Estrutura Curricular e Módulos Teóricos
Os 4 Arcos do Conhecimento em IA (Capítulos 01 a 30)
A disciplina de Inteligência Artificial II é organizada conceitualmente em 4 Módulos Temáticos (Arcos do Conhecimento), que estruturam o livro-texto em 30 capítulos progressivos. Juntos, eles formam a jornada completa do engenheiro: do neurônio matemático em NumPy à implantação de sistemas corporativos fundamentados em RAG e Agentes Autônomos.
- Capítulos e Módulos (esta seção): São unidades perenes de leitura e estudo contidas no Livro Didático. Elas independem de feriados, datas ou ano letivo.
- Encontros e Aulas: São unidades de agendamento presencial da oferta. Um capítulo pode demandar um ou mais encontros práticos. Para consultar o calendário específico, as datas das aulas, provas e pesos de notas deste semestre, consulte o Plano de Ensino e Cronograma 2026-2.
📚 Conhecer a Concepção e Baixar o Livro Didático Completo (PDF e EPUB) →
🧠 Módulo 1: Fundamentos de Redes Neurais & MLOps (Capítulos 01 a 08)
Objetivo: Construir, do zero, redes neurais multicamadas capazes de classificar dados complexos — partindo da matemática pura (NumPy) até o deploy de um modelo treinado como API REST em Docker.
| O que você vai aprender | Conexão com o WOKDEX |
|---|---|
| Perceptron, MLP, funções de ativação (ReLU, Sigmoid, Softmax) | O classificador de skills do TP1 usa essas redes |
| Descida do Gradiente, Backpropagation, Regra da Cadeia | Motor de otimização matemática do modelo |
| Keras/TensorFlow: Sequential, Dense, compile + fit | Framework principal de deep learning do TP1 |
| Overfitting, Viés-Variância, Normalização (StandardScaler) | Diagnóstico de qualidade e generalização do modelo |
| Dropout, Early Stopping, Regularização L1/L2, Otimizador Adam | Técnicas essenciais para evitar sobreajuste aos dados |
| CNNs, Transfer Learning com ResNet50 e MobileNetV2 | Reutilização de modelos de visão computacional |
| MLOps: FastAPI + Pydantic + Docker | O deploy conteinerizado da API POST /predict do TP1 |
🎯 Trabalho Prático Integrador: TP1 — O Classificador de Habilidades (MLOps)
📖 Acessar materiais e capítulos do Módulo 1 →
🔤 Módulo 2: NLP, Embeddings e Bancos de Dados Vetoriais (Capítulos 09 a 14)
Objetivo: Entender como a IA “compreende” linguagem natural — transformando enunciados e documentos em vetores densos e armazenando-os em bancos vetoriais para busca semântica em alta performance.
| O que você vai aprender | Conexão com o WOKDEX |
|---|---|
| Word Embeddings estáticos e contextuais (Word2Vec, spaCy) | Como o enunciado de um exercício vira um vetor de embedding |
| Álgebra Linear da Similaridade por Cosseno | A métrica matemática por trás da recuperação semântica |
| Bancos de Dados Vetoriais (ChromaDB) | O armazenamento persistente do corpus WOKDEX no TP2 |
| Chunking, overlap e pipelines de ingestão de documentos | Pipeline de ETL para indexação auditável de PDFs |
| Arquitetura Transformer e Mecanismos de Atenção (Q/K/V) | A base teórica dos LLMs modernos |
| Hugging Face Hub e Pipelines | Ecossistema aberto de modelos para inferência local |
📖 Acessar materiais e capítulos do Módulo 2 →
🤖 Módulo 3: IA Generativa Aplicada e RAG Corporativo (Capítulos 15 a 22)
Objetivo: Consumir LLMs comerciais e open-source via API, dominar Engenharia de Prompts sistêmica e construir um sistema RAG corporativo robusto em Java com Spring AI.
| O que você vai aprender | Conexão com o WOKDEX |
|---|---|
| APIs de LLMs (OpenAI, Gemini) e chamadas em streaming | Geração fundamentada no assistente do TP2 e TP3 |
| JSON Mode e Structured Outputs com Pydantic | Respostas estruturadas com garantia estrita de schema |
| RAG “feito à mão” em Python puro | Domínio dos fundamentos algorítmicos antes dos frameworks |
| Spring AI e Vector Stores no ecossistema Java | O Oráculo RAG Corporativo do TP2 |
| Métricas de avaliação RAG (Ragas) | Medição de fidelidade, relevância e combate a alucinações |
🎯 Trabalho Prático Integrador: TP2 — O Oráculo RAG Corporativo
📖 Acessar materiais e capítulos do Módulo 3 →
🚀 Módulo 4: Agentes Autônomos e Trilha Avançada (Capítulos 23 a 30)
Objetivo: Consolidar a integração entre os classificadores do TP1 e o retrieval do TP2 em uma apresentação técnica fundamentada. Tópicos de ponta como Agentes Autônomos (ReAct / Tool Calling), Fine-Tuning eficiente (LoRA) e observabilidade (LLMOps) compõem a trilha avançada do TP3.5 e a pesquisa em Iniciação Científica.
| O que você vai aprender | Conexão com o WOKDEX |
|---|---|
| Integração Supervisionado (TP1) + Retrieval RAG (TP2) | Comparação empírica de métodos e recomendação híbrida |
| Citações, abstenção e rastreabilidade de respostas | Garantia de auditoria e segurança na resposta final |
| Agentes Autônomos ReAct e Tool Calling | Autonomia para chamada de ferramentas e raciocínio multi-etapas |
| Fine-Tuning Eficiente de LLMs com LoRA / QLoRA | Especialização de modelos para tarefas restritas |
| Segurança em IA (Red Teaming e injeção de prompt) | Defesas contra ataques adversariais em produção |
🎯 Trabalho Prático Integrador: TP3 — Dossiê de Integração TP1–TP2 e Demoday
📖 Acessar materiais e capítulos do Módulo 4 →