Engenharia de Inteligência Artificial e Sistemas Inteligentes

Qualidade de dados, tratamento e preparação de dados, ferramentas e técnicas de processamento de dados, visualização da Informação, arquiteturas de interação, métodos e técnicas de organização e visualização de dados, dashboard design, ferramentas para visualização de dados.

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.

Arquiteturas de sistemas IoT industriais e integração com inteligência artificial. Protocolos industriais (MQTT, OPC UA) e comunicação em tempo real. Edge computing e edge AI: processamento local, baixa latência e resiliência. Técnicas de compressão e quantização de modelos. Deploy de modelos em dispositivos embarcados (TinyML). Coleta, transmissão e processamento de dados industriais. Segurança em IoT. Casos aplicados em manufatura inteligente e cidades inteligentes.

Modelos matemáticos para otimização de sistemas complexos. Programação linear, inteira e não linear. Heurísticas e metaheurísticas (algoritmos genéticos, simulated annealing, colônia de formigas). Integração de técnicas de IA com otimização. Problemas clássicos de logística, produção e engenharia. Tomada de decisão sob incerteza. Otimização orientada por dados. Aplicações em sistemas industriais e cadeias de suprimentos inteligentes.

Engenharia de Machine Learning para ambientes produtivos. Ciclo de vida completo de modelos de IA (ML lifecycle). Versionamento de dados e modelos. Pipelines automatizados (CI/CD para ML). Conteinerização e orquestração (Docker e Kubernetes). Monitoramento de performance, data drift e model drift. Observabilidade de modelos. Governança e compliance em IA. Infraestrutura escalável para ML (cloud e híbrido). Práticas DevOps aplicadas à IA (MLOps e LLMOps).

Fundamentos e avanços em deep learning aplicados à visão computacional. Redes neurais convolucionais (CNNs) e arquiteturas modernas (ResNet, EfficientNet, YOLO, Vision Transformers). Transfer learning e fine-tuning. Processamento de imagens industriais (termográficas, raio-X, inspeção visual). Detecção, segmentação e classificação de imagens. Introdução à multimodalidade (imagem + texto). Aplicações em engenharia, saúde e indústria.

Conceitos e aplicações de gêmeos digitais em sistemas industriais. Integração de modelos físicos e modelos baseados em dados (hybrid modeling). Coleta de telemetria em tempo real e sincronização com ambientes simulados. Simulação preditiva e análise de cenários (What-if). Modelagem de sistemas complexos. Aplicações em manutenção preditiva, otimização de processos e engenharia de ativos. Integração com IoT e inteligência artificial.