SOBRE

Meu nome é Daniel Cavalli. Sou Engenheiro de Machine Learning e estudei economia, o que, no mínimo, me deu uma desculpa formal para desconfiar de sistemas que parecem funcionar antes de eu entender por que funcionam.

Não que eu precisasse de formação formal para isso. Esse instinto tem sido bastante constante na minha vida e, mesmo quando criança, eu constantemente às vezes me metia em encrenca por desmontar alguma coisa que estava "quebrada", para entender melhor como funcionava.

Bem, ter formação formal significou levar essa mesma mentalidade para outros assuntos, hum, menos concretos. Às vezes, isso resulta em stacks de treinamento distribuído sendo reaproveitados, kernels CUDA sendo escritos para pipelines que estavam funcionando, mas no limite. Em outras, resulta em pranchas de surf sendo construídas no depósito da minha cozinha (com toda a fibra de vidro, ferramentas e pó que vêm junto) ou em uma máquina de lavar que vinha funcionando perfeitamente bem, até eu decidir que ela agora deveria contribuir para a ciência!

O objeto muda, mas o interesse costuma ser o mesmo: encontrar a lógica real por baixo das coisas, onde o atrito de fato está, quais partes estão fazendo o trabalho que deveriam fazer e o que pode ser simplificado para ficar melhor.

Minha família, embora apoie esse comportamento, ainda me lança um ou outro olhar de vez em quando. Firme na minha intenção de quebrar coisas para aprender, este blog é onde esse hábito fica mais fácil de justificar. Escrevo sobre inteligência artificial, design de sistemas, networking e qualquer outra coisa que pareça valer a pena entender direito, em vez de apenas usar. Em parte para explicar coisas e compartilhar algum conhecimento ou algumas opiniões, mas principalmente para ver se as minhas próprias explicações sobrevivem ao contato com estrutura e pontos de vista contrários. Tenho orgulho de dizer que geralmente não sobrevivem, o que é útil.

Moro em Copacabana, fico tão perto do mar quanto a vida comum permite, e descobri que surfing, engineering e writing se parecem em pelo menos um aspecto: os três se impressionam menos com intenção do que com timing, feel e se você realmente entende o meio com que está trabalhando.