Infraestrutura como Código e IA: automação de operações com Terraform, Kubernetes e Helm

Introdução à IA generativa para infraestrutura - Apresentação

Apresentando o curso e o instrutor

Olá, sejam muito bem-vindos ao curso IA como copiloto em infraestrutura.

Meu nome é Leonardo Martins, sou gerente de DevOps, e é uma alegria imensa estar aqui e compartilhar esta etapa de aprendizado com vocês.

Fazendo audiodescrição e contextualizando o ambiente

Antes de começar, gostaria de fazer uma breve descrição do ambiente de gravação.

Audiodescrição: Eu sou um homem moreno, de cabelos pretos, e estou vestindo uma camiseta cinza de mangas compridas. Estou gravando nos estúdios da Alura. Ao fundo, há uma estante com livros e plantas.

Compartilhando contatos e canais de conteúdo

Estou no LinkedIn e ficarei imensamente grato caso queiram se conectar comigo.

Tenho um blog chamado infrascoach.com.br, onde compartilho muitos conhecimentos de DevOps, SRE e infraestrutura como código. Esse blog existe há mais de seis anos. Caso se interesse, será um prazer receber sua visita.

Na minha jornada de transição de carreira técnica para liderança, criei uma newsletter (boletim informativo) chamada engineermanage.com.br, onde compartilho conteúdos específicos de interesse de quem transicionou da carreira técnica para a carreira de liderança.

Explicando o propósito do curso e sua estrutura

Desde 2009, eu vivo e acompanho as evoluções do modelo de trabalho DevOps. Agora, no contexto de infraestrutura como código com IA, o que muda? Esse é exatamente o propósito deste curso.

Nosso curso está dividido em quatro aulas. Na primeira, vamos tratar da introdução à IA generativa para profissionais de infraestrutura. Na segunda, vamos abordar o que é prompt engineering (engenharia de prompts) para equipes de operação e de DevOps e SRE.

Na terceira aula, veremos IA aplicada ao Terraform e ao Realm, ferramentas de infraestrutura como código. Na última aula, abordaremos agentes, workflow (fluxo de trabalho) e limites da IA.

Detalhando a aula 1 e os pré-requisitos

Com mais detalhes: na Aula 1, teremos uma visão geral da carreira em AIOps, estudaremos o que são LLMs (Modelos de Linguagem de Grande Porte), como funcionam e o cenário atual de IA em operações de TI. Também analisaremos casos de uso de DevOps (Desenvolvimento e Operações) e SRE (Engenharia de Confiabilidade de Sites).

Nos pré-requisitos deste curso, nós receberemos um PDF com orientações para construir e replicar todos os laboratórios. Não é necessário copiar, pois todo o material será compartilhado.

Explorando as aulas 2 e 3

Na Aula 2, veremos os fundamentos de prompt engineering (engenharia de prompts), práticas de trabalho, formas de compartilhar conhecimentos e faremos um comparativo entre duas ferramentas de IA que podem nos ajudar no dia a dia.

Na Aula 3, realizaremos atividades práticas: geraremos código de Terraform com auxílio de ferramentas de IA, testaremos refatoração de módulos e códigos de Terraform e, ao final, montaremos uma pipeline (esteira) de infraestrutura como código assistida por IA.

Antecipando a aula 4 e seguindo para a aula 1

Na Aula 4, veremos o que são agentes de IA e como se diferenciam de chatbots (assistentes de conversa), para onde o mercado caminha, e quais são os riscos da IA em ambientes de produção, incluindo alucinações e seus impactos. Ao final, construiremos pelo menos um rascunho de uma cultura de IA responsável, baseada no time, e repassaremos todas as ferramentas necessárias para os laboratórios e testes.

Com isso, seguimos para a Aula 1.

Introdução à IA generativa para infraestrutura - IA Generativa para ITOps e DevOps

Apresentando a aula e os objetivos

Boas-vindas à Aula 1: Introdução à IA generativa para pessoas profissionais de infraestrutura.

Nesta aula, veremos:

• visão geral da carreira de ITOps;
• o que são as LLMs (Modelos de Linguagem Grande) e como funcionam;
• o cenário atual de IA para operações de TI;
• casos de uso reais para DevOps (desenvolvimento e operações) e SRE (Engenharia de Confiabilidade de Sites);
• ao final, revisaremos a configuração do ambiente necessária para realizar os trabalhos e os laboratórios deste curso.

Contextualizando a carreira e a evolução histórica

Na Aula 1.1, faremos um breve retrospecto histórico e apresentaremos uma visão geral da carreira de ITOps. Antes de tratar de ITOps, precisamos recuar no tempo para traçar um paralelo com nossa carreira em tecnologia e com a evolução da indústria.

No passado, muitos trabalhos eram manuais, altamente propensos a erros, característicos da época, aproximadamente no início do século passado. Com a evolução industrial — máquinas a vapor e automação —, pudemos criar metodologias para replicar o trabalho manual e torná-lo mais automatizado. Surgiram as primeiras linhas de montagem; o exemplo da Ford, que estruturou uma cadeia de montagem e alcançou escala, é emblemático. Hoje, vivemos a era das linhas de montagem robotizadas, com pouca interferência humana, nas quais robôs são programados para construir uma infraestrutura, um bem de produção. Essa é a linha histórica da indústria.

Traçando um paralelo com nosso contexto de trabalho em tecnologia — operações de sistemas e de aplicações —, no passado tínhamos operações manuais. Com a evolução, passamos a ter operações manuais apoiadas por scripts de IaC (Infraestrutura como Código). Agora, vivemos um momento que, para algumas empresas, já é realidade: IaC assistida por ferramentas de IA.

Detalhando as operações manuais e as primeiras automações

Para tangibilizar o que chamamos de operações manuais no passado, víamos operações de sistemas e a gestão de ambientes críticos por meio de ferramentas como o SSH (Secure Shell), editando arquivos manualmente e conectando-se diretamente aos sistemas, às máquinas que operavam no ambiente produtivo; fazíamos conexões manuais.

Essa etapa antecede 2009 por uma margem considerável. Já em 2005 e 2006, começaram a surgir algumas ferramentas: automações via scripts em shell (interpretador de comandos) e em Python; ferramentas como CFEngine, que criavam automações para a instalação de sistemas operacionais.

Evoluindo para infraestrutura como código e assistentes de ia

Mais recentemente, a partir de 2009, surgiram ferramentas de infraestrutura como código, as primeiras ferramentas de automação associadas ao movimento DevOps (desenvolvimento e operações), como Puppet, Chef, Capistrano e Fabric. Essas ferramentas compuseram o primeiro conjunto de ferramentas de pessoas que trabalhavam com o movimento DevOps.

Hoje, no contexto de 2026, contamos com assistentes de IA e ferramentas projetadas para operar em um terminal, que funcionam dentro do terminal e são capazes de realizar muitos trabalhos.

Explicando a acumulação de conhecimento e os objetivos do curso

Observemos algo: mesmo ao longo desta linha do tempo — a evolução de Ops (operações) manual, automação de Ops (operações), Infraestrutura como Código e AIOps (operações com IA) — há uma acumulação de conhecimento. O conhecimento não surge do nada; vivemos uma onda de inteligência artificial, mas essa onda não apareceu do nada. O conhecimento atual é acumulado a partir das tarefas manuais da época do Ops (operações) manual.

Esse trabalho manual evoluiu para uma automação baseada em ferramentas e em scripts (roteiros de automação). Em seguida, esses scripts (roteiros de automação) evoluíram para ferramentas ou conjuntos — frameworks (estruturas) de automação — que facilitaram seu uso. Agora estamos na fase em que a inteligência artificial interpreta as ferramentas de Infraestrutura como Código e produz um resultado que antes gerávamos manualmente, porém com mais velocidade. Assim, o conhecimento foi se acumulando. A proposta deste curso é mostrar como vamos acumular conhecimento para nos familiarizarmos com o uso das ferramentas de IA.

Refletindo sobre impactos no trabalho e o papel humano

A inteligência artificial é amplamente discutida; afirmações de que ela tirará empregos se repetem até hoje. É importante, com conhecimento, entendermos que não é exatamente assim: não é porque existe uma ferramenta que produz mais resultados com maior rapidez que os empregos serão eliminados. Infraestrutura, observabilidade e todo o restante que gera valor para as empresas requerem decisão humana. Essa decisão decorre do aperfeiçoamento do nosso conhecimento, permitindo julgar se a ferramenta está funcionando de forma correta ou incorreta e avaliar se pode gerar ganho ou prejuízo.

Nossa visão é a seguinte: se houver receios — o que seria injusto — o mais importante é compreender que, ao fortalecermos nossas bases técnicas, as ferramentas de inteligência artificial colaboram com nosso trabalho, e, assim, ganhamos mais confiança para trabalhar junto a elas. Em síntese, entendemos que as ferramentas de inteligência artificial funcionam como uma alavanca para nosso trabalho, e queremos compreender como incorporar o uso de ferramentas de IA no nosso dia a dia.

Recapitulando a trajetória e encerrando a aula

Nesta aula introdutória, abordamos a cronologia da evolução das ferramentas de operações: discutimos o Ops (operações) manual, o Ops (operações) baseado em scripts (roteiros de automação), as ferramentas que surgiram para apoiar o uso de scripts (roteiros de automação) e também o contexto atual, no qual pessoas utilizam ferramentas de IA para apoiar o trabalho de gestão de ambientes e de operações.

Essa trajetória, como referência, proporciona um acúmulo de conhecimentos ao longo do tempo que hoje nos permite aproveitar as ferramentas de IA para apoiar a gestão de ambientes, as operações de infraestrutura e as operações de aplicações.

É apenas dessa forma, com conhecimento acumulado, que construímos um uso relevante e prático que traga benefícios ao nosso dia a dia ao utilizar ferramentas de IA. Só assim, conhecendo a história e sabendo como usávamos as soluções no passado, poderemos obter os benefícios de usar a IA hoje.

Com isso, encerramos a Aula 1 e nos encontramos na próxima. Até lá.

Introdução à IA generativa para infraestrutura - Fundamentos de LLMs e Linguagem

Apresentando a aula e contextualizando com sugestões de teclado

Olá, bem-vindes à Aula 1.2 do nosso curso de IA como copiloto em infraestrutura. Na aula de hoje, veremos o que são as LLMs e como funcionam. Vamos?

Antes de falar das LLMs, vamos considerar um exemplo. Em grupos familiares de WhatsApp, sempre há alguém que escreve "bom dia", e todos os dias recebemos esse "bom dia". Quando estamos digitando no teclado do celular e escrevemos "bom", o teclado sugere algumas palavras. Pode sugerir "bom trabalho", "bom dia", "boa tarde", "boa noite". Em muitos casos, há um programa operando por trás dessas sugestões. Embora, em geral, no celular não seja exatamente o mesmo mecanismo, ele se assemelha aos utilizados por mecanismos de chat (bate-papo), como o ChatGPT, entre outras ferramentas. Por trás disso, há uma ferramenta trabalhando. Essa ferramenta é chamada LLM.

Definindo modelos de linguagem e a previsão de próxima palavra

Antes de entender o que é essa ferramenta, precisamos entender a sigla. LLM significa Large Language Model (grande modelo de linguagem). De forma muito resumida, uma LLM é um programa treinado com bilhões de textos que "aprendeu" — aqui, "aprendeu" está entre aspas e em destaque: "aprendeu" — a prever a próxima palavra em uma determinada sequência. Na realidade, não há aprendizado no sentido humano; há algoritmos que realizam cálculos e, por meio de probabilidades, sugerem palavras com base em contextos.

Por exemplo, se for de manhã e o algoritmo considerar o horário do celular, ele tende a sugerir "bom dia". Se for à noite, há maior probabilidade de sugerir "boa noite". Portanto, o horário do dia é um parâmetro a considerar para uma sugestão. Assim, as LLMs são programas treinados com bilhões de dados que, por meio de funções matemáticas, sugerem a próxima palavra.

Detalhando tokens, embeddings e mecanismos de atenção

O que existe por trás desse "aprender"? Há muitas fases. De forma prática, podemos entender que a primeira fase é transformar textos em tokens (unidades de texto). Essa palavra faz parte do vocabulário da área. Quando falamos em inteligência artificial, LLM e tokens, estamos tratando de termos próprios do universo da IA. Já definimos o que é uma LLM; agora, vamos definir o que é um token. A partir dos tokens, existem outras camadas de trabalho. Por exemplo, a camada de embedding (incorporação vetorial), que transforma tokens em vetores. Recordando da álgebra básica, vetores são informações com uma determinada origem, um determinado destino e uma determinada magnitude. No contexto das LLMs, essa metainformação é chamada de parâmetros.

Depois, temos os algoritmos de atenção, que processam tokens e medem a proximidade de um token em relação a outro; especificamente, falamos de self-attention (autoatenção). Em seguida, existem algoritmos de organização dos tokens, chamados de feed-forward network (rede de avanço direto). Ao final, a saída de todas essas etapas é uma LLM com muitos tokens mapeados e aproximados que, após diversas camadas processadas, gera o que chamamos de modelo de LLM.

Esclarecendo o conceito de token e diferenças entre idiomas

Vamos detalhar o que é um token. Token é a menor unidade de texto que o modelo processa. Não é exatamente uma palavra, mas um fragmento de texto. Esse fragmento pode variar de tamanho dependendo do idioma em que o modelo foi treinado. Por exemplo, em inglês, algumas palavras correspondem a um único token. Em idiomas como o português, com acentuação e tamanhos distintos, uma única palavra pode ter entre 3 e 4 tokens. Uma regra prática: em inglês, um token corresponde, em média, a cerca de 4 letras; em português, a aproximadamente 5 ou 6 caracteres.

Essa diferença entre inglês e português, e a variação do tamanho de token para cada um desses conjuntos de dados, já é um ponto inicial de diferenciação entre uma IA e outra. A diferenciação começa pelos dados escolhidos para o treinamento. Uma IA treinada com dados em inglês terá tokens de um determinado tamanho; uma IA treinada com dados em português terá tokens de outros tamanhos. A forma de processar tokens influencia completamente o resultado final do modelo de IA.

Contextualizando fontes de dados e impactos no consumo

Ao falar de LLM, a palavra "large" (grande) indica uma quantidade enorme de dados. Estamos nos referindo a muitos livros; textos contidos em livros; códigos em repositórios de software (programas) livre; conteúdo em GitHub, CloudStack, Stack Overflow; fóruns de conversa; páginas da web; fluxos de logs (registros); e comunicações em redes sociais. Todas essas são fontes imensas de dados que as empresas responsáveis pela construção de modelos de IA processam. Esses dados são transformados em tokens, submetidos a etapas de transformação e armazenamento, passando por processos como embedding (incorporação vetorial) e self-attention (autoatenção) até, ao final, gerar um modelo de IA.

Essas etapas consomem uma quantidade imensa de dados e recursos. Por isso, quando ouvimos na mídia que a inteligência artificial consome muita energia, muito processamento e requer muitas GPUs (unidades de processamento gráfico), é justamente em função do volume das fontes de dados e dos algoritmos de tratamento desses dados que a IA demanda alto consumo de energia.

Relacionando cálculos matriciais à necessidade de processamento gráfico

A maioria desses algoritmos realiza cálculos baseados em matrizes. Ao relembrarmos a álgebra linear básica, trabalhamos com matrizes 2x2, 3x2, 4x4, além de operações como calcular a transposta e a inversa. Em exercícios de álgebra, esses cálculos são relativamente simples e poderíamos realizá-los no papel, porém os dados utilizados eram pequenos, em matrizes pequenas. Aqui, falamos de matrizes imensas e, para efetuar esses cálculos por meio de computação, precisamos de processadores capazes de executar transformações como transposição e inversão em grande escala. Observemos que são cálculos muito mais avançados do que apenas a transposta de uma matriz; fazemos esse paralelo apenas para fins didáticos.

Para realizar esses cálculos em escala, é necessário um poder computacional muito grande. Os componentes mais adequados e rápidos para isso são as GPUs. É possível executar esses cálculos em equipamentos sem GPU? Sim, é possível; no entanto, o processador não foi projetado para esse tipo de operação vetorial e matricial intensiva e, por isso, processa de outra maneira, levando mais tempo. Por essa razão, atualmente há uma corrida das empresas para adquirir mais GPUs, a fim de ampliar sua capacidade computacional, treinar mais dados mais rapidamente e construir modelos melhores e mais precisos para oferecer às pessoas usuárias.

Apresentando modelos populares e conectando com a predição de tokens

Quando falamos de modelos, referimo-nos a Llama 3, GPT-4, Gemini Ultra (do Google), DeepSeek e Claude 3 Opus (da Anthropic). Ao tratar de modelos, geralmente destacamos duas medidas: tokens e parâmetros. Por exemplo, podemos ouvir que um modelo tem 15T de tokens ou 70 bilhões de parâmetros. Já vimos que token é a menor unidade de texto que as LLMs processam; estamos tratando de palavras e trechos de texto segmentados e organizados em conjuntos de dados de aproximadamente 3 a 4 caracteres. No caso do Llama 3, falamos, por exemplo, de cerca de 15 trilhões de tokens, que compõem um modelo com 70 bilhões de parâmetros. Em geral, não é possível afirmar que um modelo é mais rápido ou mais eficiente apenas por essas duas medidas, mas elas são as mais mencionadas quando empresas apresentam seus modelos.

Agora que temos noção do que é um token e do que é um modelo, e já comentamos sobre os cálculos matemáticos envolvidos, retomemos um exemplo prático. Consideremos o “bom dia” que recebemos com frequência em um grupo do WhatsApp. Quando digitamos “olá, bom”, qual é o próximo token, isto é, a próxima palavra ou o próximo fragmento de dados que o teclado vai sugerir? Quando as sugestões aparecem logo acima do teclado — por exemplo, “trabalho”, “humor”, “senso” e “dia” — há um cálculo para oferecer essas opções. Com base no contexto (por exemplo, se é de manhã) e no histórico do que já foi escrito no grupo, o sistema pode sugerir “dia” como primeira opção, com 78% de probabilidade; depois “trabalho” com 10%, “humor” com 7% e “senso” com 5% como palavras mais prováveis em relação ao token anterior. Corrigindo a interpretação: não se trata de 78% de probabilidade de a pessoa aceitar a sugestão, e sim de uma probabilidade de 78% atribuída à palavra “dia” como próxima sequência mais provável naquele contexto.

Relacionando reforço de sugestões ao uso em infraestrutura como código

Quando digitamos “olá” e o sistema sugere “dia”, ao tocar em “dia” realizamos uma ação de reforço que sinaliza que, naquele horário e com base nos textos já escritos, em geral escreveríamos “dia”. Por isso enviar “bom dia” no grupo da família é tão fácil: se a pessoa costuma enviar “bom dia” todos os dias, o algoritmo entende que, mais ou menos naquele horário e naquele contexto, a probabilidade de, após “olá bom”, surgir “dia” é muito alta.

No contexto de Infraestrutura como Código, ocorre o mesmo. Imaginemos que queremos escrever um código em Terraform para criar um componente — neste caso, uma instância na AWS. Começamos a digitar o código e, por exemplo, no recurso da AWS queremos criar uma instância chamada web. Qual é o próximo token? A LLM sugerirá algumas possibilidades com base no que escrevemos, como inserir o nome da instância, o ID da instância ou a quantidade. No entanto, o próximo caractere/token mais provável, por ser estrutural da linguagem do Terraform, são as chaves: { }. É nesse momento que abrimos os parâmetros de configuração de um componente dentro do Terraform.

Para visualizar esse momento prático de abertura do bloco de configuração no Terraform, veja o início do recurso abaixo:

resource "aws_instance" "web" {

Esse trecho mostra exatamente o “próximo token” sendo as chaves de abertura do bloco, onde passaremos os parâmetros da instância. É assim que as LLMs trabalham: sugerindo o próximo token e, portanto, o próximo trecho de texto que vamos utilizar.

Concluindo a aula e recapitulando os conceitos

Nesta aula, vimos o que significa LLM — a sigla para Large Language Model (Modelo de Linguagem Grande) —, isto é, um programa que aprendeu a escrever texto lendo bilhões de dados. Também vimos o que são tokens: dados que o modelo leu, segmentou e agrupou, passando por várias camadas e etapas de treinamento até gerar um “cérebro”; esse “cérebro”, entre aspas, é o próprio modelo. Conhecemos ainda alguns dos modelos mais utilizados, além das unidades de medida que costumam ser usadas para diferenciá-los.

Ficamos por aqui na aula de hoje. Nos vemos na próxima. Até mais!

Sobre o curso Infraestrutura como Código e IA: automação de operações com Terraform, Kubernetes e Helm

O curso Infraestrutura como Código e IA: automação de operações com Terraform, Kubernetes e Helm possui 300 minutos de vídeos, em um total de 60 atividades. Gostou? Conheça nossos outros cursos de Infraestrutura como Código em DevOps, ou leia nossos artigos de DevOps.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Introdução à IA generativa para infraestrutura
• Prompt Engineering para Operações de Infraestrutura
• IA para geração e otimização de infraestrutura
• Agentes de IA, riscos e governança responsável