IA GENERATIVA E APLICAÇÕES COM LLMS - 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 IA e NLP

• Fundamentos de Processamento de Linguagem Natural

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

• Compreender os fundamentos linguísticos e computacionais aplicados ao Processamento de Linguagem Natural com foco em IA Generativa

• Aplicar técnicas de tokenização, encoding e representação textual como bag of words, TF-IDF e embeddings contextuais

• Realizar o pré-processamento de dados textuais, incluindo parsing, normalização, lematização e stemming

• Coletar, limpar e preparar datasets e corpus para treinamento de modelos de linguagem de grande porte (LLMs)

• Utilizar medidas de similaridade textual e semântica vetorial em aplicações generativas

• Desenvolver aplicações básicas de NLP com LLMs, incluindo reconhecimento de entidades, extração de informação e engenharia de atributos textuais

• Machine Learning

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

• Compreender os principais conceitos e tipos de aprendizado de máquina: supervisionado, não supervisionado e por reforço

• Aplicar algoritmos como regressão, árvores de decisão, SVM, KNN e clustering em conjuntos de dados reais

• Avaliar modelos com métricas de desempenho e técnicas de validação cruzada

• Realizar seleção de atributos e engenharia de features para melhorar a performance dos modelos

• Utilizar bibliotecas como Scikit-learn e IA Generativa para automação de tarefas analíticas

• Desenvolver projetos práticos com aplicação de modelos preditivos em problemas de negócio
  

Arquiteturas de Deep Learning

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

• Compreender os fundamentos das redes neurais artificiais e suas arquiteturas

• Diferenciar e aplicar arquiteturas como CNNs, RNNs, LSTMs e Transformers em diferentes contextos

• Analisar o funcionamento de camadas, funções de ativação, normalização e regularização

• Explorar arquiteturas modernas para visão computacional, processamento de linguagem natural e séries temporais

• Utilizar frameworks como TensorFlow e PyTorch para construção de modelos avançados

• Empregar IA Generativa para explicação de arquiteturas e geração de código base

Redes Neurais Recorrentes e Transformadores

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

• Compreender os fundamentos das redes neurais recorrentes (RNNs), incluindo arquiteturas LSTM e GRU

• Aplicar modelos baseados em transformadores, como BERT, GPT e XLNet, em tarefas de processamento sequencial

• Implementar e avaliar modelos com codificadores, decodificadores e mecanismos de atenção

• Utilizar técnicas de treinamento e validação para RNNs e transformadores em contextos reais

• Empregar GenAI e RAG para análise contextual, geração de código e explicações assistidas

• Desenvolver projetos práticos com aplicação de modelos sequenciais e transformadores
  

Módulo 2: IA Generativa e Modelos Avançados

Redes Neurais Generativas

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

• Compreender os fundamentos das redes neurais generativas, incluindo autoencoders, VAEs, GANs e modelos de difusão

• Implementar e treinar modelos generativos para síntese de imagens e dados complexos

• Avaliar e regularizar modelos generativos com foco em interpretabilidade e explicabilidade

• Utilizar assistentes de IA para otimização de arquiteturas e geração automatizada de métricas de avaliação

• Empregar GenAI para análise de resultados e desenvolvimento de soluções criativas com redes generativas

• Desenvolver projetos práticos com aplicação de modelos generativos em contextos visuais e interativos

Geração de Linguagem Natural e Engenharia de Prompt

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

• Compreender os conceitos fundamentais da geração de linguagem natural e seu papel em aplicações com LLMs

• Utilizar modelos de linguagem baseados em prompts para geração de texto assistida

• Aplicar técnicas de engenharia de prompts, incluindo prompts visuais e multimodais

• Avaliar a qualidade de textos gerados com base em métricas específicas e critérios de relevância

• Utilizar ferramentas práticas de prompt para desenvolvimento de aplicações interativas

• Desenvolver projetos práticos que integrem geração textual e multimodalidade com suporte de IA

Processamento de Linguagem Natural Avançado com LLMs

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

• Compreender arquiteturas avançadas de LLMs como BERT, GPT, T5 e transformers modernos

• Aplicar técnicas de Transfer Learning e fine-tuning, incluindo PEFT, LoRA, QLoRA e Adapter layers

• Utilizar estratégias de few-shot e zero-shot learning com in-context learning e chain-of-thought reasoning

• Implementar soluções com Retrieval-Augmented Generation (RAG) e adaptação especializada por domínio

• Avaliar modelos de linguagem com métricas específicas e benchmarks de desempenho

• Integrar modelos multimodais e aplicar técnicas de otimização de inferência em ambientes produtivos

Processamento de Imagens para IA Generativa

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

• Compreender os fundamentos de redes neurais aplicadas ao processamento de imagens, incluindo CNNs e Vision Transformers

• Aplicar técnicas de segmentação, classificação e detecção de objetos com modelos como YOLO e Transfer Learning

• Utilizar ferramentas práticas como Hugging Face Diffusers, Stability AI, ComfyUI e APIs de geração de imagem

• Integrar IA generativa como ferramenta de apoio ao desenvolvimento de soluções visuais

• Implementar algoritmos de otimização e backpropagation em pipelines de geração de imagem

• Desenvolver projetos práticos que envolvam geração e manipulação de imagens com IA
  

Módulo 3: Aplicações Multimodais e Interativas

Inteligência Artificial Multimodal

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

• Compreender os fundamentos da análise visual multimodal e representação de dados heterogêneos

• Aplicar técnicas de fusão, alinhamento e correspondência entre diferentes modalidades de dados

• Implementar modelos de aprendizado multimodal, incluindo redes híbridas e de atendimento cruzado

• Utilizar IA para extração de features e geração de conteúdo entre modalidades (text-to-image e image-to-text)

• Desenvolver projetos práticos com integração de dados multimodais em aplicações reais

Desenvolvimento de Aplicações Interativas com LLMs Multimodais

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

• Compreender os fundamentos dos Large Language Models multimodais e suas capacidades de processamento conjunto de texto, imagem e áudio

• Integrar e utilizar APIs de modelos multimodais, considerando autenticação, rate limiting e gestão de custos

• Desenvolver assistentes e chatbots multimodais com foco em design de interface, gerenciamento de contexto e engenharia de prompts visuais

• Implementar arquiteturas de aplicações com streaming de respostas e otimização de performance

• Aplicar técnicas de RAG multimodal com bases de dados vetoriais para recuperação e geração de conteúdo

• Utilizar frameworks como LangChain, LlamaIndex, Streamlit e Gradio para prototipagem, deployment e escalabilidade de aplicações interativas

Chatbots e Assistentes Virtuais

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

• Compreender os principais componentes e arquiteturas de chatbots, incluindo abordagens baseadas em regras, memória e aprendizado de máquina

• Projetar fluxos de diálogo e interfaces conversacionais com foco em experiência do usuário (UX)

• Aplicar técnicas de conversação e refinamento de respostas para melhorar a interação com o usuário

• Desenvolver chatbots multilíngues e multimodais integrados a APIs e agentes executores

• Utilizar ferramentas e plataformas para criação, treinamento e teste de assistentes virtuais

• Avaliar o desempenho de chatbots com base em métricas específicas e realizar ajustes para melhoria contínua

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: Automação, Operações e Projeto Final

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

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

Projeto em IA Generativa e Aplicações com LLMs

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

• Definir escopo, objetivos e métricas para projetos baseados em IA generativa e modelos de linguagem de grande porte (LLMs)

• Escolher arquiteturas e ferramentas adequadas para o desenvolvimento de soluções com LLMs e multimodalidade

• Implementar aplicações utilizando técnicas de engenharia de prompts, geração de conteúdo e integração com APIs de LLMs

• Aplicar princípios de segurança, privacidade e governança no uso de IA generativa

• Elaborar documentação técnica clara e completa para projetos com LLMs

• Apresentar os resultados do projeto de forma estruturada, utilizando recursos de IA para apoio técnico e comunicacional

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