O que muda na prática depois
dos módulos Drávio
Depoimentos de profissionais de ML que passaram pelos cursos — em diferentes níveis e com diferentes pontos de partida.
180+
Participantes
94%
Avaliação positiva
3+
Anos em operação
4,7
Nota média /5
O que os participantes escreveram
Mariana Alves
Cientista de Dados · São Paulo, SP
Fiz o Hardware Literacy com um pouco de ceticismo — achei que ia ser conteúdo genérico de "IA 101". Não foi. Aprendi a ler fichas técnicas de GPU de um jeito que faz diferença na hora de escolher instância em cloud. Antes eu simplesmente escolhia a mais cara e rezava.
Maio 2025
Roberto Carvalho
Engenheiro de ML · Brasília, DF
O Performance Engineering Track foi bem direto ao ponto. Os laboratórios com Nsight Systems foram a parte mais valiosa — você vê na prática onde o pipeline perde tempo. O único ponto é que a cadência de um ou dois tópicos poderia ser um pouco mais gradual, mas no geral valeu muito.
Abril 2025
Fernanda Souza
Tech Lead ML · Belo Horizonte, MG
Fiz o programa de arquitetura de plataforma antes de assumir a liderança técnica do nosso time de ML. As revisões com o mentor foram o diferencial — não é feedback genérico, é sobre as decisões específicas do meu projeto. Ajudou a chegar na função com mais clareza.
Maio 2025
Gustavo Pimentel
Pesquisador Aplicado · Goiânia, GO
Gostei bastante da conversa inicial antes de me matricular. Eles foram diretos em dizer que o módulo básico não era o mais indicado para o meu perfil e me orientaram para o intermediário. Essa honestidade é rara.
Março 2025
Luciana Neves
Engenheira de Software · Recife, PE
Vim do mundo de software sem experiência em hardware. O Hardware Literacy me deu vocabulário e raciocínio para participar de conversas sobre infraestrutura de ML sem me sentir perdida. O ritmo foi bom para conciliar com o trabalho.
Abril 2025
Tiago Barbosa
Engenheiro de Plataforma ML · Porto Alegre, RS
Terminei o programa de arquitetura com um projeto capstone que usei diretamente como base para a proposta de redesenho da nossa plataforma. A revisão do mentor foi específica o suficiente para ter valor prático — não foi comentário genérico.
Maio 2025
Do módulo para o contexto real
Hardware Literacy · Cientista de Dados · Fintech · São Paulo
! Desafio
A participante precisava justificar a escolha de instâncias de GPU para o time de infraestrutura, mas não tinha argumentos técnicos além do custo. As reuniões de decisão eram difíceis.
→ Abordagem
Com o módulo, passou a ler fichas técnicas diretamente e a mapear as métricas relevantes para os modelos que o time treinava — identificando onde largura de banda de memória era o fator crítico.
✓ Resultado
Reduziu o custo de instâncias em cerca de 30% ao justificar tecnicamente por que uma GPU diferente era suficiente para o tamanho dos modelos em produção. As reuniões de decisão ficaram mais curtas.
"Pela primeira vez entendi o que o pessoal de infra estava falando — e consegui falar a mesma língua."
Performance Engineering · Engenheiro de ML · E-commerce · Curitiba
! Desafio
Pipeline de inferência com latência alta e uso de GPU inconsistente — o time sabia que havia ineficiência, mas não tinha instrumentos para localizar onde estava o gargalo.
→ Abordagem
Aplicou Nsight Systems no pipeline, aprendido no laboratório do módulo, e identificou transferências desnecessárias entre CPU e GPU. A solução foi reorganizar o pré-processamento de dados.
✓ Resultado
Redução de 40% no tempo de inferência e utilização de GPU mais consistente. A mudança levou cerca de três semanas para implementar após o módulo.
"Antes eu só sabia que algo estava errado. Depois do curso, sabia onde olhar."
ML Platform Architecture · Engenheiro Sênior · Empresa de Saúde Digital · Goiânia
! Desafio
Empresa com infraestrutura de ML crescendo de forma não estruturada — cada projeto usava uma abordagem diferente para armazenamento, versionamento e hardware. Difícil de manter e escalar.
→ Abordagem
O programa de arquitetura foi cursado paralelamente ao início do projeto de redesenho. O projeto capstone foi a proposta de plataforma unificada — revisada pelo mentor antes de ser apresentada à liderança.
✓ Resultado
A proposta foi aprovada e está em implementação. A revisão do mentor identificou dois pontos cegos que teriam causado problemas mais à frente — especialmente na parte de escalabilidade de armazenamento.
"O mentor viu o que eu não vi. Isso vale mais do que qualquer vídeo ou leitura."
Telefone
+55 62 3284-6019Endereço
Av. T-63 1296, Setor Bueno
Goiânia - GO
Atendimento
Seg–Sex: 9h–18h
Sáb: 9h–13h
Referências profissionais
Nvidia Developer Community
Acompanhamos lançamentos, documentação e atualizações do ecossistema diretamente da fonte.
Conformidade com a LGPD
Dados dos participantes tratados com política clara de uso e retenção, em conformidade com a lei brasileira.
Casos reais de equipes brasileiras
Estudos de caso dos módulos avançados foram construídos a partir de projetos conduzidos por equipes de ML no Brasil.
Interessado em participar?
Entre em contato e conversamos sobre qual módulo faz sentido para o seu momento. Sem compromisso de matrícula na primeira conversa.
Fale com a Equipe