AUTOMAÇÃO INTELIGENTE: RPA, IA E HIPERAUTOMAÇÃO - Online

Módulo 1: Fundamentos e Análise de Processos

Fundamentos de Hiperautomação

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

• Compreender os conceitos fundamentais de automação de processos, RPA e hiperautomação

• Identificar e avaliar oportunidades de automação em processos organizacionais

• Diferenciar abordagens de desenvolvimento High-Code, Low-Code e No-Code

• Utilizar ambientes de desenvolvimento de RPA e aplicar conceitos como screen scraping, manipulação de arquivos, fluxogramas, logs e integração com Excel

• Aplicar IA para análise de viabilidade de automação e documentação automática de processos

• Desenvolver uma solução prática de automação com RPA em projeto aplicado
  

Análise e Desenho de Processos

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

• Compreender os princípios da gestão orientada a processos e suas metodologias de modelagem

• Mapear, modelar e analisar processos de negócios utilizando notações adequadas

• Identificar necessidades de redesenho de processos com foco em tempo, custo, flexibilidade e qualidade

• Documentar processos com PDD e aplicar técnicas de Process Mining e Task Mining

• Aplicar IA para descoberta, redesenho e otimização de processos organizacionais

• Desenvolver um projeto prático de análise e redesenho de processo end-to-end com IA integrada
  

Módulo 2: Desenvolvimento de Soluções RPA  

Desenvolvimento de Soluções RPA com UiPath

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

• Compreender o funcionamento da plataforma UiPath e sua integração com o UiPath AI Center

• Identificar elementos de dados, fluxos de processo, inputs e outputs em automações com UiPath

• Utilizar IA para análise automática de telas, decomposição de automações e manipulação de documentos com OCR cognitivo

• Integrar APIs e ferramentas de IA como OpenAI e Azure Cognitive para enriquecer soluções RPA

• Aplicar práticas de debugging, testing e troubleshooting assistidos por IA, com análise inteligente de logs

• Desenvolver uma solução RPA end-to-end com componentes cognitivos e interfaces conversacionais integradas

Desenvolvimento de Soluções RPA com Power Automate

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

• Compreender a plataforma Power Automate e sua integração com o Microsoft AI Builder

• Construir automações com RPA desktop e cloud flows, identificando dados, fluxos e elementos de tela

• Utilizar IA para decomposição de automações, validação de fluxos com Flow Checker e integração com Microsoft 365 Copilot

• Conectar APIs inteligentes como OpenAI e Azure OpenAI Service para ampliar capacidades da automação

• Realizar debugging e testes assistidos por IA com geração automatizada de cenários

• Desenvolver uma solução RPA completa no ecossistema Microsoft com componentes de IA e interfaces conversacionais

Desenvolvimento de Soluções RPA com Python

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

• Compreender os fundamentos da linguagem Python e suas estruturas de dados e controle

• Utilizar bibliotecas Python para automação de interfaces gráficas, tarefas repetitivas e manipulação de dados

• Integrar aplicações Python com APIs e serviços externos para automação avançada

• Aplicar IA para otimizar fluxos automatizados, acelerar o desenvolvimento de scripts e automatizar testes e documentação

• Desenvolver uma solução completa de RPA com Python e IA, aplicando boas práticas de modularidade e integração

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

• Compreender os princípios do desenvolvimento low code e identificar cenários ideais para sua adoção

• Avaliar e selecionar plataformas low code com base em critérios técnicos e funcionais

• Projetar soluções utilizando componentes e arquitetura de plataformas low code

• Aplicar metodologias ágeis e práticas recomendadas para desenvolvimento colaborativo e iterativo

• Utilizar IA para acelerar o design de interfaces, lógica de negócios, validação de regras e personalização de experiências

• Desenvolver uma aplicação prática em plataforma low code com integração de recursos de IA

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

• Compreender os fundamentos de preparação, enriquecimento e montagem de conjuntos de dados para automação

• Comparar abordagens de automação de fluxo de dados como RPA, ETL, ELT e Data Lake

• Projetar e desenvolver pipelines automatizados para integração entre fontes heterogêneas

• Operar e monitorar fluxos de dados integrados a ambientes analíticos e plataformas de dados

• Aplicar IA para detecção de anomalias, sugestão de features, enriquecimento de dados e geração automatizada de código

• Desenvolver uma solução prática de automação de fluxo de dados com suporte de IA

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

• Compreender os fundamentos e arquiteturas de integração voltadas para ambientes de hiperautomação

• Orquestrar workflows complexos com múltiplos agentes inteligentes e tecnologias como RPA, IA, APIs e sistemas legados

• Implementar automação orientada por eventos com uso de message brokers e padrões de integração empresarial

• Monitorar e aplicar estratégias de tolerância a falhas, recuperação automática e observabilidade em sistemas integrados

• Utilizar IA para orquestração adaptativa e tomada de decisão em tempo real

• Desenvolver uma solução prática de orquestração inteligente end-to-end, integrando sistemas e agentes de IA

Módulo 3: Inteligência Artificial Aplicada à Automação

Machine Learning Aplicada à Hiperautomação

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

• Compreender o processo de aprendizagem de máquina e sua aplicação em cenários de hiperautomação

• Identificar e aplicar algoritmos de aprendizado supervisionado, não supervisionado e semi-supervisionado

• Realizar engenharia de atributos (feature engineering) para melhorar a performance de modelos

• Utilizar ferramentas e bibliotecas modernas para desenvolvimento e integração de modelos de ML

• Integrar modelos de ML em pipelines automatizados e aplicações corporativas com monitoramento contínuo

• Desenvolver uma solução prática de automação de processos com suporte de machine learning

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

• Compreender os fundamentos do PLN e seu papel na automação inteligente de processos

• Aplicar técnicas de pré-processamento de texto como tokenização, lematização, stemming e normalização

• Utilizar modelos de representação linguística como N-gramas, TF-IDF, Word Embeddings e contextual embeddings

• Desenvolver aplicações de PLN para classificação de textos, extração de entidades, análise de sentimentos e geração de conteúdo

• Utilizar ferramentas e plataformas de PLN para integração com sistemas automatizados

• Criar uma solução prática de hiperautomação baseada em processamento de linguagem natural

Visão Computacional Aplicada à Hiperautomação

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

• Compreender os fundamentos da visão computacional e suas aplicações em hiperautomação

• Manipular e processar imagens digitais com técnicas de filtros, transformações e segmentação

• Aplicar algoritmos para detecção de objetos, reconhecimento facial, rastreamento em vídeo e OCR

• Utilizar redes neurais convolucionais (CNNs) e outras arquiteturas para classificação e geração de imagens

• Integrar visão computacional com sistemas de RPA, IA generativa e plataformas de automação

• Desenvolver uma solução prática de hiperautomação baseada em visão computacional

IA Generativa para Soluções Low-Code

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

• Criar soluções inteligentes com geração automática de conteúdo textual, visual e de código

• Desenvolver assistentes virtuais e copilotos integrados a processos de negócio

• Aplicar IA generativa para classificação, análise e enriquecimento de dados em ambientes low-code

• Prototipar rapidamente aplicações com ferramentas visuais e recursos generativos

• Avaliar desempenho, usabilidade e aspectos éticos em soluções baseadas em IA generativa

• Integrar plataformas emergentes com agentes inteligentes e orquestradores de IA em soluções escaláveis

IA Generativa e Agêntica: Modelos, Agentes e Aplicações

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

• Compreender os princípios e arquiteturas dos modelos de IA Generativa, incluindo LLMs e Diffusion Models

• Projetar e implementar agentes inteligentes baseados em IA Generativa para tarefas específicas

• Integrar modelos generativos em aplicações práticas como assistentes virtuais, geração de conteúdo e automação de processos

• Utilizar técnicas de engenharia de prompt para controle e personalização de respostas dos agentes

• Avaliar aspectos éticos, de segurança e de interpretabilidade na construção de agentes generativos

•  Desenvolver soluções completas com IA Agêntica aplicadas a contextos corporativos, educacionais ou criativos

Módulo 4: Gestão e Projetos Práticos

Arquitetura e Gestão de Soluções em Hiperautomação

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

• Compreender os princípios de interoperabilidade, escalabilidade e resiliência em arquiteturas de hiperautomação

• Projetar soluções integradas combinando RPA, IA, APIs e sistemas legados em ambientes distribuídos

• Aplicar modelos de governança, frameworks de adoção e estratégias de maturidade digital

• Estruturar Centros de Excelência (CoE) e gerenciar portfólios de automações corporativas

• Definir e acompanhar indicadores estratégicos como KPIs, TCO, ROI e SLA para avaliação de impacto organizacional

• Implementar estratégias de sustentação técnica e operação contínua com RPA-as-a-Service

Projeto em Hiperautomação

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

• Integrar tecnologias abordadas ao longo do curso em soluções práticas de hiperautomação

• Realizar comparativos técnicos entre plataformas de RPA e selecionar ferramentas adequadas ao contexto

• Aplicar metodologias ágeis em equipes multidisciplinares para concepção de soluções end-to-end

• Desenvolver soluções completas contemplando análise de processos, automação, integração de IA e sustentação

• Integrar RPA com Machine Learning, PLN e Visão Computacional em projetos aplicados

• Construir um portfólio de soluções práticas com documentação técnica