 |
| Bellacosa Mainframe e as redes neurais |
☕ Um Café no Bellacosa Mainframe
Redes Neurais sem Mistérios
O Guia Definitivo para um Programador COBOL Padawan Entender Como a Inteligência Artificial Aprendeu a Pensar — e Como Você Pode Acompanhar Essa Jornada Sem Medo
"Durante décadas os programadores COBOL ensinaram computadores a executar regras de negócio. Agora estamos ensinando computadores a descobrir regras sozinhos. Parece uma revolução. Na verdade, é apenas mais um capítulo da evolução da Computação."
Introdução
Existe uma pergunta que recebo praticamente todas as semanas.
"Bellacosa, eu programo COBOL há anos. Ainda dá tempo de aprender Inteligência Artificial?"
Minha resposta sempre é a mesma.
Não apenas dá tempo. Você possui uma vantagem enorme.
Pode parecer estranho ouvir isso justamente quando o mercado parece girar exclusivamente em torno de Python, GPUs, Transformers, ChatGPT e modelos gigantescos.
Mas existe uma verdade que poucos comentam.
Os profissionais que realmente conseguem construir soluções de IA corporativa são aqueles que entendem de sistemas.
E ninguém entende sistemas corporativos melhor do que quem passou anos trabalhando com:
COBOL
CICS
Db2
MQ
VSAM
Batch
JCL
z/OS
O mercado fala muito sobre modelos.
Mas as empresas vivem de processos.
E IA sem processos não resolve problemas reais.
Neste café vamos entender como nasceram as Redes Neurais, por que cada arquitetura surgiu, quais problemas resolveram e, principalmente, como um Programador COBOL Padawan pode construir sua própria trilha rumo ao universo da Inteligência Artificial.
Pegue sua caneca.
Hoje vamos atravessar quarenta anos de evolução tecnológica.
O cérebro sempre foi a inspiração
Desde os anos 1940 os cientistas tentavam responder uma pergunta simples.
Como um cérebro aprende?
Eles perceberam que um neurônio faz algo extremamente simples.
Recebe sinais.
Processa.
Decide.
Envia um novo sinal.
Visualmente:
Entradas
↓
Neurônio
↓
Saída
Individualmente parece pouco.
Mas agora imagine:
100 bilhões de neurônios.
Cada um conectado a milhares de outros.
É assim que nosso cérebro funciona.
As Redes Neurais tentam reproduzir exatamente essa ideia.
O primeiro erro dos iniciantes
Quando alguém vê IA pela primeira vez costuma imaginar:
"Existe uma única Inteligência Artificial."
Não existe.
Na verdade existem dezenas de arquiteturas diferentes.
Cada uma foi criada para resolver um problema específico.
É exatamente igual ao mundo Mainframe.
Você nunca usaria:
CICS para processamento Batch.
Nem
JCL para criar uma API REST.
Nem
Db2 para substituir MQ.
Cada tecnologia nasceu para uma finalidade.
Com Redes Neurais acontece exatamente o mesmo.
Primeira geração — MLP
Tudo começou aqui.
Multi-Layer Perceptron.
O famoso MLP.
Se existisse um equivalente no Mainframe seria algo assim:
READ CLIENTE
↓
VALIDAR
↓
CALCULAR
↓
WRITE
A informação sempre anda para frente.
Nunca volta.
Nunca olha para trás.
É por isso que chamamos esse tipo de arquitetura de Feed Forward.
Ela é extremamente eficiente quando os dados são organizados em tabelas.
Por exemplo:
Idade
Salário
Estado Civil
Cidade
↓
Chance de inadimplência
É praticamente o mesmo problema que bancos resolvem há décadas.
Dica Bellacosa
Se você trabalha com Db2, provavelmente mais de 70% dos seus modelos iniciais poderiam ser resolvidos apenas com MLP.
Nem todo problema precisa de um GPT.
Segunda geração — CNN
A MLP era excelente.
Até aparecer uma fotografia.
Ela via isto:
255
128
90
45
...
Ela não fazia ideia de que aquilo representava um gato.
Foi então que surgiu uma ideia brilhante.
Ao invés de analisar a imagem inteira...
Por que não olhar pequenos pedaços?
Nascia a Convolutional Neural Network.
Imagine um inspetor de qualidade em uma fábrica.
Ele não olha o carro inteiro de uma vez.
Primeiro observa:
✔ roda
Depois
✔ porta
Depois
✔ retrovisor
Depois
✔ pintura
Depois
✔ farol
A CNN trabalha exatamente assim.
Ela identifica padrões simples.
Depois combina esses padrões.
Até reconhecer objetos extremamente complexos.
Curiosidade
Hoje praticamente todo exame médico envolvendo IA utiliza CNN em alguma etapa.
Radiologia.
Mamografia.
Tomografia.
Retina.
Dermatologia.
A maioria começou usando CNN.
Terceira geração — RNN
Agora apareceu outro problema.
Texto.
Veja estas frases.
Maria ama João.
Agora troque.
João ama Maria.
As mesmas palavras.
Significados completamente diferentes.
A MLP não entendia isso.
Ela tratava tudo como números.
Foi então que surgiu a Rede Neural Recorrente.
Ela ganhou memória.
Cada palavra influencia a próxima.
Analogia COBOL
Imagine um programa Batch processando extratos.
Cada registro depende do saldo anterior.
Saldo Inicial
↓
Débito
↓
Crédito
↓
Novo Saldo
Esse estado precisa ser carregado.
A RNN faz exatamente isso.
O problema do esquecimento
Mas apareceu outro desafio.
Quanto maior o texto...
Mais difícil lembrar do começo.
Imagine ler um livro inteiro e esquecer quem era o protagonista.
Era isso que acontecia.
Chamamos isso de:
Vanishing Gradient.
LSTM — A memória inteligente
Foi então criada a Long Short-Term Memory.
A ideia é maravilhosa.
Ela criou "porteiros".
Toda informação pergunta:
Posso entrar?
↓
Guardar?
↓
Esquecer?
↓
Mostrar?
Esses controles fizeram uma enorme diferença.
Agora a rede conseguia lembrar eventos ocorridos centenas de palavras antes.
Easter Egg Mainframe
Quem trabalha com CICS conhece bem o conceito de COMMAREA.
Ela transporta contexto entre transações.
A LSTM faz algo parecido.
Ela leva contexto de uma etapa para outra.
GRU
Depois alguém perguntou:
"Será que precisamos de tanta complexidade?"
Nasceu a GRU.
Ela faz quase o mesmo.
Mas usando menos portas.
Resultado:
✔ treinamento mais rápido
✔ menos memória
✔ menos parâmetros
Hoje ela aparece bastante em:
IoT.
Sensores.
Equipamentos industriais.
Dispositivos embarcados.
O terremoto chamado Transformer
Então chegou 2017.
Um artigo mudou completamente a história da IA.
Attention Is All You Need
Esse artigo talvez seja para IA o equivalente ao System/360 para a computação empresarial.
Mudou tudo.
Antes
As redes liam:
Palavra
↓
Palavra
↓
Palavra
Uma por vez.
Agora...
Todas as palavras são analisadas simultaneamente.
Todas
↓
Todas conversam entre si
↓
Resultado
Isso permitiu usar milhares de GPUs em paralelo.
Foi aí que nasceram:
GPT
Claude
Gemini
Llama
Mistral
DeepSeek
Qwen
Phi
Self-Attention
Aqui está a verdadeira mágica.
Imagine:
O gerente entregou o relatório ao diretor porque ele solicitou.
Quem solicitou?
O gerente?
Ou o diretor?
O Transformer calcula relações entre todas as palavras.
Ao mesmo tempo.
É quase como construir um enorme grafo de relacionamentos.
Curiosidade
Quando o ChatGPT responde sua pergunta...
Ele está realizando bilhões de operações matemáticas envolvendo Attention.
A resposta não vem de um banco de dados.
Ela surge desses cálculos.
Autoencoders
Existe outra família extremamente importante.
Os Autoencoders.
Eles aprendem a compactar informação.
Pense em um enorme VSAM.
Imagine reduzir milhões de registros para poucas variáveis que representam todo o comportamento do sistema.
É isso que eles fazem.
Onde aparecem?
Detecção de fraude.
Anomalias.
Compressão.
Stable Diffusion.
Representação Latente.
Sistemas de recomendação.
O que os iniciantes normalmente estudam errado?
Quase todos querem começar aprendendo:
Transformer.
Erro.
É como querer aprender Sysplex antes de entender JCL.
Existe uma ordem natural.
A trilha Bellacosa Mainframe
Se eu estivesse começando hoje...
Minha trilha seria exatamente esta.
Etapa 1
Matemática.
Não precisa virar matemático.
Mas domine:
✔ Álgebra Linear
✔ Vetores
✔ Matrizes
✔ Probabilidade
✔ Estatística
Etapa 2
Python.
Não para virar desenvolvedor Python.
Mas porque praticamente todo ecossistema de IA utiliza Python.
Aprenda:
if
for
listas
funções
classes
Nada além disso inicialmente.
Etapa 3
NumPy.
Aprenda:
arrays
broadcast
matrizes
Etapa 4
Pandas.
Manipulação de dados.
Quem conhece SORT e Db2 aprende Pandas muito rapidamente.
Etapa 5
Visualização.
Matplotlib.
Plotly.
Gráficos contam histórias.
Etapa 6
Machine Learning clássico.
Antes das Redes Neurais.
Aprenda:
Regressão.
Árvore.
Random Forest.
XGBoost.
SVM.
K-Means.
Etapa 7
MLP.
Aqui começa Deep Learning.
Etapa 8
CNN.
Visão Computacional.
Etapa 9
RNN.
Etapa 10
LSTM.
Etapa 11
GRU.
Etapa 12
Attention.
Etapa 13
Transformers.
Etapa 14
LLMs.
Etapa 15
Fine-Tuning.
Etapa 16
RAG.
Etapa 17
Agentes de IA.
Uma analogia com a evolução do Mainframe
Observe como as duas histórias se parecem.
| Mainframe | IA |
|---|---|
| Batch | MLP |
| CICS | RNN |
| Sysplex | Transformer |
| MQ | Attention |
| Db2 | Embeddings |
| VSAM | Vetores |
| RACF | Guardrails |
| WLM | Scheduler do treinamento |
| SMF | Observabilidade |
| RMF | Monitoramento de desempenho |
Perceba algo interessante.
O Mainframe sempre trabalhou com integração.
A IA moderna também.
Cinco conselhos para o COBOL Padawan
1. Não tenha medo da matemática. Você não precisa provar teoremas. Precisa entender conceitos como vetores, matrizes e probabilidades para interpretar o comportamento dos modelos.
2. Preserve sua experiência em regras de negócio. Um modelo de IA pode aprender padrões, mas dificilmente conhece décadas de processos bancários, seguradoras ou governo como um analista experiente.
3. Estude arquitetura, não apenas ferramentas. Frameworks mudam rapidamente. Conceitos como atenção, embeddings, funções de ativação e treinamento permanecem relevantes.
4. Construa pequenos projetos. Um classificador de documentos, um detector de anomalias em transações ou um chatbot para consultar manuais ensinam muito mais do que apenas assistir vídeos.
5. Continue aprendendo continuamente. A evolução da IA é rápida, mas segue princípios fundamentais. Quem domina esses princípios consegue acompanhar as novidades com muito mais facilidade.
Curiosidades
O Perceptron, criado em 1958 por Frank Rosenblatt, foi um dos primeiros modelos de rede neural.
O termo Deep Learning só ganhou popularidade décadas depois, quando hardware e grandes volumes de dados tornaram possível treinar redes profundas.
O artigo "Attention Is All You Need", publicado em 2017, tem pouco mais de uma dezena de páginas e redefiniu praticamente toda a indústria de IA moderna.
Muitos modelos atuais utilizam bilhões de parâmetros, mas continuam baseados em conceitos matemáticos desenvolvidos ao longo de décadas.
Easter Eggs para quem vive no IBM Z
Embeddings podem ser comparados a índices inteligentes: em vez de procurar por igualdade exata, eles permitem encontrar informações por similaridade.
Attention lembra uma consulta complexa que cruza várias tabelas de uma só vez para decidir quais relacionamentos são mais importantes.
Fine-Tuning se parece com adaptar um sistema legado para uma nova legislação: você não reescreve tudo, apenas especializa o comportamento.
RAG (Retrieval-Augmented Generation) é como combinar um programa COBOL com consultas ao Db2 ou VSAM: o modelo raciocina, mas consulta uma base confiável para responder.
Agentes de IA lembram muito a arquitetura tradicional do mainframe: um coordenador orquestra vários componentes especializados, cada um responsável por uma função específica.
Conclusão
Durante muitos anos, o mercado acreditou que Inteligência Artificial substituiria a engenharia de software tradicional. O que estamos observando é justamente o contrário: os sistemas mais poderosos combinam modelos de IA com bancos de dados, filas de mensagens, APIs, regras de negócio, observabilidade, segurança e governança — exatamente os pilares que profissionais de mainframe dominam há décadas.
As redes neurais não eliminam a necessidade de arquitetura; elas ampliam sua importância. Saber quando usar um MLP, uma CNN, um Transformer ou um Autoencoder é tão importante quanto saber quando utilizar COBOL, CICS, Db2 ou MQ.
A verdadeira jornada de um Programador COBOL Padawan rumo à IA não começa decorando nomes de modelos, mas entendendo que cada arquitetura nasceu para resolver um problema específico. Quando você percebe essa evolução, deixa de enxergar a IA como uma caixa-preta e passa a vê-la como mais uma disciplina da Engenharia de Software.
No fim das contas, os princípios continuam os mesmos: compreender o problema, escolher a arquitetura adequada, construir soluções confiáveis e evoluí-las continuamente. Essa sempre foi a essência do desenvolvimento no IBM Z — e continua sendo a essência da Inteligência Artificial moderna.
