E aí, pessoal, boas-vindas a essa segunda aula da nossa imersão de IA da Alura com o Google Gemini. Eu sou Fabrício Carraro e eu estou aqui novamente com os queridos Luciano Martins, do Google, e a Valquíria Alencar, aqui, da Alura, para a gente continuar nessa grande aventura que estamos tendo, aprendendo mais sobre a inteligência artificial. E eu quero dar um recado para você antes da gente começar. Vocês já acompanharam a aula de ontem, começamos a mergulhar nas ferramentas, nas coisas que você pode fazer também com o Gemini, todo o poder do Gemini. E vocês viram,
foi uma aula ali mais tranquila, mas a gente recomendou que você fizesse os exercícios junto conosco, fizesse os testes do Gemini, testasse os modelos também. E a gente exige um comprometimento de você aqui nesse segundo dia, para você acompanhar conosco essa segunda aula, que ela já vai começar a ser mais complexa do que a aula de ontem. Vamos falar dos conceitos de engenharia de prompt por aqui. Isso é muito bom para você ter uma disciplina de acompanhar conosco aqui, você separar uma ou duras horas por dia para assistir às aulas, para fazer os exercícios, fazer
os testes junto conosco. Não só assistir, mas fazendo junto para você internalizar. Isso também vai te ajudar muito, tanto no seu dia a dia, usando o Gemini no futuro, quanto no seu trabalho, principalmente na aula de hoje, onde vamos dar muitos exemplos que você com certeza vai poder aplicar no seu trabalho para melhorar a sua produtividade e melhorar a sua eficiência e também como você lida com dados, alguns estruturados, outros não muito. Vamos ver muito bem sobre isso nessa aula de hoje. Muito bom, pessoal. O que é engenharia de prompt? Nesse termo você fala, putz,
engenharia civil, engenharia da computação, engenharia mecânica, elétrica, engenharia de prompt. É o mesmo? Vamos consertar algo aqui? Bom, a gente já aprendeu o que é o prompt, a gente entendeu lá na aula anterior que é basicamente a mensagem que você manda ali para o modelo. Mas a ideia agora é aprender como trabalhar nessa mensagem que estamos mandando para o modelo responder da melhor forma possível. E aí que vem a questão da engenharia. Como escrever esse prompt? Eu vou dar até aqui um pouco da história, da etimologia. Isso vem do verbo latim engenhar. Que é exatamente,
você projetar, você engenhar e fazer o prompt de uma maneira ideal, de uma maneira muito boa, no caso, como a Val falou aqui, para a gente ter o resultado que queremos. Porque você pode fazer um prompt de qualquer jeito e o modelo vai responder algo. Vai ser a coisa que você quer? Não sei, não necessariamente. Essa é a ideia. Você engenhar, você fazer ali, mexer nos detalhes de como criar esse prompt para ter o resultado que quer para aquele prompt. Eu acho que você chegou no ponto crucial quando a gente fala de engenharia de prompt,
que é, se voltarmos para a aula anterior, a gente falou um pouco sobre da onde que vem o conhecimento do modelo. E a gente chegou nesse ponto em comum que os Large Language Models, os modelos de linguagem grande como o Gemini, têm muito conhecimento de muitas áreas. Meio que para a gente desenhar na cabeça por que a engenharia de prompt é importante, podemos imaginar que temos uma enciclopédia na nossa frente. Aí eu estou no mundo físico de novo. Você está na Wikipedia. Eu tenho que atualizar meus exemplos para o mundo digital. Mas você tem acesso
à Wikipedia, por exemplo. Você abre o artigo ou a página do Wikipedia sobre a cidade de São Paulo. Você tem aberto aí no seu computador. E eu faço um prompt para você. Eu faço uma pergunta para você. Fabrício, me fala sobre São Paulo. Você está vendo na sua frente informação sobre população, clima, agricultura, culinária, história, cidades. Uma coisa muito ampla. Você pode me responder sobre qualquer uma dessas coisas que vai estar certo. Mas para você acertar o que eu quero saber é muito difícil. Aí que entra a necessidade de eu fazer a engenharia da pergunta
para você. Por exemplo, você é uma pessoa que mora em Barcelona. E se eu faço para você a mesma pergunta. Fabrício, me fala sobre Barcelona. Você vai ficar duas horas me falando sobre tudo. Exato. É que você tem um negócio ali que você pode pegar a bicicleta do governo e tudo mais. Não é o que você quer saber? Eu só queria saber, por exemplo, como é a cultura de vinho na cidade de Barcelona, mas você não tem como adivinhar isso. A ideia da engenharia de prompt é exatamente a gente tentar ser o mais claros possível
para o modelo sobre qual informação que queremos para que ele consiga trazer a informação que queremos da forma mais sucinta possível. Perfeito. Então, temos a nossa página da Wikipedia ali, com a cidade de São Paulo. E você coloca uma lupa exatamente no ponto que você quer saber. Esse é o ponto da engenharia de prompt. Exatamente. É o mesmo que, assim, vocês podem experimentar em casa também. Você pode fazer uma pergunta simples para o Gemini. "Me fale sobre a cidade de São Paulo." Ele vai trazer uma explicação gigantesca sobre a história, sobre a formação cultural da
cidade de São Paulo e tudo mais. E, na sequência, você cria uma nova conversa e pergunta. Me fale sobre os três maiores clubes de futebol da cidade de São Paulo. Você já refinou bastante sobre o tópico que você quer, que é esporte, sobre o futebol e sobre um top 3 que ainda você não definiu o top 3 o quê, se é por torcida, por títulos, algo assim, mas é muito mais refinado do que só pedir para falar de São Paulo. E tem um ponto também que, como a gente comentou, esses modelos são probabilísticos. Então, ele
vai escolher um ponto ali, uma resposta, que você pode fazer a mesma pergunta duas vezes para o modelo e, na primeira vez, ele vai dar uma resposta focando em uma parte e, na segunda vez, focando em outra parte. A gente faz aqui exatamente para colocar essa lupa para saber mais sobre o tema específico. O exemplo que eu sempre dou é, imagina que você é um profissional sênior de uma área. Do marketing, da advocacia, das finanças, da programação, e você tem um estagiário que é uma pessoa extremamente inteligente, ele tem muito conhecimento, ele tem acesso ao
Google, ele consegue ter acesso a todas as enciclopédias do mundo, mas ele não tem ali aquela ginga que você tem ali de 5 anos, 10 anos de trabalho, que quando você usa um termo, ou o seu chefe usa um termo, você sabe mais ou menos ao que ele está se referindo, porque você meio que tem já um contexto. Um contexto que foi a sua experiência, seus anos de experiência que se tornar um profissional sênior que te deram. Essa pessoa, na verdade, esse modelo aqui de linguagem, ele talvez não tenha isso, não tenha essa ginga. Então,
ele vai te dar um monte de respostas e você fala, "não, eu só quero isso aqui, e eu queria isso mais específico até, uma resposta mais específica". Para a gente começar com essa brincadeira aqui, podemos começar com a área da programação. Que tal pedir uma geração de código para ele? Isso, vamos pedir um código. Talvez um código ali para verificar se o ano é bissexto. Que é um exemplo muito comum de código que o pessoal faz. Vou pedir "crie um código para verificar se um ano é bissexto." Só isso eu vou mandar para ele e
ele vai gerar, só um segundo. "Existem algumas maneiras de fazer isso em Python." Por que ele escolheu Python? Não sei, porque ele escolheu porque ele quis, a gente não especificou, talvez porque é uma linguagem que está sendo muito usada atualmente. Mas aqui, criou um códigozinho em Python, se o resto da divisão do ano por 4 é igual a 0, e também dividido por 100, aquela regrinha que você tem lá de ano bissexto, vocês podem olhar isso aí também em algum lugar. E ele gerou aqui para a gente, "você também pode usar o módulo Calendar do
Python, que tem uma função específica, blá, blá, blá, blá, blá, blá. Qual das duas você quer usar?" No meu caso, nenhuma. Eu não queria em Python, eu queria em outra linguagem, por exemplo. Então, um jeito melhor de fazer esse mesmo prompt seria "crie uma função...", mesma coisa, posso até copiar, na verdade, o começo daqui, "crie um código", na verdade, uma função, tanto faz, "crie um código para verificar se o ano é bissexto", o início pode até ser parecido, mas "o código deve estar na linguagem TypeScript". Já estou dando uma especificidade, eu não quero Python. "Você
deve adicionar comentários a cada linha de código explicando o que ela faz". Algo mais? Ou assim está bom a nossa funçãozinha? Acho que com a primeira evolução está bom. Já melhorou bastante. Vamos ver o que vem aí. No Python ele criava uma função aqui com o def, que é como você cria funções na linguagem Python. Aqui ele criou com o function, que é como você cria funções em JavaScript, em TypeScript, no caso aqui, ele até falou," código em TypeScript", ele especifica em que linguagem, e ele adicionou, literalmente, uma linha de comentários para cada coisa. Mais
do que uma. Essa aqui só para especificar, essa outra para a linha do false, essa aqui para o else, if, enfim. Ele fez exatamente o que a gente queria, só porque a gente deu muito mais contexto agora para ele do que ele queria fazer. E acho que a gente podia voltar também para brincadeira da Turquia. Eu estou com saudade da Turquia, admito. Fabrício está doidinho para ir para a Turquia. E eu vou criar aqui mais uma nova conversa, podemos fazer o mesmo exemplo agora do marketing, das redes sociais. Então, crie o quê? Uma campanha de
viagem para a Turquia? Uma campanha de viagem para a Turquia. Vamos ver o que ele vai fazer aqui, qual será a brincadeira dele. Está muito ampla essa instrução. "Descubra a Turquia, onde a história encontra magia." Até rimou. "Uma jornada inesquecível te espera, chamada principal, uma experiência que transcende o tempo. Público alvo, viajantes com interesse em história, cultura, paisagens, objetivos. Aumentar o conhecimento e interesse pela Turquia como destino turístico. Inspirar os viajantes, elementos da campanha. Conteúdo visual, carrosséis de imagem, fotos e vídeos de alta qualidade, Stories, Reels e TikToks". Está interessante, de uma forma super generalista,
mas não é necessariamente o que você quer. "Mensagens-chave, plataformas de divulgação, Facebook, TikTok, Instagram." Ele fez um super plano de campanha, apontando para todos os lados. Você poderia começar, por exemplo, focando em seu público-alvo. Sei lá, eu quero ir para brasileiros. E aí você direcionaria muito melhor o modelo, eu acho. "Trabalho para uma agência de viagens chamada Carrarurquia". Ficou muito bom esse nome. "Crio campanhas de marketing para brasileiros de idade entre 30 e 60 anos que se interessam por história e cultura. Quero criar uma campanha focada em viagens para a Turquia com passeios em Istambul,
Izmir e na Capadócia". Olha como mais detalhado está esse nosso prompt. Então, esse aqui é exatamente como um profissional, sênior, falando especificamente para o seu estagiário o que ele tem que fazer. Você não vai falar para a pessoa "faz uma campanha aí". É, foi o que fizemos no anterior. E agora o o que ele falou: "Onde a história encontra a magia." Ele até usou basicamente a mesma rimazinha ali. Mas deu vários exemplos de títulos, elementos visuais também. Mas agora especificando aqui "as mesquitas imponentes de Istambul, as ruínas, as paisagens da Capadócia, o design elegante que
remete à Turquia". Agora ele está focando muito mais. Olha, "passeios sugeridos para Istambul". Porque eu falei que eu quero focar em Istambul. "Hagia Sophia, Mesquita Azul, Palácio de Topkapi, o Grande Bazar, para Izmit aqui na Nicomédia, ruínas antigas, para Capadócia o Passeio de Balão Amanhecer, o Museu de Göreme" e tudo mais. Então, foi muito mais específico do que a gente queria. Perfeito. Isso aqui é uma visão bem geral que estamos dando para você de uma primeira técnica que a gente recomenda sempre que é seja específico ou seja específica ao dar a instrução para o modelo.
Mas tem outras técnicas que podemos usar. Sem dúvida, sem dúvida. Mas aí talvez só para reforçar, essa é a regra fundamental. Não importa o cenário que você está trabalhando, de complexidade, de tipo de dado, de domínio de conhecimento, essa é a regra fundamental. Quanto mais específico você for, melhor será o resultado ou a qualidade do resultado do modelo para você. Exatamente. E também tem aquele ponto de você pegar uma tarefa que seja complexa e dividir ela em subtarefas para não pedir tudo de uma vez, mas ir ali com mais detalhes. Isso é muito útil. Então,
a gente poderia fazer até para esse próprio exemplo aqui. Que é um exemplo não tão complexo assim, mas poderia fazer, por exemplo, vamos criar uma nova conversa aqui, e vamos exemplificar isso que a Val falou. Então, primeiramente, eu poderia colocar números ou em palavras. Primeiramente, eu vou dar o contexto para ele. "Trabalho para uma agência de viagens chamada Carrarurquia, crio campanhas de marketing, blá, blá, blá. Quero criar uma campanha focada em viagens para a Turquia com passeios em Istambul, Izmit e na Cappadocia." E aqui eu poderia falar, primeiro, pesquise sobre os melhores passeios nessas cidades.
Na sequência, organize um plano de viagens que inclua esses passeios. E aí, por fim, crie um post de campanha para o Instagram, por exemplo, para cada uma das cidades. E eu vou até completar um pouco a mais. Primeiro, pesquise sobre os melhores passeios nessa cidade e me diga quais são. Porque eu quero ver quais são. Na sequência, organize um plano de viagens que inclua esses passeios e me mostre os planos. Por fim, crie um post de campanha para cada uma das cidades e me mostre os posts. Pronto. Vamos lá rodar isso aqui agora. Começou. Tem
até um link, olha que legal. "Santa Sofia", vamos clicar aqui. Ele buscou aqui no governo da Turquia, no Museu de Santa Sofia da Basílica. Mesquita Azul também. Podemos ver aqui as imagens da Mesquita Azul, a Blue Mosque. Inclusive é um lugar lindo, vale muito a pena visitar. Então ele fez exatamente o que fizemos aqui de forma separada, de forma passo a passo. Primeiro, pesquise os melhores passeios aqui de Istambul, Izmit e da Cappadocia. Depois, o plano de viagens. Dia 1 a 3, Istambul. Dia 4, Izmit. Dia 5 a 7, Cappadocia. Com o passeio de balão,
com as paisagens. E agora os três posts também. "Descubra a magia de Istambul, onde a história encontra a modernidade. Mesquitas imponentes, palácios, blá blá blá". Com hashtags, Izmit a mesma coisa. Museus, parques, montanhas. "Cappadocia, prepare-se para se maravilhar nas paisagens surreais da Cappadocia. Voos de balão, cidades subterrâneas." Ou seja, de onde ele tirou isso daqui? Que tem voo de balão, que tem cidade subterrânea, que tem formação rochosa? Daqui, do primeiro ponto. Passeio de balão, museu ao ar livre, cidade subterrânea de Caimalê. Então ele pegou a informação de 1 para fazer o ponto 2 e a
informação do 1 e do 2 para fazer o ponto 3. O que mais que podemos fazer aqui para engenhar o nosso prompt, pessoal? Ficou bem melhor o resultado. A gente também poderia pedir para ele ter um papel. Por exemplo, aja como agente de marketing. A gente já começou a fazer isso. Mas a gente não falou "aja como agente", falou "eu trabalho e eu quero que você me faça". Mas você poderia fazer. Será que dá diferença? Vamos ver até. Vou usar o mesmo prompt até. Vamos ver. Aja como um especialista de redes sociais que trabalha para
um agente de viagem. O mesmo prompt, mas só com essa diferença que é, como a Val falou, uma persona. Ele assume uma persona e fala "eu sou isso agora, então vamos fazer junto". Vamos rodar, ver o que ele vai fazer. "Como eu sou o seu especialista em redes sociais da Carrarurquia, preparei o material completo." Os lugares são os mesmos, mas está um pouco diferente. Antes ele só mandou o link, está dando umas referências agora. Ele é o meu especialista. Então ele está falando, "Fabrício, a Hagia Sophia é isso, a Mesquita Azul é isso aqui, o
Palácio é tal." Schmidt Nicomédia e aqui também a Capadócia e tudo mais. O plano de viagens também está mais detalhado. No dia 1 tal, no dia 2 tal. E aí o prompt, vamos lá. Aqui teve mais planos. Plano 1, 10 dias. Outro plano, plano 2, 12 dias, que é nas mesmas cidades, mas planos mais complexos, vamos dizer assim. Translado para o aeroporto, explorar os bairros de Beiolu e Galata e tudo mais. Bacana. E aqui ele gerou os posts para a gente, agora com emojizinho. Emoji para Instagram, exatamente, olha, vários hashtags. Post para Istambul. Nossa, ele
encheu de emoji. Que é uma coisa bem comum no Instagram. E ele falou aqui: "Espero que esse material completo seja extremamente útil." Então talvez para a gente ter falado, "aja como especialista"... Porque o foco do outro post era, eu quero os posts finais para publicar. O resto era só pesquisa, basicamente. Aqui não necessariamente. Aqui eu queria talvez ler isso mais profundamente e tudo mais. Então pode ser uma dessas questões. Sim, faz sentido. E uma coisa legal em relação aos prompts é que temos vários tipos de prompts que podemos criar. Tem aqueles que você começa sem
dar nenhum exemplo ali para o modelo, mas tem outros que podemos dar exemplos do que ele deve fazer. Como se fosse um template, eu diria. Esse é o ponto talvez mais importante, onde a gente começa o ponto mais importante dessa aula, que são palavrinhas em inglês que você talvez não conheça. Palavras chatinhas, mas seus significados são muito fáceis de entender. A primeira delas é o "zero shot prompt". Basicamente um shot nesse contexto é um exemplo. Ou uma amostra. Então zero shot é quando você está conversando aqui com o nosso Gemini, com o nosso modelo de
IA, sem dar nenhum exemplo. Você só faz um pedido, mas não dá nenhum exemplo do formato que você quer que ele responda. Que é o que estamos fazendo até agora. Demos um prompt, mas a gente não deu um exemplo. "Olha, eu quero que você formate nesse dado, primeiro vem o nome da cidade, depois não sei o que, depois não sei o que". Não, é só um promptzão. Vamos dar um novo exemplo aqui para vocês de como isso vai funcionar. "Me dê os melhores passeios da Turquia com uma avaliação. Super simples aqui. E olha, ele deu
aqui, Hagia Sophia uma explicação, avaliação 5 de 5, 4.8 de 5, 4.7 de 5. Ele fez o que a gente quis. Isso foi um prompt zero shot. Sem nenhum exemplo, ele só deu o prompt e pronto. Ele inventou uma avaliação ali. O que seria o "few shot", que é outra palavra muito importante que vocês vão ver em muitos lugares quando forem ver sobre engenharia de prompt. Few, em inglês, significa poucos ou alguns. E shot, como eu falei, são exemplos ou amostras. Então, few shot seria alguns exemplos, algumas amostras. Que pode ser 1, pode ser 2,
pode ser 5, pode ser 10. Não importa. Para a gente fazer esse mesmo prompt, mas usando uma ideia de few shot, vamos copiar ele aqui, vou criar uma nova conversa para ter certeza que ele não vai pegar ali da memória, nada assim. Mas olha, "me dê os melhores passeios da Turquia com uma avaliação. Eu quero no formato, por exemplo, nome do passeio, avaliação. Nome do passeio 1, avaliação 1. Nome do passeio 2, avaliação 2, etc." Talvez até para a gente ter no nosso padrão algo que ele não respondeu no zero shot, você pode colocar também
a cidade do passeio entre o nome e a avaliação. Boa, cidade do passeio. Só para mostrar que realmente ele está seguindo a nossa orientação, não é mais algo que ele está criando o formato de resposta. Perfeito. É o mesmo prompt, mas agora a gente especificou. Pode só pôr o 2 ali. Estamos dando alguns few shots, alguns exemplos. Isso aqui é um exemplo de formato, na verdade. Vamos ver o que ele vai dar para a gente. Passeio de balão na Capadócia. A cidade, Göreme, Capadócia. Avaliação, 5 de 5. Passeio 2. Visita a Hagia Sophia. Istambul, que
é a cidade. Avaliação, 4.8 de 5. Isso aqui foi um exemplo de formato, mas eu poderia ter... Vamos criar uma nova conversa? A mesma coisa aqui, o mesmo prompt, mas em vez de ser um exemplo de formato exatamente, você poderia dar o exemplo do próprio passeio. Você poderia falar, "Hagia Sophia, Istambul." E aqui eu não quero 5 de 5. Ele está pegando no 5. Eu quero de 0 a 10, talvez. Então, 10 de 10. E o outro passeio, por exemplo. Passeio de balão, Capadócia, 9,8 de 10. Algo nesse sentido. Então, você pode não só dar
o formato, mas pode dar o few shot, os valores específicos. Vamos ver o que ele vai gerar para a gente agora. Olha, exatamente o que queremos. Éfeso, 9,5 de 10. Pamukkale e Herápolis, 9,2 de 10. O que fica em Denizli, que é uma cidade ali também próxima de Izmir. Istambul, Grande Bazar. Enfim, isso é o few shot. A gente dá alguns few shots, alguns poucos exemplos para ele entender mais ou menos como isso funciona. Excelente. E saindo aqui da área da Turquia, podemos dar outro exemplo também de few shot, que é dos idiomas. Por exemplo,
eu vou colar aqui para vocês. Temos um exemplo de algo que é como se fosse um tradutor. Então, temos uma frase aqui em inglês. Estamos indicando para o modelo. Em inglês, isso se fala "Hello, how are you?" Em português, é "Olá, como vai?" Você está indicando o primeiro exemplo, o modelo pensando, entre muitas aspas. Falando, ele traduziu do inglês para o português. Vamos ver o próximo exemplo. Em inglês, "I am learning to speak Portuguese". Em português, "eu estou aprendendo a falar português". Segundo exemplo, ele traduziu do inglês para o português. O que eu quero saber
mesmo é isso daqui. Em inglês, "the weather is very nice today", mas eu não coloco nada embaixo. Eu posso até colocar aqui, "português", mas eu não preciso, porque eu já dei aqui dois shots, dois exemplos, duas amostras, e ele vai entender que é isso que eu quero. "O tempo está muito agradável hoje", ele entendeu. E ele deu até mais um exemplo. "I like to listen to Brazilian music". "Eu gosto de ouvir música brasileira". Então, isso é o few shot. É os poucos exemplos que a gente dá para ele. Mas tem uma técnica mais avançada depois
que envolve aquela coisa do pensamento também, não é? Exatamente. E o nome dessa técnica tem essa palavra pensamento, que é o "chain of thought", que traduzindo seria a "cadeia de pensamento". E o mais legal desse modo, a cadeia de pensamento é basicamente você ensinar o modelo a pensar do jeito que você quer que ele pense. Então, algo parecido com o que fizemos no prompt anterior. Primeiro você faz isso, depois você faz aquilo, depois você faz aquilo outro, depois você me dá no formato tal. Você vai meio que ensinando ele a raciocinar do jeito que você
quer que ele raciocine. O mais legal de tudo é combinar a cadeia de pensamento do chain of thought com o few shot. Então, tanto você ensina ele a pensar, quanto você passa exemplos de como você quer que ele faça essa coisa. E agora vamos dar um exemplo aqui. Mas para isso eu acho que eu vou usar um modelo mais poderoso. A gente não usou até agora a versão 2.5 Pro que é um modelo poderosíssimo do Gemini, o mais poderoso atualmente, na verdade. Vamos usar para criar aqui um prompt usando esses dois conceitos que a gente
acabou de aprender. Tanto o few shot, quanto a cadeia de pensamento. Eu vou colar aqui porque é um prompt bem grande, mas eu vou acompanhar vocês nele pra gente entender. Inicialmente vamos usar uma persona, igual a gente aprendeu no começo da aula. "A como um gerente de redes sociais. Eu quero que você me ajude a criar posts para o Instagram, para a minha agência de viagens, Carrarurquia." Então estamos sendo claros. "Com foco em viagens para Turquia. Os posts devem ter entre 3 e 5 hashtags de acordo com o post." Novamente bem específicos. E eu falei
aqui, posts para o Instagram, especificamente para o Instagram. Se eu falasse somente posts, poderia ser um post do Facebook, do LinkedIn, do X, de blog, exatamente. E para cada um a linguagem é um pouco diferente. E o mais legal agora, que é isso de combinar. Isso aqui é a gente basicamente fazendo a cadeia de pensamento para ele. Induzindo ele a pensar do jeito que queremos. Depois, eu ainda estou induzindo ele a pensar, com essa parte do prompt, Mas eu vou usar aqui o few shots para passar o meu tom de escrita, para ele aprender como
eu, o Fabrício Carraro, escritor da Carrarurquia, agência de marketing de redes sociais Carrarurquia, escreve. Porque talvez a agência do Luciano é uma agência para pessoas mais formais. A agência da Val é uma agência para adolescentes. E a minha agência é um pouco meio termo, talvez pode ser mais jovem, mas talvez não tanto assim. Então vou pegar, por exemplo, posts reais meus, que eu escrevi com as minhas mãos nos últimos dez anos, nos últimos cinco anos, nos últimos seis meses, e mandar para ele entender como eu, o Fabrício Carraro, escrevo. "Para você entender o meu tom
de escrita, eu vou te dar três exemplos de acordo com o formato a seguir." Olha a cadeia de pensamento, eu estou especificando como que ele tem que pensar. Siga isso aqui. Base do post, contendo as informações mais importantes. E o post final, que é contendo o post final que foi realmente publicado pelo Fabrício há seis meses no Instagram, por exemplo. Vamos começar aqui. Eu coloquei um separador. Isso é uma coisa que a gente até falou na aula anterior, na primeira aula, que quando você está dando exemplos, coisas assim, é bom você indicar, "olha, começa aqui
e termina aqui." O pessoal recomenda utilizar as hashtags, hífens, travessões, coisas nesse sentido que fique claro para o modelo que algo não faz parte da frase anterior, só está separando para próxima. Vamos ver a base do postinho. Tem alguns bullet points. "Istambul, visite à Basílica de Santa Sofia, visita guiada, originalmente era uma basílica ortodoxa grega, posteriormente uma mesquita otomana, e mais recentemente um museu. Compre ingressos sem fila conosco." Esses são os pontos principais que o Fabrício, daquela época, de seis meses atrás, queria abordar nesse post para o Instagram. E aí, o post final 1, vamos
ver o que ele gerou com isso, o Fabrício de seis meses atrás. "E aí, galera?" Emojizinho de palma. "Partiu, Turquia? A Carrarurquia te leva para conhecer a incrível Istambul. Um dos rolês imperdíveis por lá é a majestosa Basílica de Santa Sofia." Aí tem uns emojis aqui que parece uma mesquita, parece uma igreja. E ele falou, que primeiro era uma basílica, depois uma mesquita e depois um museu. Aí aqui, uma basílica, talvez uma igreja e um museu. "Sabia que ela já foi igreja, mesquita e hoje é um museu lindo de viver." Então podemos ver que o
Fabrício, o público, na verdade, do Fabrício, de seis meses atrás, é um público que gosta de posts mais informais. Público jovem. "E para não perder tempo em fila, a gente já garante os ingressos." Emoji de olhinho, piscando o olho. "Com a Carrarurquia, sua trip é só alegria." Olha só, rimou. "Manda um direct e vamos planejar essa aventura." E cinco hashtags, a gente tinha pedido entre três e cinco. Esse foi o post um. A base do post dois. "Capadócia, voo de balão, ver o nascer do sol, reserve o seu passeio de balão conosco." O post final
foi: "Prepare o coração para uma experiência surreal. A Carrarurquia te leva para voar de balão na Capadócia. Imagina só sobrevoar aquelas paisagens, informações rochosas incríveis." Aqui tava, paisagens únicas, informações rochosas incríveis. Então o Fabrício pegou essa base e criou esse post aqui. Mesma base, mesma ideia, na verdade, no geral. E a base do post três é sobre Pamukkale, que é o castelo de algodão, piscinas termais de calcário branco, explora as ruínas de Herápolis. "Se liga nessa vibe. A Carrarurquia te leva para conhecer Pamukkale, o famoso castelo de algodão na Turquia. Parece outro planeta, terraço de
calcário branco com águas termais, blá, blá, blá, blá, blá, blá." Enfim, eu dei três exemplos aqui de como eu escrevo, como a minha empresa, a Carrarurquia, se comunica com os nossos clientes. E vamos aqui, continuando no chain of thought, na cadeia de pensamento. "Agora que eu passei os três exemplos, que você aprendeu o meu tom de escrita, depois de ter analisado todos esses posts..." Então, novamente, passo a passo. Primeiro analisa, depois de ter analisado e aprendido o meu tom de escrita, eu vou te enviar uma base do post e quero que você gere um post
final correspondente. Vamos rodar isso daqui? E lembrando, o modelo 2.5 Pro é um modelo de raciocínio. E ele falou, "analisei os exemplos e captei o tom de voz da Carrarurquia. Jovem, animado e formal, com bastante uso de emojis e chamadas para ação diretas." Que é aquele "manda uma mensagem no direct, para reservar conosco." É uma vibe bem para cima. "Estou pronto, pode me enviar a base do post." Faltou a base! Não, mas agora era só para ele aprender. Ah, tá. Calibrar ele. E agora vamos mandar a base do post. Base do post, seguindo o mesmo
formato que a gente mandou aqui. A gente falou para ele que vamos mandar uma base e depois você me gera o ponto final. A base tem bullet points. Vamos mandar uma base para qual cidade? Talvez podemos pensar uma cidade da Turquia, outra cidade. Eu não conheço. Você não conhece. Vamos fazer para cidade costeira da Antalha, que fica ali no sul, na parte da costa muito linda ali. Então, Antalha, que é a cidade. Costa linda, com mar azul turquesa, por exemplo. É um ponto que queremos destacar, disso daqui. Estamos dando agora a base para ele criar
esse novo post. Não fica longe de Pamukkale, o castelo de algodão. Cidade muito internacional. Por exemplo. Exemplos bobinhos aqui. Mas vamos já, dando essa base do post, vamos ver o que ele vai gerar pra gente. Raciocinando ali. Ele está raciocinando, porque é o modelo de raciocínio, o 2.5 Pro. "Combinado! Aqui está a sugestão de post final." "Vamos colocar um sol nesse feed?" Emoji de sol. "A Carrarurquia te leva para conhecer Antalha na Turquia. Se liga nessa costa maravilhosa, com o mar azul turquesa de cair o queixo. Além de praias paradisíacas, a cidade tem uma vibe
super internacional, cheia de gente do mundo todo. Ah, e fica a dica. Antalha não está longe de Pamukkale. Que tal combinar o castelo de algodão com esse paraíso? Seria demais. Quer sentir essa brisa? Manda o direct pra gente e vamos realizar essa viagem incrível. #Antalha, #Turquia." Novamente, 5 hashtags. Ele fez exatamente o que a gente queria. Por quê? Porque a gente passou a cadeia de pensamento certinha, e porque a gente deu o few shot. Deu o tom de voz para ele se basear. E esse é exatamente o mesmo tom de voz dos outros posts. Boa,
excelente. O que você acha agora da gente combinar? Esse seu post aqui ficou legal, está pronto para você postar no perfil da Carrarurquia. E a gente não experimentou até agora o Gemini criando imagem para você. É verdade. Ele também cria imagem, né? Uma das funcionalidades, uma das coisas legais do Gemini, é que ele pode fazer um processo que a gente chama de texto para imagem. Ou seja, assim como você passou um prompt ou uma descrição em texto para ele gerar texto como resultado, você pode enviar um texto para ele gerar uma imagem como resultado. Então,
o que você acha de você criar a imagem desse seu post? Boa, Luciano. Mas eu acho que não precisamos de um modelo tão poderoso para isso. Com certeza não. Você pode copiar o post que ele criou para você e vamos voltar lá para o 2.0 Flash. Nova conversa. 2.0 Flash aqui. Vamos colar. E eu vou pedir para ele gere uma imagem com base no post abaixo. E agora ele vai, só um segundo e já vai entender que é para gerar uma imagem e aí vai usar o modelo de imagens, o Imagen 3 do Google. Vem
vindo aí a imagem. É legal que ele deu umas dicas. Peça ao GMI para melhorar a qualidade da imagem. Olha só. Ah, que legal. E isso aqui é uma coisa super curiosa, que ele mostrou aqui uma praia, mas ele colocou o castelo de algodão de Pamukkale do lado, assim. Porque eu falei dos dois no post. Como se fosse o mesmo lugar. Ah, caramba. Então eu falei, não, o castelo de algodão não é tão perto assim. Passa apenas a praia e coloque um dia mais ensolarado. Então você pode trabalhar com essa imagem. Você não está satisfeito
com a primeira? Vamos trabalhando continuamente, iterativamente aqui. Talvez até para mudar também a questão do tamanho da imagem. Se você quiser uma imagem, sei lá, 16 por 9 ou outro formato. Olha, aqui ele gerou uma imagem sem o castelo de algodão de Pamukkale, só as pessoas na praia mesmo e o dia parece mais ensolarado do que o outro realmente. Maravilha. Bom, bem bacana, hein, Fabrício? Mas eu fiquei pensando aqui agora. E se a gente usasse aqui um modelo para fazer uma análise? A partir de um arquivo, um PDF, por exemplo, ou um link. Agora imagina
ir para outra área. Estamos trabalhando aqui com exemplos de marketing, mas a gente podia ir para um exemplo mais bancário. Ccomparar um relatório de dois bancos, ver qual teve mais lucro, uma coisa nesse sentido. Bem específica, detalhada e tal. Difícil geralmente. O que vocês acham? Eu acho que é uma ideia legal. De repente pegar relatório de final de ano de dois bancos. Banco público, por exemplo, Banco do Brasil e Caixa, algo assim. E vamos pensar algumas métricas. Acho que nenhum de nós três é especialista em análise. Mas vamos pensar em coisa comum que a gente
vê nesses relatórios, como lucro líquido, retorno de ativo, algo assim. E, sei lá, podemos pedir para o modelo, seguindo a ideia do Chain of Thought e dos exemplos, extrair essas informações. E depois, para fazer mais do que extração, comparar qual banco teve um resultado melhor. O que vocês acham? Acho incrível. Super complexa essa atividade. Uma área diferente da de marketing que estávamos abordando até agora. Vamos ver. Eu peguei aqui os relatórios. Primeiro, o do Banco do Brasil, relatório do BB, que está disponível publicamente para todo mundo lá no site do BB. E aqui tem o
sumário do resultado, tem uns gráficos, mais para baixo, margem do mercado... Tem um monte de coisa aqui que eu não faço a menor ideia do que seja, imagino que nenhum de nós. Tabelas de desempenho, projeções corporativas. É uma planilha aqui. Na verdade, é um PDF de cinco páginas, não é tão grande assim. É aquele que você mostra para o público como é que foi o banco. E tem o mesmo aqui, uma apresentação da Caixa. Resultados do quarto trimestre de 2024, do final do ano passado. Bem maior, 32 páginas. E coisas estruturadas de maneira completamente diferente
também. Parece até que é slide agora. Sim, são slides. O outro era mais uma tabela normal ali. Tem imagens aqui aleatórias, provavelmente geradas pelo Gemini. Geradas por IA. É possível. Esse texto está ali no meio da imagem. Ou seja, não está fácil de ler esse arquivo aqui. Parece bem complexo. Exato. Vamos voltar lá para o Gemini. A gente preparou um prompt aqui para vocês. Podemos usar tanto o modelo 2.5 Pro, que é o mais poderoso, quanto o 2.5 Flash. Vamos testar aqui inicialmente com o 2.5 Flash, que é mais rápido e também tem o poder
do raciocínio por trás dos panos. Vamos testar colando aqui o prompt. Se vocês quiserem, os links desse PDF vão estar aqui embaixo para vocês baixarem e fazerem o mesmo teste que a gente. Primeiro uma persona. "Você é um assistente que ajuda com análises de relatórios financeiros de bancos. Realize uma análise comparativa dos relatórios de resultado que eu estou te enviando em anexo. Suas análises seguem o formato dos exemplos abaixo." Então, o few shot aqui entrando na parada. "Exemplo do banco 1 Lucro líquido: XX. Retorno sobre ativos (ROA): XX% Retorno sobre patrimônio líquido (ROE): XX Exemplo
do banco 2..." Mesma coisa. Então, deu aqui um formato, basicamente. Só trocamos o XX pelo YY. E mais para baixo. "Antes do resultado final, você vai: para valores em moeda, você vai considerar que 1 dólar equivale a 5 reais." E aqui você pode colocar o valor que você quiser. "Depois, você vai converter os valores em reais para dólares. E depois trazer uma análise sumarizada de qual dos bancos está performando melhor." Então, novamente, também a ideia de passo a passo. Primeiro faz uma coisa, depois pega aquilo e faz outra. E tudo mais. E como já vimos
também na aula anterior, você pode clicar nesse sinal de mais aqui no canto inferior esquerdo para adicionar arquivos, como os PDFs que vamos subir aqui. Em vez de ser imagem, como na aula passada, vão ser arquivos. E aí eu vou subir aqui o relatório BB e o relatório caixa ao mesmo tempo. Ele está subindo aqui, está sendo carregado. O da caixa é um pouco maior, são 32 slides. Exato, o outro são só 5. Carregou os dois, vamos só rodar agora. Enviar. E vamos ver o que ele vai fazer. Analisando. E agora ele está fazendo o
raciocínio interno. Esse raciocínio também é chamado de Chain of Thought. Por acaso, de cadeia de pensamento. Parece que ele esta até entendendo o que são as métricas que a gente pediu. Ele quer uma análise comparativa dos relatórios financeiros do BB e da caixa focando no Net Income. O lucro líquido. Return on Assets, que é o retorno sobre ativos. E o retorno sobre o patrimônio líquido, que é o Return on Equity, em inglês. E eu preciso extrair esses valores do PDF que ele me forneceu para ambos os bancos de 2024. E aí, para o Banco do
Brasil, procure por lucro líquido ajustado. E aí também por ativos, também por patrimônio líquido. Na Caixa, procure por lucro líquido recorrente. Então, são dois tipos de lucro líquido. Eu não entendo qual é a diferença entre os dois. Podemos até perguntar para o Gemini aqui daqui a pouquinho. Esse é um ponto importante, Fabrício, até para a galera que está conosco ter algumas ideias, que estamos falando de duas entidades diferentes. Podemos até abstrair que são bancos. Mas cada empresa tem... Existem para todas as indústrias os termos e as métricas comuns. Mas existe algum uso customizado de cada
empresa. Por exemplo, aparentemente o Banco do Brasil chama o lucro líquido de lucro líquido ajustado no relatório. A Caixa chama o lucro líquido de lucro líquido recorrente. Você, como a pessoa fazendo a análise inicial, não necessariamente precisa saber de todos esses detalhes. O que o Gemini fez foi interpretar os arquivos e entender que o lucro líquido em um documento é chamado de uma forma, é chamado em outro documento de outra forma, e seguiu em frente com a análise. Então meio que o modelo ajuda você a se adaptar a essas diferenças de linguagem de cada relatório,
entendeu? Vamos fechar agora o raciocínio. E vamos ver a resposta dele, se foi boa. Com base nos relatórios de resultados fornecidos pelo Banco do Brasil pela caixa, apresento a análise. Banco do Brasil, que foi o que o nosso few shot na nossa estrutura, "eu quero o formato tal". Banco, lucro líquido, retorno sobre ativos, retorno sobre patrimônio líquido. E está aqui. Banco, lucro líquido, retorno sobre ativos, retorno sobre patrimônio líquido. Exatamente o formato que a gente pediu. O lucro líquido do Banco do Brasil, se ajustado, foi de R$ 37,9 bilhões. E tem essa setinha aqui de
Saiba Mais, que se a gente clica nela, ele mostra de onde ele tirou isso. Página 1 do relatório BB. Vamos lá na página 1 do relatório BB. Está aqui, lucro líquido ajustado. Vou dar um zoom maior para vocês. Aqui, 2024, 37,9. E ele pegou aqui em algum... Ele pegou daqui, que é em bilhões de reais. Pegou aqui, que é o R$ 37,9. Pegou aqui, que é o 2024. Então, da página 1, ele pegou tudo isso e está certo. Ele analisou não só o texto, como a imagem e os gráficos do relatório também. Muito impressionante. Eu
achei incrível isso de você conseguir acessar ali na setinha e encontrar onde que isso foi tirado. Para você ver se está real mesmo, se o modelo não está inventando algo. E o ROE, ele falou que achou aqui na página 1. 21,4%. Vamos na página 1. Não tem... Aqui. RSPL, 21,4%, que é a tradução de ROE. Isso. Exatamente. ROE é Return of Equity, que é o mesmo traduzido para português RSPL, que é Retorno sobre Patrimônio Líquido. Então, ele fez a tradução, inclusive. Isso, da métrica. Interessante. Então, aqui, na caixa econômica federal, a gente pegou o lucro
líquido recorrente, o retorno, o ROE recorrente também, de 10%. E aqui, ele fez uma coisa diferente. A gente pediu o retorno sobre ativos, ROA, e aqui ele pegou ativos totais e tal. Calculou de 3,5 trilhões. Por quê? É que provavelmente no relatório não tem essa métrica direta. Então, o que ele fez? Ele sabe como o ROA é calculado. Então, ele buscou os valores que se usa para calcular o ROA e calculou o ROA para a gente. E está aqui "o cálculo do ROA para a caixa econômica federal é o lucro líquido dividido pelos ativos totais
vezes 100". E aí, ele já tem o lucro líquido, ele tem os ativos totais, fez a conta, deu 0,4%. Ele deu aqui para a gente, ROA, 0,4%. Exatamente. Da mesma forma que os ativos totais, se você subir um pouco, ele sabe que o ativo total é o ativo caixa maiss os ativos de terceiro. Então, ele primeiro somou os dois para ter o total e só depois fez o cálculo. Excelente. Muito bom. Aqui ele fez aquela parte que a gente falou de converter para o dólar usando esse valor de 5 da cotação. Então, em reais, o
lucro líquido ajustado era 37,9 bi. Aqui, em dólares, seria 7,58. A mesma coisa aqui da caixa de 14 para 2,8 bi. E aqui é uma análise sumarizada como a gente pediu para ele fazer. Vamos voltar lá no Prompt. Para o valor de moeda, você vai considerar isso. Depois vai converter de real para dólar. Depois vai trazer uma análise sumarizada de qual dos bancos está performando melhor. Aqui temos a análise sumarizada de performance. O Banco do Brasil apresentou um lucro líquido ajustado significativamente maior. 37 contra 14 bi. E em dólar também, o mesmo. Está bem maior
que o da caixa. Em relação à rentabilidade, o Banco do Brasil demonstrou maior eficiência, tanto em relação aos ativos, o ROE de 1,69% versus 0,4%, quanto em relação ao patrimônio líquido, o ROE de 21 versus 10. Considerando esses indicadores, o Banco do Brasil performou melhor em 2024 em comparação com a caixa econômica. É importante notar que essa análise se baseia exclusivamente nos dados fornecidos nos relatórios. Perfeito. Isso mostra o poder do Gemini para você mexer não só com coisa que estamos escrevendo, ou copiando de um site, igual fizemos antes, mas pôr um PDF inteiro lá
e falar "se vira". Botar dois PDFs e falar, "se vira para achar as relações entre os dois". E podemos também verificar, como a gente verificou no BB, aqui, ativos totais da caixa, 2 trilhões de ativos caixa e 1,5 trilhão de ativos de terceiros. Onde a gente acha isso? Na página 10 do relatório da caixa. Indo lá, estamos na página 10. Olha de onde ele tirou isso. Aqui, 3,5 tri, é os ativos administrados, composto de 2 tri de ativos caixas e 1,5 tri de ativos de terceiros. Então, isso aqui é um gráfico. Nem sei o que
é isso daqui, na verdade. É um gráfico bem diferente, mas ele conseguiu pegar a informação daqui e acessar. Uma pizza quadrada, uma bola quadrada do Kiko, praticamente, e ele conseguiu tirar daí as informações. Parece o logo do Windows. Inclusive, até uma questão que eu queria trazer, é que antigamente, eu falo antigamente, mas sei lá, 2 anos atrás, a galera falava muito que os modelos eram burros em matemática. O que mudou hoje, Luciano? Eles estão realmente agora conseguindo fazer esses cálculos? O que aconteceu? É uma pergunta interessante, Val, que a evolução dos modelos, se a gente
voltar para o início da nossa primeira aula, a gente falou que modelos generativos não calculam nada. Eles geram baseado no histórico que eles têm. O que se foi construindo com o passar do tempo, que é a forma que o Gemini é construído, aí vamos um pouco num conceito mais aprofundado de computação, que é um tipo de arquitetura de LLM que a gente chama de mistura de especialistas, que é uma sigla M-O-E, que é a sigla em inglês de "mixture of experts". A grande sacada que os times de pesquisa tiveram, como dentro da Google DeepMind, é
que ao invés de você depender do modelo só como uma coisa gigante, que só consegue gerar conteúdo em texto ou gerar imagem, você pode ter uma arquitetura mais complexa, onde partes diferentes do modelo conseguem tomar ações diferentes. Então, você deixa de ter só um modelo gigante, que só gera texto baseado no texto que ele viu, e você passa a ter um modelo onde ele consegue tomar ações diferentes, como interagir com APIs, ou como fazer cálculos matemáticos, ou como fazer comparativo semântico e não só gerar o resultado, e que partes diferentes desse modelo são ativadas dependendo
da pergunta que a gente faz, dependendo do prompt que a gente manda. Então, você pode ter um prompt simples, como lá o nosso primeiro, "o que é inteligência artificial?", que vai simplesmente gerar um conteúdo, selecionar palavras e respeitar a semântica de uma gramática, algo assim, ou você pode ter cenários mais complexos, como o que a gente acabou de ter aqui. Você tem um relatório que é metade texto, metade imagem. Essa imagem tem uma lógica específica, as tabelas têm uma estrutura única, com colunas diferentes e linhas diferentes, e o modelo consegue interpretar essas informações de acordo
com as diferentes capacidades que ele tem dentro dessa grande rede de capacidade que a gente chama de uma mistura de especialistas. É meio que um modelão, ele pode ativar vários sub-modelos especialistas em cada coisinha. Isso, exato. Fazendo uma abstração, é como se você tivesse uma chamada para uma grande entidade grandona, e essa entidade grandona consegue ter sub-modelos dentro de si, algo assim. Excelente. E uma última coisa que eu acho que podemos testar para essa aula é pegar esse relatório financeiro, mas não ficar só nas finanças, só na leitura, basicamente, aqui no texto, mas eu quero
gerar, por exemplo, um gráfico sobre ele, ou um gráfico comparativo do Banco do Brasil com a Caixa Econômica, considerando essas três coisas que a gente mencionou aí. Vou ativar novamente o meu Canvas aqui, que a gente já ativou na aula 1, ele cria ali um códigozinho, mostra prévias e tudo mais, e vou falar: "agora, com base nesses valores, gere um gráfico comparando os dois bancos. Foque nos valores de..." Aí vamos copiar lá aqueles que a gente mandou lá em cima. Lucro líquido, ROA e ROE. Vamos tirar esses Y aqui, só para falar os nomes dos
valores. Falta um S ali no "Nesse", com base nesses valores. Lembra de ativar o Canvas pessoal em casa, e vamos rodar isso daqui. Identificando os dados, estou só atenta de ver o que ele está fazendo. Ele abriu e está gerando código aqui em HTML. Eu consigo ver o que tem aqui. Tem um script aqui embaixo já com lucro líquido. E olha só que coisa linda. Caramba, realmente veio aí. Se a gente olhar mais a fundo o código, ele está passando um script aqui como uma constante. Imagino que isso aqui esteja em JavaScript, provavelmente. E aqui
as opções. Você consegue ver ali na linha 39 que ele embutiu um script dentro do HTML. E aqui um gráfico do tipo de barra. E aí de onde ele começa. Enfim, ele decidiu tudo isso para a gente. E a gente clica na prévia, como sempre. E ele mostra. E é um gráfico dinâmico. Você passa o mouse em cima, ele mostra exatamente... Você passa o mouse aqui entre 35 e 40, e ele fica 37.9. Em reais aqui, ele botou em reais. E da Caixa Econômica a diferença. Do ROA também. Mas como está tudo mais ou menos
nos mesmos valores, o do ROA ficou pequenininho, porque ele é um valor em porcentagem, se não me engano. É um valor bem menor. Então ele pegou no 1, basicamente. E aqui o ROI também está no 21 e tudo mais. Mas daria também para criar um gráfico para cada métrica. Sem problema nenhum. Mas isso aqui já mostra também mais do poder do Gemini. De você agora não só analisar, comparar, mas gerar gráficos sobre as análises que você fez. Pessoal, eu acho que por hoje é isso. Vimos bastante coisa hoje aqui. Mergulhou completamente na engenharia de Prompt.
Eu espero que vocês tenham acompanhado conosco os exercícios aqui, feito junto. Não só olhado, mas feito junto conosco também todos esses exercícios. E como sempre a gente fala, está com dúvida sobre algo? Entra no Discord da Imersão para você perguntar para alguém. Para você compartilhar as suas análises. Que você não fez talvez sobre o Banco do Brasil e a Caixa, mas você fez sobre o São Paulo, Palmeiras e o Corinthians. Quem ganhou mais no ano passado? Quem fez mais gols? Essa é fácil, não precisa do Gemini. Mas aí você pode fazer a análise que você
quiser, comparar e mandar lá também para o pessoal para eles verem e se divertirem também. E claro, qualquer dúvida sobre coisas da imersão você vai olhar lá no Guia de Mergulho, o link também está aqui embaixo desse vídeo. E um recadinho muito importante! Não se esqueça que hoje às seis e meia da noite vai ter a nossa live intermediária aqui da imersão Alura com o Google Gemini. Eu vou estar lá com a Valquíria para a gente ensinar para vocês uma base da linguagem Python. Ela não será usada na aula de amanhã, que é a aula
três, mas será usada na aula quatro. E a gente decidiu fazer essa live hoje à noite, na terça-feira às seis e meia. A gente recomenda que você esteja lá junto conosco. Mas caso você seja uma pessoa que não é dessa área de código, talvez você precise assistir duas vezes. Acompanhe uma primeira vez junto conosco, comigo e com a Val. Lá é uma aula muito básica para você ter as noções principais de linguagem de programação Python que vamos usar lá nas aulas quatro e cinco. Mas se você tiver alguma dificuldade, além de perguntar no grupo do
Discord, você vai poder também assistir uma primeira vez hoje junto comigo e com a Val. E uma segunda vez amanhã, por exemplo, quando você tiver tempo depois da aula três, para se preparar para a nossa aula quatro onde vamos começar a mexer com código e criar um chatbot usando o Gemini. Por hoje é isso pessoal. Nos vemos amanhã na aula três! Até mais! Até amanhã galera!