Inteligência Artificial Generativa Aplicada e Arquiteturas Inteligentes

Localização: regiões e zonas; Planos de serviços em nuvem; Cobrança sobre demanda: pagamento conforme o uso; Infraestrutura: Serviços de rede em nuvem; Máquinas virtuais; Armazenamento em nuvem;
Flexibilidade e eficiência na computação em nuvem; Elasticidade: provisionamento de recursos; Escalabilidade: horizontal e vertical; Vantagens da elasticidade e escalabilidade na computação em nuvem;
Serviços em nuvem; Implantação: containers e orquestração; Application programming interface (API); Integração de serviços;
Automação de serviços em nuvem; Gerenciamento de acesso e de identidade (IAM) a serviços em nuvem; Gestão de serviços em nuvem; Disponibilidade de serviços em nuvem

Armazenamento massivo de dados. Bancos orientados à documento e grafos. Modelagem relacional para um banco de dados. Definição das regras de acesso. Formulação de consultas SQL. Modelagem e implementação de base de dados utilizando modelos não relacionais. Bases NoSQL. Introdução à Inteligência Artificial: Deep Learning, Sistemas de recomendação. Técnicas de Aprendizagem de Máquinas. Análise de Dados baseadas em Estatística. Técnicas de Agrupamento. Técnicas de regressão.

IA e Transformação Digital; Identificação de Oportunidades para IA; Desenvolvimento de Estratégias de IA; Ferramentas e Plataformas de IA; Estudos de Caso: Sucesso e Falhas na Adoção de IA; Integração de IA na Cultura Organizacional; Desafios de Adoção e Escalabilidade;

Fundamentos científicos da felicidade no ambiente de trabalho, com base na neurociência, psicologia positiva e economia do bem-estar. Relações entre engajamento, clima organizacional e alta performance. Estratégias para o desenvolvimento de resiliência, inteligência emocional e adaptabilidade em contextos corporativos. Mindfulness aplicado ao bem-estar no trabalho: benefícios, mitos e equívocos. Construção de culturas organizacionais voltadas à felicidade como diferencial competitivo e fator de retenção de talentos. Abordagem preventiva do estresse e burnout em cenários de transformação digital e alta performance.

Estudo dos fundamentos dos modelos de linguagem de grande escala (LLMs) e das arquiteturas transformer que os sustentam, com foco em aplicação prática. Aborda os principais modelos generativos do mercado (GPT, Claude e Gemini), suas características e casos de uso, avançando para técnicas de Prompt Engineering e function calling para construção de automações e aplicações funcionais.

Estudo das estratégias de customização de LLMs para contextos específicos, cobrindo fine-tuning supervisionado e técnicas de ajuste eficiente de parâmetros (LoRA e QLoRA), com critérios objetivos para decidir quando e como aplicá-las. Complementa com metodologias sistemáticas de avaliação de modelos e outputs, incluindo benchmarking, evals automatizados e boas práticas para mensurar qualidade, viés e confiabilidade em ambientes corporativos.

Estudo da arquitetura de Geração Aumentada por Recuperação (RAG) como estratégia central para conectar LLMs a dados corporativos, abrangendo o pipeline completo de preparação e estruturação de dados, geração e indexação de embeddings, operação de bancos de dados vetoriais e orquestração da recuperação e geração de respostas. Projeto de soluções que integram infraestrutura de dados existente com modelos generativos de forma robusta e avaliável.

Estudo das arquiteturas de agentes e sistemas multiagentes baseados em LLMs, com foco em orquestração, tool use e automação de processos complexos. Integra práticas de LLMOps para implantação e operação de soluções em produção (observabilidade, versionamento e deploy), e encerra com os fundamentos de governança e segurança em IA, cobrindo frameworks regulatórios, guardrails, red teaming e auditabilidade de sistemas generativos em contextos corporativos.

Fundamentos do Aprendizado de Máquina; Tipos de Aprendizado de Máquina; Algoritmos e Métodos de ML; Aplicações de ML nos Negócios; Desafios e Limitações do ML; Considerações Éticas no ML;