Descrição

Objetivo: Este módulo visa preparar o aluno para trabalhar com grandes volumes de dados em bancos de dados relacionais, ensinando desde conceitos fundamentais até SQL avançado e integração com Python.

Tópicos:

• Introdução a Bancos de Dados
• Conceitos Fundamentais:
• O que é um banco de dados relacional?
• Definição de tabelas, colunas e registros.
• Chaves primárias, estrangeiras e relacionamentos entre tabelas.
• Tipos de Bancos de Dados:
• Relacionais (SQL) vs. Não Relacionais (NoSQL).
• Exemplos de Bancos de Dados Relacionais: MySQL, PostgreSQL, SQL Server.
• SQL Básico
• Comandos SQL:
• SELECT: Seleção de dados.
• WHERE: Filtragem de dados.
• INSERT, UPDATE, DELETE: Manipulação de dados.
• Consultas de Dados:
• Uso de ORDER BY, GROUP BY e HAVING.
• Consultas com filtros e condições complexas.
• SQL Avançado
• Operações Avançadas:
• Uso de JOIN: Inner, Left, Right, Full.
• Subqueries: Consultas aninhadas dentro de outras consultas.
• Funções de Agregação: SUM(), AVG(), COUNT(), MAX(), MIN().
• Otimização de Consultas:
• Índices e como eles melhoram a performance das consultas.
• Exclusão de redundâncias e junções desnecessárias.
• Integração de Python com SQL
• Bibliotecas Python para SQL:
• Introdução ao SQLite3 e SQLAlchemy.
• Conectando Python a um banco de dados.
• Manipulação de Dados via Python:
• Executar consultas SQL diretamente no código Python.
• Inserir, atualizar e deletar registros com comandos Python.
• Introdução ao Banco de Dados de 480 Tabelas do ERP
• Visão Geral do Banco de Dados:
• Estrutura e relacionamentos do banco de dados do ERP.
• Tabelas principais e tabelas de suporte (ex.: CFOP, CBO, CNAE).
• Uso do Banco de Dados no Projeto:
• Consultas e manipulação de dados de diferentes tabelas.
• Relacionamento entre dados empresariais e operacionais no ERP.

---

Projeto: Consulta e Manipulação de Dados no ERP. O aluno criará consultas SQL para obter informações importantes das tabelas do ERP. Executará comandos de inserção, atualização e remoção de dados diretamente no banco de dados do ERP. Integração das consultas com o código Python para manipulação automatizada de dados.

Descrição

Objetivo: Este módulo introduz os conceitos fundamentais de Inteligência Artificial (IA) e Machine Learning (ML). Os alunos aprenderão as definições básicas, os diferentes tipos de IA e as abordagens de aprendizado de máquina com exemplos práticos.

Tópicos:

• Introdução à Inteligência Artificial (IA)
• O que é IA?: Definições e contexto histórico.
• Tipos de IA:
• IA Estreita (Narrow AI): Focada em tarefas específicas.
• IA Geral (General AI): Inteligência similar à humana.
• IA Super (Super AI): Inteligência que supera a humana (conceito teórico).
• Fundamentos de Machine Learning (ML)
• O que é Machine Learning?: Definição e conceitos-chave.
• Tipos de Machine Learning:
• Aprendizado Supervisionado: Modelos baseados em exemplos com rótulos.
• Aprendizado Não Supervisionado: Descoberta de padrões em dados não rotulados.
• Reinforcement Learning: Aprendizado baseado em recompensas e punições.
• Fundamentos de Algoritmos de Machine Learning
• Algoritmos de Classificação:
• Exemplos: K-Nearest Neighbors (KNN), Decision Trees, Random Forests.
• Algoritmos de Regressão:
• Exemplos: Regressão Linear, Regressão Polinomial.
• Algoritmos de Clustering:
• Exemplos: K-Means, DBSCAN.
• Introdução aos Frameworks de IA e Machine Learning
• Scikit-Learn:
• Biblioteca popular para algoritmos de ML em Python.
• Implementação prática: Como usar Scikit-Learn para classificação e regressão.
• TensorFlow e Keras:
• Visão geral do TensorFlow: Biblioteca para deep learning.
• Keras: API de alto nível para construção de modelos de deep learning.

---

Projeto: Criação de um Modelo Básico de Machine Learning. Os alunos irão criar um modelo de classificação para categorizar dados de uma tabela do ERP. Uso de Scikit-Learn para construir e treinar o modelo com os dados da tabela. Avaliação do desempenho do modelo usando métricas como precisão e recall.

Descrição

Objetivo: Este módulo foca na manipulação e limpeza de grandes volumes de dados, habilidades essenciais no desenvolvimento de modelos de IA. O aluno aprenderá a carregar, explorar, limpar e preparar dados para o uso em algoritmos de Machine Learning.

Tópicos:

• Carregamento e Exploração de Dados
• Introdução ao Pandas: Biblioteca essencial para manipulação de dados em Python.
• Carregamento de Dados:
• Leitura de arquivos CSV, Excel e bases de dados SQL.
• Carregamento de grandes datasets em memória.
• Exploração de Dados:
• Inspeção de dados: uso de head(), info(), describe().
• Identificação de tipos de variáveis e estatísticas descritivas.
• Detecção de anomalias e outliers.
• Limpeza de Dados
• Tratamento de Valores Ausentes:
• Identificação de dados ausentes com isnull().
• Preenchimento de valores ausentes com técnicas como fillna(), média, mediana, moda.
• Tratamento de Dados Duplicados:
• Detecção de linhas duplicadas com duplicated().
• Remoção de duplicatas usando drop_duplicates().
• Normalização de Dados:
• Escalonamento de variáveis numéricas: MinMaxScaler, StandardScaler.
• Transformação de dados categóricos: get_dummies() e Label Encoding.
• Feature Engineering
• O que é Feature Engineering?: Criação de novas variáveis relevantes para o modelo.
• Seleção de Variáveis: Técnicas para identificar as features mais importantes.
• Transformação de Variáveis: Criação de variáveis derivadas, agregação e binning.
• Visualização de Dados
• Introdução ao Matplotlib:
• Gráficos de linha, barras e dispersão.
• Customização de gráficos: rótulos, legendas e cores.
• Introdução ao Seaborn:
• Gráficos estatísticos: histograma, boxplot, heatmaps.
• Visualização de correlações e distribuições de dados.

---

Projeto: Pré-processamento de Dados do ERP. Os alunos irão pré-processar dados de uma tabela do ERP, realizando limpeza, normalização e transformação das variáveis. Preparação dos dados para o treinamento de um modelo de IA. Visualização dos dados limpos para identificar padrões e correlações.

Descrição

Objetivo: Ensinar os alunos a utilizar APIs de IA comerciais populares, integrá-las ao ERP, e gerar insights úteis a partir dos dados, usando tanto modelos pré-treinados quanto personalizações para o ERP.

Tópicos:

• Introdução às APIs de IA
• O que é uma API de IA?
• Definição e propósito de APIs de IA.
• Benefícios de utilizar APIs comerciais em vez de construir IA do zero.
• Tipos de APIs de IA:
• Modelos de linguagem natural (ex.: OpenAI, GPT).
• Modelos de visão computacional (ex.: Google Cloud Vision, AWS Rekognition).
• Serviços de machine learning automatizado (ex.: AWS SageMaker, Google AutoML).
• APIs de IA Populares
• OpenAI API:
• Como funciona o GPT-4 e suas aplicações práticas.
• Utilização para geração de texto, insights e automação de processos.
• Google Cloud AI:
• Serviços disponíveis (Vision, Translate, Natural Language API).
• Gemini:
• Descrição do modelo Gemini, sua arquitetura avançada e casos de uso.
• Aplicação em cenários empresariais e integração ao ERP.
• AWS AI Services:
• Amazon Rekognition, Polly, Lex, e SageMaker.
• Integração com dados do ERP.
• Integração de APIs de IA com ERP
• Conexão entre APIs e Sistemas ERP:
• Como conectar APIs a sistemas ERP feitos em linguagens como Python, C#, Delphi, Java, PHP, e Node.js.
• Autenticação e segurança na integração com APIs de IA.
• Gestão de tokens e controle de acesso para uso seguro de APIs.
• Frameworks e Ferramentas para Integração:
• Uso de bibliotecas como requests (Python) para conectar-se a APIs REST.
• Integração com sistemas backend usando bibliotecas específicas (ex.: Axios para Node.js, Retrofit para Java).

---

Projeto: Integração de uma API de IA ao ERP: O aluno integrará uma API de IA com o ERP para gerar insights úteis em tempo real em um módulo específico, como vendas, estoque ou financeiro.

Descrição

Objetivo: Dar continuidade à integração das APIs de IA com o ERP, explorando a criação de modelos próprios e personalização de insights baseados em dados do ERP, além de aprofundar a integração de APIs de IA com o ERP, utilizando diferentes linguagens de backend, e explorar bibliotecas específicas para cada uma delas, otimizando a performance e personalização.

Tópicos:

• Geração de Insights Usando Dados do ERP
• Trabalhando com Dados do ERP:
• Como obter dados relevantes do banco de dados ERP para enviar às APIs de IA.
• Estruturar os dados para que as APIs gerem insights úteis.
• Aplicação de Modelos Pré-Treinados:
• Como usar modelos pré-treinados para fazer análise preditiva e gerar insights a partir dos dados do ERP.
• Customização de respostas de IA para o contexto empresarial.
• Uso de Modelos Pré-Treinados para Acelerar o Desenvolvimento
• Benefícios dos Modelos Pré-Treinados:
• Vantagens de usar modelos já treinados por grandes provedores de IA.
• Como adaptar esses modelos para o contexto do ERP e otimizar resultados.
• Exemplos Práticos de Modelos:
• Modelos de previsão de vendas, churn de clientes, análise de risco.
• Personalizando respostas para setores específicos do ERP, como financeiro, RH e vendas.
• Integração de IA com Linguagens de Backend
• Bibliotecas Específicas para IA:
• Python: Uso de bibliotecas como requests, Flask, e FastAPI para integração.
• C#: Utilizando bibliotecas como HttpClient e frameworks como ASP.NET.
• Java: Integração via Retrofit ou Spring Boot.
• PHP: Como utilizar Guzzle e outras ferramentas para consumo de APIs.
• Node.js: Integração via Axios e frameworks como Express.
• Delphi: Explorando integração com APIs de IA usando Delphi REST Clients.
• Comparação de Desempenho Entre Linguagens
• Benchmarking de Desempenho:
• Comparação de latência, tempo de resposta e escalabilidade entre as linguagens.
• Medindo o impacto da integração com IA no ERP.
• Melhorias e Otimizações:
• Ajustes de performance em cada linguagem.
• Uso de threads, tasks, e otimizações no consumo das APIs.
• Personalização e Fine-Tuning de Modelos
• Aprimorando a IA para o ERP:
• Como personalizar modelos pré-treinados para necessidades específicas de cada módulo do ERP.
• Ajustes de hiperparâmetros e treinamento incremental.
• Exemplos de Fine-Tuning:
• Adaptação de modelos para vendas, controle de estoque, e análise financeira.

---

Projeto: Implementar um Modelo de IA para as Linguagens de Backend. Escolha de um problema para resolver utilizando IA no ERP (como previsões financeiras). Implementação de um modelo de IA em todas as linguagens de backend do ERP. Comparação de desempenho e análise de resultados entre as diferentes linguagens.

Descrição

Objetivo: Ensinar os alunos a criar e treinar seus próprios modelos de IA do zero, com foco em machine learning e deep learning. A partir de dados do banco de dados ERP, eles aprenderão a desenvolver, treinar, otimizar e avaliar modelos que podem gerar insights valiosos para a empresa.

Tópicos:

• Introdução ao Desenvolvimento de Modelos Customizados de Machine Learning:
• Definição de modelos customizados e seu papel na IA.
• Diferença entre modelos pré-treinados e modelos customizados.
• Exemplos de casos de uso para modelos customizados no ERP.
• Treinamento e Validação de Modelos:
• Etapas do pipeline de machine learning: treino, validação e teste.
• Importância de dividir os dados entre treino, validação e teste.
• Métricas de avaliação: precisão, recall, F1-Score.
• Introdução a Redes Neurais e Deep Learning:
• Fundamentos das redes neurais artificiais: neurônios, camadas, ativação.
• Conceitos de deep learning: redes profundas, convolução, backpropagation.
• Bibliotecas populares: TensorFlow, Keras e PyTorch.
• Otimização e Ajuste de Hiperparâmetros:
• O que são hiperparâmetros e sua importância no treinamento de modelos.
• Métodos de ajuste: busca em grade, busca aleatória, otimização Bayesiana.
• Ferramentas para otimização e experimentação de modelos.

---

Projeto: Criar um Modelo de IA para Gestão Financeira no ERP. Utilização do banco de dados do ERP para extrair informações financeiras. Criação de um modelo para identificar padrões e fornecer dicas para otimizar a gestão financeira. Avaliação dos resultados do modelo e ajustes para melhorias.

Descrição

Objetivo: Explorar as tecnologias de Inteligência Artificial Generativa, abrangendo desde geração de texto, imagens e código, até sua aplicação prática em automação e geração de insights para o contexto empresarial. Os alunos aprenderão como modelos generativos, como GPT e DALL-E, podem ser utilizados para criar soluções automáticas e práticas dentro de um ERP, além de outras áreas, como marketing e atendimento ao cliente.

Tópicos:

• Como IA Generativa Funciona (ex. GPT, DALL-E):
• Definição de IA generativa e sua evolução.
• Modelos de IA generativa mais populares: GPT (texto), DALL-E (imagens), Codex (código).
• Como os modelos generativos são treinados e como funcionam na prática.
• Aplicações Práticas: Geração de Texto, Relatórios e Automação de Tarefas:
• Geração de conteúdo automatizado: relatórios, e-mails, respostas automáticas.
• Automatização de tarefas administrativas e de gestão dentro do ERP.
• Exemplos práticos de IA generativa em ação em diferentes indústrias.
• Uso de IA Generativa em Contextos Empresariais (ERP, Marketing, Atendimento):
• Automação de marketing e criação de campanhas personalizadas com IA.
• Aplicação de IA generativa para atendimento ao cliente: chatbots e assistentes virtuais.
• Geração de insights e previsões para melhorar a tomada de decisão no ERP.

---

Projeto: Usar IA Generativa para Criar Relatórios Financeiros Automáticos no ERP. Implementação de uma IA generativa para criar relatórios financeiros dinâmicos. Automatização da geração de relatórios com base nos dados financeiros do ERP. Personalização de relatórios com base em critérios definidos pelo usuário.

Descrição

Objetivo: Ensinar como fazer o deploy de modelos de IA na nuvem e integrá-los com sistemas existentes, utilizando containers para garantir que o ambiente de produção seja reproduzível e escalável.

Tópicos:

• Introdução às Opções de Cloud para IA.
• Visão geral das principais plataformas de cloud (AWS, Google Cloud, Azure) e os serviços de machine learning que cada uma oferece.
• Comparação de custos, vantagens e limitações de cada plataforma.
• Criação de APIs Personalizadas para Modelos de IA.
• Como transformar modelos de IA treinados em APIs acessíveis por sistemas externos.
• Frameworks para criar APIs em Python (Flask, FastAPI) e integração com modelos de IA.
• Containers e Docker
• Introdução a containers: O que são e por que utilizá-los no deploy de IA.
• Dockerização de modelos de IA: Criando uma imagem Docker para encapsular o modelo e suas dependências.
• Docker Compose: Orquestrando múltiplos containers para o deploy em ambientes complexos.
• Deploy de Modelos no Cloud Usando Containers
• Como usar Docker no deploy de modelos em plataformas cloud (AWS ECS, Google Cloud Run, Azure Container Instances).
• Configuração de ambientes em cloud para rodar containers de forma escalável.
• Monitoramento e Manutenção de Modelos em Produção
• Como monitorar o desempenho do modelo e ajustar o deployment conforme necessário.
• Práticas recomendadas para garantir que o modelo se mantenha atualizado e performe de acordo com os requisitos.

---

Projeto: Criar um mini sistema em Python para manipulação de dados do ERP.

Descrição

Objetivo: Neste módulo, os alunos irão desenvolver habilidades avançadas em prompt engineering, focando na criação de prompts eficazes que maximizem o desempenho de modelos de IA generativa. A habilidade de elaborar prompts de qualidade é essencial para extrair informações relevantes, criar conteúdos impactantes e automatizar processos, otimizando o uso de ferramentas de IA em cenários reais.

Tópicos:

• Como criar prompts complexos para IA generativa: Os alunos aprenderão a estruturar prompts que envolvam múltiplas variáveis, garantindo que a IA compreenda o contexto e a intenção desejada. Isso inclui técnicas de formulação, uso de exemplos e a consideração do tom de voz adequado.
• Casos de uso avançados para negócios e automação: Este tópico abordará aplicações práticas de prompts em contextos empresariais, como geração de relatórios automatizados, elaboração de conteúdos de marketing e suporte ao cliente. Exemplos de cenários em que a automação pode trazer ganhos significativos serão discutidos.
• Técnicas para otimização de respostas: Os alunos explorarão métodos para melhorar a qualidade das respostas geradas pela IA. Isso inclui técnicas de iteração, feedback e ajustes nos prompts, visando alcançar resultados mais precisos e relevantes.

---

Projeto: No projeto final do módulo, os alunos deverão criar um conjunto de prompts que automatizem tarefas administrativas em um ambiente de trabalho simulado. Isso envolve identificar processos repetitivos que podem ser otimizados com IA, como agendamento de reuniões, geração de relatórios de desempenho e respostas a consultas frequentes. O projeto será avaliado pela eficácia dos prompts na realização dessas tarefas e pela clareza das instruções fornecidas à IA.

Descrição

Objetivo: Este módulo visa capacitar os alunos a desenvolver bots inteligentes que utilizam inteligência artificial para automatizar processos empresariais. Os alunos aprenderão a criar soluções que não apenas otimizam a eficiência operacional, mas também melhoram a experiência do usuário por meio da automação de tarefas repetitivas e da personalização de interações.

Tópicos:

• Introdução a bots baseados em IA: Este tópico fornece uma visão geral sobre o que são bots, suas funções e como a IA os torna mais eficazes. Serão discutidos os conceitos fundamentais de machine learning e processamento de linguagem natural, essenciais para a criação de bots que entendem e respondem a comandos de maneira intuitiva.
• Chatbots, assistentes virtuais e RPA (automação robótica de processos): Os alunos aprenderão as diferenças entre chatbots e assistentes virtuais, além de explorar como a automação robótica de processos pode ser integrada a esses sistemas para realizar tarefas que exigem interação com múltiplos sistemas. Exemplos de uso em diversos setores serão apresentados.
• Integração com IA generativa para tomada de decisão automatizada: Este tópico aborda como integrar a IA generativa para permitir que os bots não apenas respondam a perguntas, mas também tomem decisões informadas com base em dados e contexto. Serão discutidas as melhores práticas para garantir que as decisões automatizadas sejam precisas e alinhadas com os objetivos empresariais.

---

Projeto: O projeto deste módulo consiste em criar um bot que auxilie na gestão de pedidos e faturamento em um ambiente de ERP simulado. Os alunos deverão projetar o bot para processar pedidos, fornecer atualizações sobre o status do pedido e responder a perguntas frequentes dos clientes. O bot deverá ser capaz de interagir com a base de dados de pedidos e faturamento, demonstrando como a automação pode facilitar a eficiência operacional e a satisfação do cliente.

Descrição

Objetivo: Consolidar o conhecimento adquirido ao longo dos 11 módulos anteriores, através de uma série de projetos práticos em diferentes domínios, aplicando IA para resolver problemas complexos e criar soluções inovadoras. O foco é dar aos alunos a oportunidade de trabalhar em projetos fora do ERP.

Projetos:

Projeto 1: Previsão de Demanda no Setor de Varejo

Objetivo: Usar séries temporais e machine learning para prever a demanda de produtos no setor de varejo.
Ferramentas: Python (Scikit-learn, Pandas, Prophet).

Projeto 2: Sistema de Recomendação para Streaming de Mídia

Objetivo: Criar um sistema de recomendação para plataformas de streaming, utilizando filtragem colaborativa e baseada em conteúdo.
Ferramentas: Python (Surprise, TensorFlow), APIs de IA.

Projeto 3: Análise de Sentimento para Redes Sociais

Objetivo: Analisar o sentimento de postagens nas redes sociais em tempo real, utilizando processamento de linguagem natural (NLP).
Ferramentas: Python (NLTK, SpaCy), APIs de NLP.

Projeto 4: Sistema de Prevenção de Desastres Naturais

Objetivo: Criar um sistema que utilize modelos de IA para prever desastres naturais, como enchentes ou incêndios florestais, com base em dados climáticos e ambientais. O sistema deve alertar os usuários sobre potenciais riscos e fornecer recomendações de segurança.
Ferramentas: Python, APIs de Dados Climáticos, TensorFlow, Mapas Interativos (como Folium ou Plotly).

Projeto 5: Detecção de Fraudes em Transações Bancárias

Objetivo: Criar um sistema de detecção de fraudes, utilizando algoritmos de detecção de anomalias e redes neurais.
Ferramentas: Python (TensorFlow, Keras).

Projeto 6: Automação de Processos em um Escritório Jurídico

Objetivo: Utilizar IA para automatizar tarefas rotineiras de um escritório de advocacia, como geração de contratos e análise de documentos.
Ferramentas: Python (Automation frameworks), APIs de IA.

Projeto 7: Reconhecimento de Imagens para Diagnóstico Médico

Objetivo: Criar um sistema de reconhecimento de imagens para diagnóstico de doenças em exames médicos, como raios-X e ressonância magnética.
Ferramentas: Python (TensorFlow, Keras, OpenCV).

Projeto 8: IA para Controle de Tráfego Urbano

Objetivo: Desenvolver um sistema de otimização de semáforos utilizando IA, para reduzir o congestionamento em tempo real.
Ferramentas: Python (TensorFlow), APIs de IA.

Projeto 9: Detecção de Plágio em Documentos Acadêmicos

Objetivo: Implementar um sistema de detecção de plágio em textos acadêmicos, usando modelos de linguagem natural e técnicas de similaridade de texto.
Ferramentas: Python (SpaCy, Transformers), APIs de IA.

Projeto 10: Automação de Processos Industriais com IA

Objetivo: Criar um sistema de automação para a indústria 4.0, aplicando IA para monitorar e otimizar processos de produção em fábricas.
Ferramentas: Python (Orquestração), APIs de Automação e IA.