bair.berkeley.edu>. Acesso em: 27 maio 2026.
KREUZBERGER, Dominik; KÜHL, Niklas; HIRSCHL, Sebastian. Machine learning operations (MLOps): overview, definition, and architecture. IEEE Access, v. 11, p. 31866-31879, 2023.
LAKATOS, Eva Maria; MARCONI, Marina de Andrade. Fundamentos de metodologia científica. 3. ed. rev. e ampl. São Paulo: Atlas, 1991. 270 p.
LEWIS, Patrick et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS, 33., 2020, [S. l.]. Anais [...]. [S. l.]: NeurIPS, 2020. p. 9459-9474.
SCULLEY, D. et al. Hidden technical debt in machine learning systems. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS, 28., 2015. Anais [...]. [S. l.]: NeurIPS, 2015.
SUTHERLAND, Jeff. Scrum: a arte de fazer o dobro do trabalho na metade do tempo. São Paulo: LeYa, 2014.
ZAHARIA, Matei et al. Accelerating the machine learning lifecycle with MLflow. IEEE Data Engineering Bulletin, v. 41, n. 4, p. 39-45, 2018.
