Redes neurais, Transformers e MLOps básico

Notas de atualização

• Tratar CNN/RNN/LSTM como panorama e Transformer original como encoder-decoder; distinguir de variantes decoder-only.
• Separar treinamento (loss/backprop/otimizador) de inferência e avaliação; model.eval e no_grad têm responsabilidades diferentes.
• MLflow e DVC organizam artefatos e experimentos; versionamento não garante reprodutibilidade sem ambiente/dados.
• Documento de SageMaker Model Monitor informa encerramento para novos clientes; conservar apenas exemplos conceituais de drift.
• Governança usa gestão voluntária de risco NIST; não converter registro de modelos em promessa de conformidade.