Automação de Processos: Rpa e Hiperautomação

Módulo 1: Fundamentos de Automação e Processos

Fundamentos de Hiperautomação

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os conceitos de automação de processos e hiperautomação

• Ter conhecimento das capacidades, componentes, e aplicações de RPA.

• Compreender as diferenças entre High-Code, Low-Code e No-Code

• Identificar e avaliar oportunidades de automação

• Desenhar, testar, implementar e manter soluções automatizadas.

• Ter familiaridade com os conceitos de RPA, como screen scraping, manipulação de dados e com ambientes de desenvolvimento RPA.

Análise e Desenho de Processos

Ao final da disciplina, os alunos deverão ser capazes de:

• Entendimento do papel da automatização no contexto do desenho de processos

• Compreender os conceitos e gestão orientada a processos

• Mapear e modelar processos de negócios utilizando diversas notações.

• Analisar e redesenhar processos

• Conhecer técnicas de análise e desenho de processos

• Entender o papel da automatização no contexto do desenho de processos

• Analisar e identificar necessidades para redefinição de processos.

• Documentar processos através de PDD (Process Design Document).

• Conhecer tecnologias para gestão e automação de processos.
  

Módulo 2: Tecnologias de Automação

Desenvolvimento e Projeto de Solução RPA I

Ao final da disciplina, os alunos deverão ser capazes de:

• Usar ferramentas de RPA para construir automações

• Construir automações complexas

• Capacidade de integrar RPA com outras ferramentas e aplicações

• Decompor automações em módulos, integrá-las com outras ferramentas, e implementar soluções 

• Realizar debugging, testing, e monitoramento de processos automatizados.

Desenvolvimento e Projeto de Solução RPA II

Ao final da disciplina, os alunos deverão ser capazes de:

• Usar ferramentas de RPA para construir automações

• Construir automações complexas

• Capacidade de integrar RPA com outras ferramentas e aplicações

• Decompor automações em módulos, integrá-las com outras ferramentas, e implementar soluções.

• Realizar debugging, testing, e monitoramento de processos automatizados.

Desenvolvimento de Soluções RPA com Python

Ao final da disciplina, os alunos deverão ser capazes de:

• Conhecer Python para automação e desenvolvimento de soluções RPA.

• Usar bibliotecas Python para automação

• Deenvolver soluções RPA usando Python

• Manipular dados, usar APIs e automatizar interfaces gráficas.

• Conhecer automação de testes e desenvolvimento de aplicações.

• Criar aplicações práticas de automação.

Plataformas Low Code: Fundamentos e Práticas

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os conceitos fundamentais de desenvolvimento low code.

• Diferenciar entre abordagens low code, no code e desenvolvimento tradicional.

• Compreender os componentes e a estrutura de uma aplicação low-code.

• Avaliar e selecionar plataformas low code adequadas para projetos específicos.

• Aplicar metodologias de desenvolvimento em soluções low code.

• Implementar um projeto prático utilizando uma plataforma low code.
  

Módulo 3: Integração e Dados

APIs e Web Services  

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos e arquiteturas de APIs (SOAP, REST, GraphQL, etc.).

• Projetar, documentar e testar APIs, assegurando segurança e boas práticas.

• Implementar diferentes abordagens arquiteturais de APIs.

• Utilizar protocolos como REST e SOAP para criar e consumir APIs.

• Documentar APIs de forma clara e completa.

• Aplicar práticas de segurança no desenvolvimento de APIs.

• Gerenciar o ciclo de vida completo de API.

Bancos de Dados Relacionais e Linguagem SQL  

Ao final da disciplina, os alunos deverão ser capazes de:

• Ter compreensão dos fundamentos de bancos de dados relacionais

• Fazer modelagem de dados usando Diagramas ER

• Usar linguagem SQL, incluindo DML e DDL

• Criar, manipular e gerenciar bancos de dados relacionais.

Automação do Fluxo de Dados

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender técnicas de preparação e enriquecimento de dados

• Analisar Feature Engineering

• Conhecer processos de integração de dados

• Projetar e implementar fluxos de dados automatizados

• Compreender as diferenças entre RPA, ETL, ELT e Data Lake

• Projetar e desenvolver automações para fluxo de dados comparando com RPA, ETL, ELT, e Data Lakes.
  

Módulo 4: Inteligência Avançada e Machine Learning

Machine Learning: fundamentos e Aplicações em Hiperautomação

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os fundamentos do processo de aprendizagem de máquina, incluindo os tipos de aprendizado

• Aplicar técnicas e algoritmos de aprendizado supervisionado e não-supervisionado

• Realizar feature engineering e preparação de dados para modelos de ML

• Utilizar ferramentas e bibliotecas populares de machine learning

• Integrar soluções de ML em processos de hiperautomação

• Avaliar e otimizar modelos de ML usando métricas apropriadas

• Analisar estudos de caso e desenvolver projetos práticos de ML em hiperautomação.

Processamento de Linguagem Natural em Hiperautomação

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os conceitos básicos de Processamento de Linguagem Natural (PLN) e uaa importância para automação de processos

• Aplicar técnicas de pré-processamento de texto (tokenização, stemming, lematização, remoção de stopwords)

• Implementar e utilizar modelos de linguagem (N-gramas, TF-IDF, Word Embeddings)

• Desenvolver aplicações práticas de PLN em contextos de hiperautomação

• Utilizar ferramentas e plataformas de PLN para automação de processos

• Integrar soluções de PLN com outras tecnologias de hiperautomação

• Analisar estudos de caso e desenvolver projetos práticos de PLN em hiperautomação.

Visão Computacional para Hiperautomação  

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os princípios básicos e tipos de visão computacional

• Realizar manipulação e processamento de imagens digitais

• Conhecer os algoritmos e técnicas para detecção de objetos em imagens e vídeos

• Desenvolver e treinar Redes Neurais Convolucionais (CNN) para tarefas de visão computacional

• Aplicar técnicas de classificação de imagens usando CNNs

• Utilizar ferramentas e bibliotecas especializadas em visão computacional

• Integrar soluções de visão computacional em processos de hiperautomação

• Analisar estudos de caso e desenvolver projetos práticos de visão computacional em hiperautomação.

Módulo 5: Gestão de Projetos e Tecnologias Emergentes

Gestão de Projetos de Hiperautomação

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender os de modelos de governança em Hiperautomação

• Definir arquiteturas de tecnologia para Hiperautomação

• Estruturar e gerenciar um Centro de Excelência em Automação

• Gerir portfólios de automação e priorização de projetos.

• Conhecer e utilizar os principais KPIs de hiperautomação e seu impacto nos negócios.

Cultura e Práticas DevOps

Ao final da disciplina, os alunos deverão ser capazes de:

• Compreender a cultura DevOps e seus benefícios.

• Implementar CI/CD e infraestrutura como código utilizando ferramentas como Docker e Kubernetes.

• Projetar pipelines de build e deployment seguros e eficazes.

• Promover uma cultura de DevOps colaborativa e centrada na automação de testes e processos.

• Integrar práticas de DevOps em projetos de desenvolvimento Low Code.

IA Generativa em Desenvolvimento de Software

Ao final da disciplina, os alunos deverão ser capazes de:

• Aplicar técnicas de IA Generativa para automatizar tarefas de desenvolvimento de software.

• Avaliar o impacto da IA Generativa na produtividade e qualidade do software.

• Utilizar e integrar ferramentas de IA Generativa no processo de desenvolvimento de software.

• Comunicar os benefícios e desafios da IA Generativa para stakeholders.

• Utilizar IAs Generativas para melhorar a experiência do usuário (UX) em interações com software.

• Gerenciar e configurar soluções de AI-as-a-Service, AI-as-a-Commodity e AI Gateways.

Humanidades

Ao final da disciplina, os alunos deverão ser capazes de:

• Refletir sobre o papel da ética e da espiritualidade no contexto científico e tecnológico.

• Avaliar os impactos sociais e humanistas do uso de dados e tecnologia.

• Desenvolver uma ética profissional sólida em ambientes de trabalho colaborativos e tecnológicos.