ENGENHARIA DE INTELIGÊNCIA ARTIFICIAL E MLOPs - Online

AMPLIE SUAS COMPETÊNCIAS NA ÁREA DE DADOS COM MAIS AGILIDADE!

Os cursos da área de Ciência de Dados e Inteligência Artificial foram desenvolvidos para se complementarem. Isso significa que, ao concluir uma das especializações, você pode solicitar dispensa de disciplinas equivalentes em outro curso e conquistar um novo diploma com mais agilidade.

Benefícios para sua formação:

• Aproveitamento de disciplinas já cursadas

• Redução do tempo total de formação

• Economia de investimento

• Expansão das competências em diferentes áreas da IA e Ciência de Dados

Convergência entre cursos

Veja abaixo exemplos de aproveitamento entre cursos:

De Ciência de Dados e Big Data para:

• Ciência de Dados e IA Aplicadas à Saúde: 5 disciplinas 

• Engenharia de IA e MLOps: 2 

• Estatística para IA e Ciência de Dados: 8 

• IA Generativa e Aplicações com LLMs: 2 

• Inteligência Artificial e Aprendizado de Máquina: 8 

• IA Multimodal e Visão Computacional: 4 

• Ciência de Dados e IA para o Mercado Financeiro: 5 

Outros cursos também apresentam aproveitamento entre si, com variações entre 1 e 8 disciplinas dispensadas, dependendo da combinação.

Disciplinas compartilhadas entre os cursos

As seguintes disciplinas aparecem em dois ou mais cursos:

• Arquiteturas de Deep Learning

• Cloud Computing para IA e Ciência de Dados

• Data Discovery e Analytics

• Engenharia de Agentes e IA Agêntica

• Estatística Geral - Teoria e Aplicações

• Governança de Dados e Compliance

• IA Generativa e Agêntica: Modelos, Agentes e Aplicações

• Implementação de Modelos de Deep Learning

• Inteligência Artificial Multimodal

• Machine Learning

• MLOps e DataOps: Orquestração e Automação

• Modelos de Regressão

• Preparação e Integração de Dados

• Processamento de Linguagem Natural e Aplicações Textuais

• Python para Ciência de Dados

• Redes Neurais Generativas

• Redes Neurais Recorrentes e Transformadores
  

• Segurança e Governança em IA

• Séries Temporais e Forecasting

Visite as páginas dos cursos!

COMPETÊNCIAS DISCIPLINARES

O curso integra IA em todas as disciplinas como apoio para acelerar atividades práticas, aprofundar conhecimentos e fortalecer o vínculo entre conhecimento técnico, objetivos de negócio e competências comportamentais

Módulo 1: Fundamentos de Engenharia de Dados e Infraestrutura

Pipeline de Dados: Integração, Qualidade e Automação

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

• Compreender e aplicar arquiteturas modernas de dados como Data Lake, Lakehouse, Data Mesh e Data Warehouse

• Implementar padrões de integração de dados (ETL, ELT, CDC, Stream Processing) em ambientes escaláveis

• Projetar e orquestrar workflows de dados com ferramentas como Airflow, Prefect, dbt e Azure Data Factory

• Aplicar técnicas de engenharia de atributos e qualidade de dados, incluindo uso de feature stores e data lineage

• Utilizar IA para automação inteligente de pipelines: descoberta de schemas, geração de documentação e detecção de anomalias

Cloud Computing para IA e Ciência de Dados

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

• Compreender os modelos de serviço em nuvem (IaaS, PaaS, SaaS) e suas aplicações em projetos de IA

• Configurar ambientes otimizados para machine learning com instâncias GPU, TPU e serviços gerenciados como SageMaker, Azure ML e Vertex AI

• Implementar soluções cloud-native e serverless para IA com Lambda, Cloud Functions e Cloud Run

• Utilizar ferramentas de infraestrutura como código (Terraform, Pulumi) para provisionamento e segurança de ambientes distribuídos

• Integrar serviços de armazenamento, analytics e MLOps em arquiteturas escaláveis e automatizadas

Arquitetura e Governança de Soluções de IA

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

• Compreender o ciclo de vida de soluções de IA e os principais algoritmos de aprendizado

• Projetar arquiteturas de Machine Learning com base em camadas, componentes e práticas de MLOps

• Definir escopo, metodologia e etapas de projetos em IA com foco em governança e segurança

• Avaliar desempenho de modelos e aplicar métricas de qualidade em ambientes produtivos

• Integrar conceitos como AI-as-a-Service, AI Gateways e LLMOps em soluções corporativas

• Gerenciar riscos, conformidade e segurança em projetos de IA com base em regulamentações vigentes
  

Módulo 2: Automação, Orquestração e DevOps

Conteinerização e Orquestração com Kubernetes

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

• Compreender os fundamentos da conteinerização com Docker e práticas de otimização e segurança de imagens

• Implementar e gerenciar aplicações em ambientes orquestrados com Kubernetes, utilizando pods, services e deployments

• Aplicar estratégias de escalabilidade, alta disponibilidade e atualizações contínuas (rolling updates)

• Configurar políticas de segurança, RBAC e proteção de pods em clusters Kubernetes

• Utilizar operadores e recursos personalizados (CRDs) para automação avançada de infraestrutura

• Empregar IA para otimização de recursos, detecção de anomalias e planejamento de capacidade em ambientes conteinerizados

Orquestração de Workflows

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

• Compreender os fundamentos de orquestração de workflows, incluindo DAGs, dependências e agendamento de tarefas

• Projetar pipelines modulares e reutilizáveis com versionamento, rollback e tratamento de erros

• Automatizar workflows com ferramentas como Airflow, Prefect, Kubeflow, MLflow e AWS Step Functions

• Integrar workflows com sistemas externos e configurar execução paralela e escalonamento inteligente de tarefas

• Implementar workflows orientados por eventos e realizar testes, validação e logging de pipelines em ambientes de IA

CI/CD, Pipelines e Testes Automatizados

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

• Compreender os fundamentos, objetivos e desafios da integração e entrega contínua (CI/CD)

• Projetar pipelines completos com etapas de build, test, deploy e monitoramento

• Integrar práticas de segurança como SAST, DAST, varredura de dependências e conformidade

• Aplicar observabilidade em pipelines por meio de métricas, logs e tracing

• Utilizar IA para análise de falhas, predição de gargalos e otimização de etapas do pipeline

• Construir projetos práticos de pipelines CI/CD com integração a GitOps e práticas de confiabilidade

MLOps e DataOps: Orquestração e Automação

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

• Compreender os princípios de DataOps e MLOps e sua importância na governança de dados e modelos

• Implementar pipelines automatizados para ingestão, transformação e entrega de dados

• Orquestrar o ciclo de vida de modelos de machine learning com ferramentas como MLFlow, Kubeflow ou similares

• Monitorar e versionar modelos em ambientes produtivos com práticas de CI/CD

• Utilizar IA Generativa para geração de scripts, documentação e automação de processos operacionais

• Desenvolver soluções completas com integração entre dados, modelos e infraestrutura

Monitoramento e Observabilidade

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

• Diferenciar os conceitos de monitoramento e observabilidade e aplicar seus pilares fundamentais

• Projetar arquiteturas observáveis em ambientes cloud-native e microsserviços

• Utilizar ferramentas como OpenTelemetry, Observability Stacks e pipelines de observabilidade

• Integrar práticas de SRE e estratégias de SLO/Error Budgeting na gestão de confiabilidade

• Aplicar logs, métricas e tracing para gerar alertas, dashboards e relatórios de performance

• Utilizar IA para predição de falhas, análise de anomalias e resposta autônoma
  

Módulo 3: Testes, segurança e otimização de sistemas de IA

Testes Automatizados para Modelos de IA

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

• Aplicar estratégias de teste em aplicações de machine learning, incluindo testes unitários, de integração e regressão

• Utilizar abordagens como TDD e test-first development para garantir confiabilidade em modelos de IA

• Implementar testes estatísticos, adversariais e de equidade (fairness) para validação de comportamento e desempenho

• Automatizar testes end-to-end em pipelines de ML, incluindo geração de dados sintéticos e testes em produção

• Empregar frameworks de testes A/B e ferramentas de IA para detecção de falhas e inconsistências em modelos

Otimização de Performance

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

• Realizar profiling e benchmarking de modelos para avaliação de latência, throughput e trade-offs de performance

• Aplicar técnicas de compressão como pruning, quantization e distillation para redução de complexidade

• Otimizar formatos de modelo com ONNX, TensorRT e Numba para diferentes tipos de hardware acelerado

• Implementar estratégias de paralelismo (model vs data) e ajustes de batch size e memória para eficiência computacional

• Utilizar motores de inferência e estruturas de dados otimizadas para acelerar aplicações de IA em ambientes produtivos

Segurança e Governança em IA

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

• Compreender os fundamentos de governança, segurança e regulamentações aplicadas a sistemas de IA (LGPD, GDPR)

• Realizar modelagem de ameaças e aplicar estratégias de defesa contra ataques adversariais em modelos de IA

• Implementar práticas seguras em pipelines de deploy, serving e monitoramento, incluindo criptografia e containers

• Gerenciar riscos e realizar auditorias em sistemas com IA generativa, incluindo monitoramento de viés e controle de conteúdo

• Aplicar frameworks éticos e políticas de uso responsável em ambientes com LLMOps e AI-as-a-Service

Desenvolvimento de APIs com Modelos de IA

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

• Expor modelos de IA como serviços utilizando padrões REST e GraphQL

• Implementar APIs escaláveis com frameworks como FastAPI, Flask e BentoML

• Projetar esquemas de requisição e resposta com autenticação, autorização e documentação integrada

• Integrar processamento assíncrono, filas de tarefas, cache e balanceamento de carga em arquiteturas robustas

• Utilizar IA para apoiar a construção, teste e otimização de APIs inteligentes

• Desenvolver e realizar o deploy de uma API funcional com modelo de IA em ambiente produtivo

Engenharia de Agentes e IA Agêntica

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

• Compreender os fundamentos de agentes inteligentes e sistemas multiagentes, incluindo arquiteturas e taxonomias

• Projetar sistemas multiagentes com coordenação, comunicação e protocolos de negociação

• Implementar agentes baseados em LLMs com técnicas de prompting agêntico e integração de ferramentas externas

• Avaliar aspectos éticos, técnicos e sociais relacionados à governança e responsabilidade em sistemas agênticos

• Desenvolver, implantar e validar sistemas multiagentes com aplicações práticas em ambientes reais
  

Módulo 4: Gestão Estratégica e Práticas

• FinOps e Cloud Economics

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

• Compreender os fundamentos de FinOps e os modelos de precificação em nuvem aplicados a IA (pay-as-you-go, reserved, spot e serverless)

• Implementar estratégias de gestão de custos por projeto, serviço e unidade de negócio com rastreabilidade e accountability

• Utilizar ferramentas de automação, observabilidade e monitoramento para controle de gastos e alertas orçamentários

• Aplicar IA para análise de consumo, otimização de recursos, detecção de anomalias e geração de recomendações financeiras

• Desenvolver planos de otimização financeira com base em indicadores de eficiência, KPIs e práticas de Cloud Economics

Projeto em Engenharia de IA

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

• Definir problemas e projetar arquiteturas end-to-end para soluções baseadas em IA

• Treinar, validar e servir modelos com pipelines completos de MLOps em ambientes cloud

•  mplementar infraestrutura de monitoramento, CI/CD e APIs funcionais para entrega contínua

•  plicar boas práticas de documentação técnica, revisão de código e avaliação de performance

• Realizar análise pós-implantação, identificar lições aprendidas e conduzir avaliação retrospectiva de projetos

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