Inteligência Artificial II
Bem-vindo à disciplina de Inteligência Artificial II (2026-2)
Esta é a página oficial da disciplina de Inteligência Artificial II do curso de Engenharia de Computação do CEFET-MG — Campus Timóteo.
🕒 Horários das Aulas
A disciplina ocorre duas vezes por semana (Segundas e Quartas-feiras) com encontros teóricos e laboratórios práticos corporativos:
🕒 Turma 1
- Segunda-feira: 14:55 às 16:35
- Quarta-feira: 13:00 às 14:40
🕒 Turma 2
- Segunda-feira: 16:35 às 18:15
- Quarta-feira: 14:55 às 16:35
💡 Metodologia & Cultura MLOps
A disciplina adota uma abordagem prática corporativa (Project-Based Learning & MLOps). Todas as atividades práticas são entregues e validadas na nossa instância GitLab Self-Hosted (git.juninho.com.br).
- Laboratórios: Iniciados presencialmente em sala com suporte do professor.
- Janela de Submissão de 24 Horas: O estudante tem até 24 horas após o término da aula para realizar o
git pushno repositório do Módulo. - Avaliação Automatizada via CI/CD: Testes unitários rodando em containers Docker auditam o código e a data e hora dos commits.
O uso de ferramentas de IA no aprendizado diário é bem-vindo para consulta e estudo. Contudo, nas avaliações teóricas escritas e auditorias presenciais, o aluno deve dominar integralmente o conhecimento de forma autônoma. É prerrogativa do professor solicitar a explicação presencial linha por linha de qualquer solução enviada ao GitLab.
🧱 Estrutura dos 4 Módulos
A disciplina é organizada em 4 Módulos Tecnológicos, acompanhando a evolução da IA no mercado moderno:
🧠 Módulo 1: Redes Neurais & MLOps
Da Matemática ao Deploy API em Docker
Fundamentos matemáticos (Perceptron em NumPy puro), Redes Profundas (MLP), Descida do Gradiente, Keras/TensorFlow, Regularização (Dropout/EarlyStopping) e deploy de modelo com FastAPI em container Docker.
🔤 Módulo 2: Vetores & Vector DBs
Espaço Latente, Embeddings e Chunking
Processamento de Linguagem Natural, representações vetoriais (Word Embeddings com spaCy), Similaridade de Cosseno, Bancos de Dados Vetoriais (ChromaDB), pipeline de ingestão e chunking de PDFs.
🤖 Módulo 3: IA Generativa & RAG
LLMs, Prompt Engineering e Spring AI
APIs de Grandes Modelos de Linguagem, JSON Mode & Schemas, desenvolvimento de motores RAG (Retrieval-Augmented Generation) em Python e frameworks corporativos com Spring AI (Java).
🚀 Módulo 4: Agentes Autônomos
ReAct, Fine-Tuning LoRA e Projeto Capstone
Fine-Tuning eficiente (PEFT/LoRA), Agentes Autônomos de tomada de decisão com uso de ferramentas (Tool Calling), Red Teaming (Jailbreak/Segurança) e Projeto Integrador Final (Demoday).
📊 Composição da Avaliação (100 Pontos Total)
A nota final é dividida em 50% Avaliações Teóricas Clássicas e 50% Práticas e Projetos MLOps:
| Componente Avaliativo | Tipo | Descrição / Forma de Validação | Valor |
|---|---|---|---|
| Prova Teórica 1 | Individual | Prova escrita sobre os conteúdos dos Módulos 1 e 2. | 25 pts |
| Prova Teórica 2 | Individual | Prova escrita sobre os conteúdos dos Módulos 3 e 4. | 25 pts |
| Laboratórios Práticos Semanais | Individual | 24 labs essenciais auditados via GitLab CI/CD (Janela de 24h). | 14 pts |
| Trabalho Prático 1 (TP1) | Grupo / Indiv. | Classificador Inteligente Keras + API FastAPI em Docker (Lab 08). | 8 pts |
| Trabalho Prático 2 (TP2) | Grupo / Indiv. | Sistema RAG Corporativo Especialista em Spring AI / FastAPI (Lab 22). | 8 pts |
| Projeto Capstone (TP3) | Grupos (3-4) | Agente IA Autônomo + Hackathon em Sprints + Pitch Demoday (Lab 30). | 20 pts |
| Total | 100 pts |
👨🏫 Professor Responsável
Prof. Aléssio Miranda Júnior
✉️
🏛️ CEFET-MG — Campus Timóteo
💻 Instância GitLab: git.juninho.com.br