Especialização em Residência em Engenharia de Software Inteligente - CAMPO GRANDE

Conceitos fundamentais de arquitetura de software aplicada a sistemas inteligentes. Padrões arquiteturais para integração de modelos de IA. Arquiteturas baseadas em microsserviços, event-driven e pipelines de inferência. Componentização de serviços inteligentes e estratégias de desacoplamento. Arquiteturas híbridas com módulos determinísticos e preditivos. Considerações de escalabilidade, resiliência e interpretabilidade. Documentação arquitetural e rastreabilidade de decisões (ADR).

Introdução a banco de dados e arquitetura de software. Modelagem de dados no contexto de desenvolvimento de sistemas de IA, definição de arquitetura de software para o desenvolvimento de sistemas de IA.

Tipos de dados. Limpeza e tratamento de dados. Análise exploratória de dados. Introdução ao aprendizado de máquinas. Questões éticas em ciência de dados.

Algoritmos de aprendizado supervisionado e não supervisionado, metodologia de validação e avaliação de modelos preditivos, otimização de parâmetros e comitês.

A definir.

Aplicação de métodos ágeis para o desenvolvimento de sistemas inteligentes. Desenvolvimento de interfaces gráficas do usuário considerando IA generativa. UX para sistemas inteligentes.

Gerência de Configuração de Software (GCS) aplicada a sistemas e produtos habilitados por IA. Fundamentos de versionamento, identificação e controle de itens de configuração para modelos de machine learning. Estruturas de ramificação para IA (GitFlow para ML, experiment tracking e lineage). Automação inteligente no ciclo de vida de modelos: rastreabilidade, reprodutibilidade, auditoria e governança. Documentação inteligente com CMDRs e ADRs estendidos para IA. Processos de baseline, mudança e evolução em pipelines de experimentação. Boas práticas de MLOps relacionadas à GCS. Uso de ferramentas inteligentes para revisão de código, rastreamento de experimentos e apoio à decisão. Estudo de casos reais em GCS para IA, com destaque para desafios como deriva, governança, vieses e versões concorrentes de modelos.

Fundamentos de engenharia de dados aplicada a sistemas inteligentes. Arquiteturas de ingestão, transformação e persistência de dados. Modelagem de dados para pipelines de IA. Processamento em lote e em fluxo. Ferramentas e frameworks para construção de pipelines (ETL/ELT), versionamento de dados e integração com pipelines de Machine Learning. Armazenamento em data lakes e data warehouses. Qualidade, catalogação e rastreabilidade de dados.

Tokenização, modelos de atenção, arquitetura transformers, modelos encoder-decoder, modelos encoder only, modelos decoder only.

Visão geral sobre Engenharia de Software. Aplicação de IA nas etapas de desenvolvimento de software (requisitos, análise/projeto, codificação e testes). Fundamentos de Ética em Engenharia de Software e IA.

Histórico e Princípios de IA. Frameworks e bibliotecas para IA. Aplicações de IA. Fundamentos de Ética em Inteligência Artificial.

Descida de gradiente, regressão Linear, Regressão Logística, Perceptron, Perceptron Multi-camadas, arquiteturas básicas.

Aplicação prática de conceitos de Engenharia de Software e Inteligência Artificial. Planejamento e desenvolvimento de um sistema inteligente de pequena escala. Definição de requisitos, modelagem de dados e arquitetura básica. Integração de modelos de IA simples ao sistema. Uso de ferramentas de versionamento, testes e implantação básica. Trabalho colaborativo em equipes interdisciplinares. Documentação técnica e reflexão sobre decisões de projeto.

Aplicação de práticas profissionais de engenharia de software com foco em escalabilidade, segurança, testes, implantação contínua e observabilidade. Integração de modelos de aprendizado de máquina ou grandes modelos de linguagem (LLMs). Uso de práticas de MLOps e sistemas distribuídos em nuvem. Análise de impacto social, ética e responsabilidade no uso de IA. Entrega de produto funcional com documentação técnica e apresentação pública.

Princípios de segurança e privacidade aplicados ao desenvolvimento de sistemas inteligentes. Ameaças e vulnerabilidades em sistemas que incorporam IA. Privacidade diferencial, proteção de dados sensíveis e anonimização. Técnicas de segurança em pipelines de dados e modelos de IA. Avaliação de riscos em decisões automatizadas. Conformidade com legislações como a LGPD e o GDPR. Fairness, explicabilidade e segurança adversarial em modelos de Machine Learning.

Conceitos e técnicas de verificação, validação e testes em sistemas inteligentes. Estratégias de testes para componentes com aprendizado de máquina. Testes metamórficos, análise de deriva e revalidação contínua. Implantação de modelos em ambientes de produção. CI/CD em pipelines de IA. Monitoramento de desempenho, estabilidade e fairness de modelos. Observabilidade de modelos e dados em produção. Ferramentas e práticas de MLOps para automação e confiabilidade operacional.