Trilha 1

🌱 Fundamentos da IA

Construa uma base solida em inteligencia artificial. Entenda o cenario atual, domine a engenharia de prompt, aprenda sobre contexto e automacao para transformar sua carreira e seus projetos.

5
Modulos
30
Topicos
~6h
Duracao
Basico
Nivel
1.1 ~30 min

🌊 O Tsunami da IA

O que e: Modelos de linguagem de grande escala (LLMs) sao redes neurais treinadas em vastos conjuntos de texto para compreender, gerar e manipular linguagem humana. Exemplos incluem GPT, Claude, LLaMA e Gemini.
Por que aprender: LLMs sao a base da revolucao atual em IA generativa. Compreender como funcionam permite usar essas ferramentas com mais eficiencia e identificar oportunidades reais de aplicacao no seu trabalho.
Conceitos-chave: Tokens e tokenizacao, janela de contexto, pre-treinamento e fine-tuning, mecanismo de atencao (Transformers), inferencia e temperatura.
O que e: O crescimento exponencial descreve a velocidade com que a IA tem avancado — a cada 6-12 meses surgem modelos significativamente mais capazes, com custos em queda e acessibilidade crescente.
Por que aprender: Entender a natureza exponencial evita surpresas. Quem subestima a velocidade da mudanca fica para tras. Quem compreende pode se posicionar estrategicamente.
Conceitos-chave: Lei de Moore aplicada a IA, scaling laws, benchmark improvements, commoditizacao de modelos, velocidade de adocao comparada a tecnologias anteriores.
O que e: A historia da IA comeca nos anos 1950 com Alan Turing e o Teste de Turing, passa por invernos e renascimentos, ate chegar a era dos Transformers (2017) e da IA generativa atual.
Por que aprender: Conhecer a historia ajuda a entender por que estamos neste ponto e a nao repetir erros do passado. Tambem fornece contexto para avaliar promessas e limites da tecnologia.
Conceitos-chave: Teste de Turing, invernos da IA, machine learning classico, deep learning, Transformers, GPT e a era generativa, marcos historicos (AlphaGo, ChatGPT).
O que e: A convergencia tecnologica refere-se a combinacao simultanea de avancos em IA, computacao em nuvem, big data, IoT e conectividade, que juntos criam um cenario sem precedentes de transformacao.
Por que aprender: A IA nao existe isoladamente. Entender as forcas convergentes permite identificar oportunidades de inovacao onde tecnologias se cruzam.
Conceitos-chave: Cloud computing, big data, APIs, 5G e conectividade, economia de plataforma, ecossistemas digitais, efeitos de rede.
O que e: A IA esta transformando praticamente todos os setores da economia. Financas usam IA para deteccao de fraudes, saude para diagnostico por imagem, educacao para personalizacao do ensino, e assim por diante.
Por que aprender: Independente da sua area de atuacao, a IA tera impacto direto. Conhecer os impactos setoriais permite antecipar mudancas e se preparar profissionalmente.
Conceitos-chave: FinTech e IA, HealthTech, EdTech, AgriTech, LegalTech, automacao industrial, logistica inteligente, marketing preditivo.
O que e: Estrategias praticas para se posicionar de forma vantajosa diante da onda de IA: adotar mentalidade de aprendizado continuo, experimentar ferramentas e construir projetos reais.
Por que aprender: Saber que a mudanca esta vindo nao basta — e preciso agir. Este topico transforma conhecimento em acao concreta para sua carreira.
Conceitos-chave: Growth mindset, aprendizado continuo, portfolio de projetos, networking em IA, primeiros passos praticos, mentalidade de experimentacao.
Ver Completo
1.2 ~35 min

💼 Transformacao Digital e Mercado de Trabalho

O que e: A Quarta Revolucao Industrial (Industria 4.0) e a fusao de tecnologias fisicas, digitais e biologicas — IA, robotica, IoT, biotecnologia e computacao quantica convergem para transformar todos os aspectos da sociedade.
Por que aprender: Estamos vivendo esta revolucao agora. Diferente das anteriores, ela avanca exponencialmente e afeta todas as profissoes simultaneamente.
Conceitos-chave: Industria 4.0 (Klaus Schwab), convergencia fisico-digital, sistemas ciber-fisicos, disrupcao tecnologica, velocidade vs. amplitude de impacto.
O que e: Segundo o Forum Economico Mundial, ate 2027, 9 milhoes de empregos serao eliminados pela automacao, enquanto 11 milhoes de novas vagas serao criadas — resultando em saldo positivo mas exigindo requalificacao massiva.
Por que aprender: Saber quais empregos estao em risco e quais estao surgindo permite planejar sua carreira de forma estrategica e investir nas habilidades certas.
Conceitos-chave: Future of Jobs Report (WEF), reskilling e upskilling, jobs at risk, empregos emergentes, transicao de carreira, gap de habilidades.
O que e: Pesquisas indicam que 70% das habilidades exigidas no mercado de trabalho mudarao significativamente ate 2030. Habilidades tecnicas terao vida util cada vez mais curta, enquanto habilidades humanas ganham importancia.
Por que aprender: Investir nas habilidades certas e a melhor protecao contra a obsolescencia profissional. Entender essa dinamica e essencial para qualquer plano de carreira.
Conceitos-chave: Meia-vida das habilidades, hard skills vs. soft skills, pensamento critico, criatividade, inteligencia emocional, adaptabilidade, literacia digital.
O que e: Alguns setores estao sendo transformados mais rapidamente: financeiro (trading algoritmico, analise de risco), manufatura (robotica e manutencao preditiva), saude (diagnostico assistido por IA) e servicos (atendimento automatizado).
Por que aprender: Se voce atua em algum desses setores, a urgencia de se adaptar e ainda maior. Se nao, entender esses casos ajuda a antecipar o que vira para sua area.
Conceitos-chave: Automacao financeira, Industria 4.0 na manufatura, IA em diagnostico medico, chatbots e atendimento, transformacao no varejo, impacto no setor juridico.
O que e: O modelo T-Shaped descreve profissionais com profundidade em uma area de especializacao (a barra vertical do T) e amplitude de conhecimento em areas complementares (a barra horizontal), incluindo IA.
Por que aprender: No mercado atual, ser apenas especialista ou apenas generalista nao basta. O modelo T-Shaped + IA e a formula para se tornar indispensavel.
Conceitos-chave: Profissional T, profissional Pi, especializacao vs. generalizacao, combinacao unica de habilidades, IA como multiplicador de competencias.
O que e: Alfabetizacao em IA (AI Literacy) e a capacidade de entender, usar e avaliar criticamente ferramentas de IA. Nao e saber programar, mas saber interagir com sistemas inteligentes de forma eficaz.
Por que aprender: Assim como a alfabetizacao digital foi essencial nos anos 2000, a alfabetizacao em IA e a competencia definidora desta decada. Quem nao a desenvolver ficara em desvantagem significativa.
Conceitos-chave: AI Literacy, letramento digital avancado, uso critico de IA, vieses algoritmicos, etica em IA, cidadania digital na era da IA.
Ver Completo
1.3 ~40 min

💬 Engenharia de Prompt

O que e: Tecnica de construcao de prompts que parte de instrucoes gerais e vai refinando progressivamente ate atingir o nivel de detalhe necessario para obter respostas precisas da IA.
Por que aprender: A maioria dos usuarios obtem resultados mediocres porque faz perguntas vagas. Dominar a especificidade progressiva transforma a qualidade das respostas da IA dramaticamente.
Conceitos-chave: Contexto, persona, formato de saida, restricoes, exemplos, tom e estilo, iteracao de prompts, refinamento progressivo.
O que e: Tecnica que atribui um papel ou persona a IA — como "Voce e um especialista em marketing digital com 20 anos de experiencia" — ativando padroes de conhecimento mais especificos e relevantes.
Por que aprender: Role-playing e uma das tecnicas mais poderosas e simples de engenharia de prompt. Melhora significativamente a qualidade, profundidade e relevancia das respostas.
Conceitos-chave: System prompts, personas, expertise simulada, tom profissional, perspectivas multiplas, debate simulado entre experts.
O que e: Chain-of-Thought (CoT) e uma tecnica que pede a IA para "pensar passo a passo", explicitando seu raciocinio antes de chegar a conclusao. Isso melhora significativamente a precisao em tarefas complexas.
Por que aprender: Para problemas que envolvem logica, matematica, analise ou decisoes complexas, CoT pode ser a diferenca entre uma resposta errada e uma correta.
Conceitos-chave: Raciocinio explicito, zero-shot CoT, few-shot CoT, Tree-of-Thought, verificacao de raciocinio, decomposicao logica.
O que e: Few-Shot Learning e a tecnica de fornecer exemplos dentro do prompt para que a IA entenda exatamente o padrao de entrada e saida desejado, sem necessidade de treinamento adicional.
Por que aprender: Quando voce precisa de formatos especificos, estilos consistentes ou padroes complexos de resposta, few-shot e a tecnica mais confiavel para obter resultados consistentes.
Conceitos-chave: Zero-shot, one-shot, few-shot, exemplos positivos e negativos, formatacao por exemplo, consistencia de saida, templates reutilizaveis.
O que e: Tecnica que divide problemas complexos em sub-tarefas menores e gerenciaveis, cada uma resolvida separadamente pela IA, com os resultados sendo combinados no final.
Por que aprender: LLMs tem limitacoes com tarefas muito complexas em um unico prompt. Decompor tarefas melhora a qualidade e permite resolver problemas que pareciam impossiveis.
Conceitos-chave: Divide and conquer, sub-prompts, pipeline de prompts, orquestracao, sequenciamento, validacao intermediaria.
O que e: Panorama das principais plataformas de IA generativa disponiveis: ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Copilot (Microsoft), e ferramentas especializadas para imagem, video e audio.
Por que aprender: Cada plataforma tem forcas e fraquezas diferentes. Saber escolher a ferramenta certa para cada tarefa multiplica sua produtividade e qualidade de resultados.
Conceitos-chave: ChatGPT vs Claude vs Gemini, modelos open-source, APIs, playgrounds, custos e limites, ferramentas multimodais (DALL-E, Midjourney, Suno).
Ver Completo
1.4 ~35 min

🧩 Engenharia de Contexto

O que e: Arquitetura contextual e a disciplina de estruturar e fornecer informacoes relevantes para a IA de forma otimizada. Os 4 pilares sao: selecao de contexto, compressao, ordenacao e atualizacao dinamica.
Por que aprender: A qualidade da resposta de uma IA depende diretamente da qualidade do contexto fornecido. Engenharia de contexto e o proximo nivel apos engenharia de prompt.
Conceitos-chave: Janela de contexto, relevancia contextual, compressao de informacao, context window management, meta-prompting, instrucoes de sistema.
O que e: RAG e uma arquitetura que combina busca de informacoes em bases de dados externas com geracao de texto pela IA, permitindo respostas fundamentadas em dados atualizados e especificos.
Por que aprender: RAG resolve dois dos maiores problemas dos LLMs: alucinacoes e conhecimento desatualizado. E a tecnica mais usada em aplicacoes empresariais de IA.
Conceitos-chave: Retrieval, indexacao, chunking, bases de conhecimento, vector databases, busca semantica, fundamentacao de respostas, reducao de alucinacoes.
O que e: Embeddings sao representacoes numericas (vetores) de texto que capturam significado semantico. Textos com significados similares ficam proximos no espaco vetorial, permitindo busca por similaridade.
Por que aprender: Embeddings sao a base de sistemas RAG, motores de recomendacao e busca inteligente. Entender o conceito e fundamental para construir aplicacoes avancadas de IA.
Conceitos-chave: Vetores, espaco vetorial, similaridade de cosseno, modelos de embedding, Pinecone, Weaviate, FAISS, busca semantica vs lexica.
O que e: Grafos de conhecimento (Knowledge Graphs) organizam informacoes como redes de entidades e relacoes, permitindo que a IA entenda conexoes complexas entre conceitos e faca inferencias mais sofisticadas.
Por que aprender: Para aplicacoes que exigem raciocinio sobre relacoes complexas (ex: compliance, pesquisa cientifica), grafos de conhecimento complementam embeddings e melhoram significativamente a qualidade.
Conceitos-chave: Nos e arestas, triplas (sujeito-predicado-objeto), Neo4j, GraphRAG, ontologias, inferencia relacional, Knowledge Graph + LLM.
O que e: Function Calling permite que LLMs invoquem funcoes externas — consultar APIs, acessar bancos de dados, executar calculos — transformando a IA de um gerador de texto em um agente que executa acoes reais.
Por que aprender: Function Calling e a ponte entre IA conversacional e automacao real. E o fundamento de agentes autonomos e assistentes que realmente fazem coisas por voce.
Conceitos-chave: Tool use, definicao de funcoes, parametros estruturados, APIs, webhooks, agentes autonomos, orquestracao de ferramentas.
O que e: Sistemas de memoria para IA replicam conceitos da memoria humana: curto prazo (contexto da conversa), longo prazo (conhecimento persistente) e episodica (historico de interacoes passadas).
Por que aprender: Memoria e o que transforma um chatbot simples em um assistente verdadeiramente util que conhece voce, suas preferencias e seu historico ao longo do tempo.
Conceitos-chave: Memoria de curto prazo (buffer), memoria de longo prazo (vector store), memoria episodica, sumarizacao de conversas, perfis de usuario, personalizacao progressiva.
Ver Completo
1.5 ~35 min

🤖 Automacao de Processos

O que e: Automacao inteligente combina automacao tradicional baseada em regras com inteligencia artificial, permitindo automatizar processos que envolvem julgamento, interpretacao de linguagem natural e tomada de decisao.
Por que aprender: A automacao inteligente e o maior multiplicador de produtividade disponivel hoje. Permite que uma pessoa faca o trabalho de uma equipe inteira em certas tarefas.
Conceitos-chave: RPA vs. automacao inteligente, IPA (Intelligent Process Automation), tomada de decisao automatizada, processamento de documentos, classificacao inteligente.
O que e: Metodologia para documentar e analisar processos existentes, identificando quais etapas sao repetitivas, demoradas ou propensas a erros — e portanto candidatas ideais para automacao.
Por que aprender: Automatizar o processo errado e desperdicar recursos. O mapeamento garante que voce automatize o que realmente gera impacto e retorno.
Conceitos-chave: Process mining, fluxogramas, gargalos, tempo de ciclo, matriz de priorizacao, quick wins, complexidade vs. impacto.
O que e: Plataformas no-code/low-code que permitem criar automacoes visuais arrastando e conectando blocos, sem necessidade de programacao. Integram centenas de aplicativos e servicos.
Por que aprender: Ferramentas no-code democratizam a automacao. Qualquer profissional pode automatizar seus processos sem depender de desenvolvedores, economizando horas por semana.
Conceitos-chave: Zapier (facilidade), Make.com (flexibilidade), n8n (open-source), triggers e acoes, webhooks, integracao de APIs, templates de automacao.
O que e: A combinacao de RPA (Robotic Process Automation) com IA cria robos de software que nao apenas seguem scripts, mas tambem entendem documentos, tomam decisoes e aprendem com o tempo.
Por que aprender: RPA + IA e uma das areas de maior crescimento em tecnologia corporativa. Profissionais que dominam essa combinacao sao altamente valorizados no mercado.
Conceitos-chave: UiPath, Automation Anywhere, document understanding, OCR inteligente, process discovery, attended vs unattended bots, hyperautomation.
O que e: Framework para calcular o retorno sobre investimento de projetos de automacao, considerando custos de implementacao, economia de tempo, reducao de erros e ganhos de escalabilidade.
Por que aprender: Para justificar investimentos em automacao (pessoais ou empresariais), voce precisa demonstrar retorno concreto. Saber medir ROI transforma automacao de "hobby" em estrategia.
Conceitos-chave: TCO (Total Cost of Ownership), payback period, horas economizadas, reducao de erros, satisfacao do cliente, metricas de produtividade, business case.
O que e: Metodologia de implementacao em fases: comeca com um projeto piloto pequeno, valida resultados, ajusta e expande gradualmente, minimizando riscos e maximizando aprendizado.
Por que aprender: A maioria dos projetos de automacao falha por tentar fazer tudo de uma vez. A implementacao gradual e a abordagem com maior taxa de sucesso comprovada.
Conceitos-chave: MVP de automacao, projeto piloto, metricas de validacao, change management, escalonamento, centro de excelencia (CoE), governanca de automacao.
Ver Completo