Bem-vindo ao T2Ti AcademIA: Domine a Inteligência Artificial em Múltiplos Níveis!
O T2Ti AcademIA é um treinamento revolucionário, projetado para capacitar tanto desenvolvedores quanto profissionais de diversas áreas a dominarem o mundo da Inteligência Artificial (IA). Com uma abordagem prática e acessível, você será conduzido desde os fundamentos da programação até a criação e aplicação de soluções inteligentes em sistemas complexos, como ERPs com grandes bancos de dados.
Ao longo de 12 módulos, você explorará ferramentas e técnicas essenciais para trabalhar com IA, incluindo o uso de APIs poderosas e a construção de seu próprio modelo de IA, tudo integrado a um ambiente real de desenvolvimento. Com foco em Python – uma das linguagens mais poderosas para IA – e outros cenários tecnológicos, você estará pronto para implementar IA em múltiplos sistemas, aprendendo a criar insights para negócios e a maximizar a eficiência de processos com a ajuda da tecnologia.
Este treinamento oferece uma jornada completa, com vídeos aulas, material para leitura e suporte às dúvidas, abordando tópicos que vão desde o uso de IA para automação até a aplicação em linguagens de backend como C#, Delphi, Java, PHP, Node e Python.
Seja você um iniciante ou um profissional experiente, o T2Ti AcademIA é a chave para se tornar um verdadeiro AI Engineer!
Começando pelas Dúvidas
Uma parte do treinamento é gratuita. Todos os vídeos serão disponibilizados no Youtube e poderão ser vistos por qualquer pessoa.
Os códigos fontes serão disponibilizados no Github.
O serviço pago que a T2Ti oferece para esse treinamento é o suporte vitalício via Trello, além de material exclusivo que
será disponibilizado no Quadro Trello, incluindo alguns projetos de IA. Clique AQUI para visitar o Quadro Trello de exemplo.
Além disso, você terá um repositório no bitbucket à sua disposição com código atualizado mais frequentemente que o Github público.
O treinamento é individual. No entanto, após os pagamentos individualizados, você poderá convidar os demais pagantes para o seu Quadro Trello.
O acesso ao material e o suporte são vitalícios. Você poderá realizar o treinamento no seu tempo, sem se preocupar com prazos de acesso.
O Quadro Trello será disponibilizado logo após a compra. Os vídeos começarão a ser publicados em Novembro de 2024 e serão publicados diariamente (dias úteis) durante o restante de 2024 e todo o ano de 2025.
Não. Não é preciso fazer qualquer treinamento da T2Ti como pré-requisito para este curso. Basta saber Lógica de Programação.
Como funciona?
-
Assista aos vídeos na ordem
Logo abaixo você verá uma seção com 12 módulos. Assista aos vídeos dos módulos na ordem, começando pelo Módulo 01 e seguindo até o Módulo 12.
-
Pratique
Tente implementar os projetos de acordo com o que está sendo mostrado.
-
Suporte
Se precisar de ajuda, acione o suporte via Trello. Veja um exemplo do quadro Trello clicando AQUI.
Vantagens de Comprar o Treinamento
Ao adquirir o treinamento T2Ti AcademIA, você estará investindo no seu futuro e no domínio da Inteligência Artificial. Veja algumas das vantagens de comprar o treinamento agora:
- Conteúdo Completo: Acesso a 12 módulos abrangentes, cobrindo desde os fundamentos até aplicações práticas de IA em diversas áreas.
- Aprendizado Prático: Desenvolva projetos práticos que consolidam o conhecimento adquirido, preparando você para o mercado de trabalho.
- Flexibilidade: Acesso a videoaulas gravadas, permitindo que você aprenda no seu próprio ritmo e revise o conteúdo sempre que precisar.
- Certificados: Receba certificados durante o treinamento, validando suas novas habilidades no mercado.
- Suporte Vitalício e Material Exclusivo: Tenha acesso a suporte vitalício via Trello e material exclusivo, incluindo alguns projetos de IA.
Não perca essa oportunidade de se tornar um expert em IA e impulsionar sua carreira. A hora de agir é agora!
Comprar o Treinamento
Clique no botão abaixo para comprar o treinamento.
Valor: R$ 1.200,00 R$ 600,00 *
Módulos
Python - From Zero to Hero
Descrição
Objetivo: Neste módulo, os alunos aprenderão Python do básico ao avançado, adquirindo todas as habilidades necessárias para começar a trabalhar com Inteligência Artificial (IA) e integração com sistemas complexos. O objetivo é garantir uma base sólida na linguagem, com foco em aplicações práticas voltadas para IA e manipulação de dados.
Tópicos:
- Fundamentos do Python
- Introdução ao Python: Instalação e configuração do ambiente de desenvolvimento (VS Code, PyCharm).
- Variáveis e Tipos de Dados: Inteiros, floats, strings, booleans.
- Estruturas Condicionais:
if,else,elif. - Laços de Repetição:
for,while, uso debreakecontinue. - Funções: Definição e chamada de funções, parâmetros, valores de retorno, escopo.
- Manipulação de Estruturas de Dados
- Listas: Criação, indexação, adição e remoção de elementos, iteração.
- Dicionários: Chaves e valores, acesso, modificação e iteração.
- Tuplas: Imutabilidade e uso.
- Conjuntos (Sets): Operações com conjuntos, união, interseção e diferença.
- Funções Avançadas
- Funções Lambda: Criação de funções anônimas e uso em expressões curtas.
- Decorators: Funções que modificam o comportamento de outras funções.
- Geradores: Uso de
yieldpara criar iteradores personalizados, economia de memória. - Exceções e Tratamento de Erros
- Estrutura try-except-finally: Tratamento de erros usando blocos `try`, `except`, `else`, e `finally` para garantir que o código execute corretamente.
- Tipos de exceções em Python: Principais exceções padrão do Python e quando utilizá-las.
- Debugando um programa Python no VS Code.
- Módulos e Pacotes
- Importação de módulos: Como importar módulos externos e reutilizar funcionalidades em seu código.
- Ambiente virtual: Porque e como criar e utilizar um ambiente virtual.
- Pacotes e organização de projetos: Estruturação de projetos em Python, utilizando pacotes para modularizar o código.
- PyPI e bibliotecas populares: Uso do Python Package Index (PyPI) para instalar e gerenciar bibliotecas externas, com exemplos de bibliotecas amplamente usadas.
- Bibliotecas Padrão do Python
- Overview de bibliotecas padrão úteis (math, datetime, os, sys, etc.): Uma visão geral das bibliotecas padrão mais utilizadas no Python.
- Manipulação de datas e tempos: Trabalhando com datas e horas usando a biblioteca `datetime`.
- Arquivos e diretórios: Interação com o sistema de arquivos utilizando módulos como `os` e `pathlib`.
- Manipulação de Strings
- Métodos de string: Funções embutidas para manipular e transformar strings, como `upper()`, `lower()`, e `replace()`.
- Formatação de strings (f-strings, .format()): Maneiras eficientes de interpolar variáveis em strings, usando f-strings ou o método `.format()`.
- Expressões regulares: Utilização de padrões complexos para encontrar, substituir e dividir strings com a biblioteca `re`.
- Manipulação de Arquivos
- Leitura e escrita de arquivos: Como abrir, ler e escrever dados em arquivos de diferentes formatos.
- Context manager (with): Uso do `with` para gerenciar arquivos de maneira segura e eficiente, garantindo seu fechamento.
- Trabalhando com arquivos CSV, JSON e XML: Manipulação de dados em formatos amplamente utilizados para troca de informações.
- Programação Orientada a Objetos (POO)
- Classes e objetos: Fundamentos de POO, definição de classes e criação de objetos em Python.
- Herança, polimorfismo e encapsulamento: Conceitos de reutilização e especialização de código por meio da herança.
- Métodos e atributos estáticos: Diferenças entre métodos de classe, instância e atributos estáticos.
- POO avançada (métodos mágicos, sobrecarga de operadores): Exploração de funcionalidades avançadas como `__init__`, `__str__` e sobrecarga de operadores.
- Criação de exceções customizadas: Definindo suas próprias exceções para manipular casos de erro específicos.
- Conectando-se a Bancos de Dados
- Introdução ao SQL e SQLAlchemy: Princípios básicos de SQL e uso do SQLAlchemy para mapear dados em objetos Python.
- Conexão a bancos de dados (SQLite, MySQL): Como se conectar a diferentes bancos de dados em Python.
- Operações básicas (CRUD): Realização de operações de criação, leitura, atualização e exclusão de dados.
- Automação e Scripts
- Automação de tarefas do sistema: Automatizando processos repetitivos com scripts Python.
- Web scraping com requests e BeautifulSoup: Extração de dados de páginas web usando bibliotecas como `requests` e `BeautifulSoup`.
- Automação com Selenium: Automação de interações com navegadores da web usando Selenium.
- Programação Assíncrona
- Conceitos de programação assíncrona: Entendendo como a programação assíncrona funciona e quando utilizá-la. Breve uso do async, await e da biblioteca asyncio.
- Introdução ao async/await e biblioreca httpx: Uso das palavras-chave `async` e `await` para criar código não bloqueante e consumo de API de forma assíncrona com a biblioteca httpx.
- Manipulação de APIs
- Introdução à Comunicação com APIs REST: Comunicação com APIs REST usando a biblioteca `requests`.
- Criando APIs Simples com Flask: Desenvolvendo APIs REST em Python com framework Flask.
- Integração de APIs com Banco de Dados: Criando um CRUD com Flask e SQLAlchemy.
- APIs Avançadas com FastAPI: Introdução ao FastAPI e exploração de suas funcionalidades avançadas, como validação automática e documentação.
- Módulos Essenciais para IA e Manipulação de Dados
- Por que usar NumPy e Pandas? O que é Visualização de Dados?
- Breve introdução sobre a importância dessas ferramentas para IA e ciência de dados. Considerações sobre Visualização de Dados.
- Introdução ao NumPy
- Matrizes e operações numéricas: Arrays unidimensionais, bidimensionais e multidimensionais; operações matemáticas básicas.
- Manipulação de dados com NumPy: Transformações, agregações e broadcasting.
- Análise de Dados com Pandas
- Estruturas de dados do Pandas: Introdução a `Series` e `DataFrames` do Pandas para manipulação de dados tabulares.
- Manipulação de DataFrames: Operações comuns como seleção, filtro e agregação de dados com Pandas.
- Limpeza e transformação de dados: Técnicas para tratar dados incompletos e preparar dados para análise.
- Visualização de Dados
- Introdução ao Matplotlib e Seaborn: Criação de gráficos básicos e avançados para visualização de dados.
- Gráficos de barras, linhas e dispersão: Visualizando dados em diferentes tipos de gráficos com Matplotlib e Seaborn.
- Utilização do Jupyter Notebook: Usando o Jupyter Notebook para melhorar a visualização dos dados.
- Segurança em Python
- Segurança em aplicações web (autenticação, criptografia): Implementação de medidas de segurança como autenticação e criptografia em aplicações web.
- Gerenciamento de tokens JWT: Uso de tokens JWT para autenticação segura entre cliente e servidor.
- Cuidados com vulnerabilidades comuns: Proteção contra vulnerabilidades comuns em aplicações Python, como injeção de SQL e XSS.
- Boas Práticas e Otimização de Código
- Escrevendo código limpo e PEP 8: Práticas recomendadas para manter o código legível e conforme os padrões da PEP 8.
- Refatoração de código: Melhorando a estrutura do código sem alterar sua funcionalidade.
- Ferramentas de linting e análise estática: Uso de ferramentas para identificar e corrigir problemas no código antes da execução.
Projeto: Mini Sistema de Manipulação de Dados do ERP: Os alunos irão desenvolver um mini sistema em Python que se conectará a uma base de dados ERP simplificada, realizando manipulação de dados como leitura, inserção e consulta de informações em tabelas básicas. Este projeto consolidará o aprendizado em manipulação de dados, integração com APIs e uso de POO.
Fundamentos de Banco de Dados e SQL
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, etc.
- Modelagem de Dados:
- O Modelo ER: Entidades e Relacionamentos.
- Modelo conceitual, lógico e físico.
- Levantamento de Requisitos.
- Projetando o Banco de Dados.
- Normalização. Entendo as Formas Normais.
- 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 BYeHAVING. - Consultas com filtros e condições complexas.
- Introdução ao Banco de Dados de 480 Tabelas do ERP
- Visão Geral do Banco de Dados:
- Modelagem do banco de dados do ERP.
- Populando as tabelas do ERP.
- 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.
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.
Fundamentos de Inteligência Artificial e Machine Learning
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 e o que não é IA.
- Por que é tão difícil definir a IA.
- Termos-chave e armadilhas conceituais da IA.
- Campos relacionados:
- Machine Learning.
- Deep Learning.
- Ciência de Dados.
- Robótica.
- Filosofia da IA: Teste de Turing, Sala Chinesa e Limites da Inteligência.
- Resolução de Problemas com IA
- Problemas de Busca e Planejamento em IA: Fundamentos e Aplicações.
- O Problema do Barco: Resolvendo Quebra-Cabeças com IA - Teoria e prática no Google Colab.
- Como Problemas de Busca e os Jogos Moldaram a Inteligência Artificial.
- Como a IA Decide em Jogos como Jogo da Velha e Xadrez.
- Implementando Minimax no Jogo da Velha - Aula Prática no Colab.
- IA No Mundo Real
- Probabilidade e Incerteza na IA: Como Máquinas Tomam Decisões no Mundo Real.
- Chances vs Probabilidade: Explorando as Chances.
- Probabilidade vs Odds na Prática: Como a IA Lida com Incertezas.
- A Regra de Bayes: Uma Ferramenta Poderosa.
- A Regra de Bayes na Prática: Triagem de Câncer de Mama.
- Regra de Bayes na Prática: Do Câncer à Previsão do Tempo.
- Naive Bayes Explicado: A Matemática por Trás dos Filtros de Spam.
- Naive Bayes na Prática: Criando um Filtro de Spam.
- Aprendizagem Automática
- Tipos de Aprendizado de Máquina: Do Supervisionado ao Generativo.
- Tipos de Aprendizado de Máquina na Prática - Análise de Exemplos no Google Colab.
- Classificador do Vizinho Mais Próximo - Teoria e Prática no Google Colab.
- Regressão Linear - Introdução Teórica e Prática.
- Regressão Linear: Aprendendo a Prever Resultados.
- Regressão Linear na Prática: Escolaridade vs Esperança de Vida.
- Regressão Linear vs Logística: Da Previsão Numérica à Classificação.
- Regressão Logística na Prática: Prevendo Aprovação em Exames.
- Redes Neurais
- Redes Neurais: Introdução Teórica.
- Primeiro Neurônio Artificial na Prática: Perceptron.
- Redes Neurais Explicadas: Como Elas Aprendem de Verdade?
- Rede Neural Multicamada (MLP) na Prática com Keras/TensorFlow.
- Redes Neurais: Da Inspiração Biológica à Revolução da IA.
- Classificação de Imagens com Redes Neurais — Exemplo Prático com MNIST.
- Deep Learning e CNNs: Como Máquinas Aprendem a "Ver".
- Primeira CNN na Prática com Keras e CIFAR-10.
- Como Funcionam as Redes Generativas Adversárias (GANs).
- Explorando um GAN Pré-Treinado (ProGAN com TensorFlow Hub).
- Atenção e Transformers: Desvendando o Coração da IA Moderna.
- Transformers em NLP Análise de Sentimentos e Tradução com HuggingFace.
- LLMs - Boom dos Modelos de Linguagem - ChatGPT: IA ao Alcance de Todos.
- Prática no Google Colab: Brincando com um LLM.
- Introdução aos Frameworks de IA e Machine Learning
- Scikit-Learn
- TensorFlow e Keras
- Transformers
- Torch
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.
Dados do T2Ti ERP para IA: Manipulação e Limpeza
Descrição
Objetivo: Transformar dados brutos do mundo real – com foco nas tabelas do T2Ti ERP – em um pipeline de dados limpos, estruturados e prontos para IA, conectando de forma prática a extração SQL ao uso em Inteligência Artificial.
Aqui, você não aprenderá com datasets genéricos, mas sim aplicando cada técnica diretamente nas tabelas do T2Ti ERP, resolvendo problemas reais de qualidade de dados que impactam diretamente o sucesso dos seus projetos de automação e análise.
Jornada de Aprendizado:
- 🛠️ Fundamentos Práticos: Conexão ao banco do ERP, carregamento dos dados e diagnóstico de problemas reais (valores ausentes, duplicatas, inconsistências e regras de negócio).
- ⚡ Transformação para IA: Construção de um pipeline de dados orientado a negócio, incluindo limpeza, padronização, criação de variáveis (feature engineering) e organização dos dados para uso em IA.
- 📊 Validação e Insight: Uso de visualização de dados para identificar padrões, detectar problemas ocultos e validar se os dados fazem sentido antes de serem utilizados em modelos.
- 🚀 Performance e Organização: Boas práticas para trabalhar com grandes volumes de dados, evitando gargalos e estruturando pipelines eficientes e reutilizáveis.
- 🎯 Consolidação Final: Entrega de um dataset estruturado, validado e pronto para ser utilizado em Machine Learning ou APIs de IA.
Tópicos Técnicos Abordados:
- Pandas para ERP:
head(),info(),isnull(), análise exploratória e diagnóstico de dados. - Limpeza Contextualizada: Tratamento de dados baseado em regras de negócio do ERP (datas, valores financeiros e consistência).
- Feature Engineering: Criação de variáveis relevantes como dias de atraso, status de pagamento e comportamento financeiro.
- Visualização com Propósito: Uso de gráficos para validação de dados, identificação de outliers e análise de correlação.
- Validação de Dados: Detecção de inconsistências, duplicidades de negócio e possíveis problemas que impactam IA.
- Performance: Boas práticas no uso do Pandas para trabalhar com grandes volumes de dados de forma eficiente.
Aplicação Prática e Consolidação
Ao longo dos vídeos, construiremos um pipeline completo e contínuo de preparação de dados, partindo das tabelas reais do T2Ti ERP até chegar a um dataset final pronto para IA.
Ao final do módulo, você terá um dataset estruturado, validado e preparado, e será desafiado a aplicar os conhecimentos de Machine Learning aprendidos anteriormente para treinar seus próprios modelos.
Este módulo é fundamental. Aqui, você garante que a inteligência da sua IA será construída sobre uma base de dados sólida e confiável.
APIs REST com Python e Integração com IA
Descrição
Objetivo: Ensinar os fundamentos necessários para construção de APIs REST com Python e introduzir a integração com Inteligência Artificial de forma prática e acessível.
Neste módulo, você aprenderá como aplicações modernas se comunicam utilizando APIs, além de explorar os primeiros conceitos de integração com IA utilizando projetos práticos e interativos.
Jornada de Aprendizado:
- ⚙️ APIs REST com Python: Construção de APIs modernas utilizando Python e FastAPI.
- 🔗 Comunicação entre Sistemas: Entender como aplicações frontend, backend e serviços externos trocam informações.
- 🧠 Primeiros Passos com IA: Introdução prática ao uso de IA generativa através da integração com o Gemini.
- 🎮 Projeto Prático: Desenvolvimento de um jogo da velha utilizando IA para tomada de decisão.
Tópicos Técnicos Abordados:
- Criação de APIs REST com FastAPI.
- Rotas, parâmetros e métodos HTTP.
- Estruturação de projetos backend.
- Testes de APIs.
- Consumo de APIs com Python.
- Integração com IA generativa.
- Fluxo de comunicação cliente-servidor.
- Aplicações práticas com IA.
Playlists Utilizadas
Este módulo utiliza conteúdos práticos já desenvolvidos para acelerar sua jornada e permitir foco na aplicação real da tecnologia.
- 📡 APIs REST com Python: Construção completa de uma API REST moderna utilizando FastAPI.
- 🎮 Jogo da Velha com IA: Projeto prático utilizando Gemini para criação de um jogo inteligente.
Este módulo estabelece a base técnica necessária para integração de Inteligência Artificial em sistemas reais.
Inteligência Artificial Aplicada ao ERP com ChatGPT
Descrição
Objetivo: Demonstrar como utilizar modelos de IA generativa, como o ChatGPT, para gerar insights, análises e automações a partir de dados reais do ERP.
Após preparar os dados e aprender os fundamentos de APIs REST, chegou o momento de aplicar Inteligência Artificial diretamente em cenários empresariais reais.
Jornada de Aprendizado:
- 🧠 Integração com ChatGPT: Envio de dados estruturados para APIs de IA generativa.
- 📊 Análise de Dados Financeiros: Utilização do módulo financeiro do ERP como fonte real de dados.
- ⚡ Geração de Insights: Produção de análises automatizadas utilizando IA.
- 🚀 Aplicação Real: Construção de funcionalidades inteligentes integradas ao ERP.
Tópicos Técnicos Abordados:
- Integração com APIs do ChatGPT.
- Envio de contexto e dados estruturados.
- Construção de prompts orientados a negócio.
- Interpretação de respostas da IA.
- Automação de análises financeiras.
- Geração de insights empresariais.
- Estruturação de fluxos inteligentes.
- Boas práticas na utilização de IA.
Aplicação Prática
Durante o módulo, desenvolveremos exemplos práticos utilizando dados reais do sistema financeiro do ERP, demonstrando como a IA pode auxiliar na tomada de decisão e automação de processos.
Aqui a Inteligência Artificial deixa de ser teoria e passa a fazer parte do ERP de forma prática e funcional.
Criação de Modelos Próprios de IA
Descrição
Objetivo: Ensinar como criar, treinar e utilizar modelos próprios de Inteligência Artificial utilizando os dados preparados nos módulos anteriores.
Neste módulo, você deixará de depender exclusivamente de APIs externas e aprenderá como desenvolver modelos simples de Machine Learning que podem rodar localmente na máquina do usuário ou no servidor da empresa.
Jornada de Aprendizado:
- 🧠 Criação de Modelos Próprios: Entender como algoritmos de Machine Learning aprendem padrões a partir dos dados.
- 📊 Treinamento e Validação: Separação dos dados, treinamento do modelo e análise dos resultados obtidos.
- 💾 Persistência do Modelo: Salvar e reutilizar modelos treinados sem necessidade de novo treinamento.
- 🚀 Aplicação Real: Utilizar modelos próprios para realizar previsões e análises utilizando dados financeiros do ERP.
Tópicos Técnicos Abordados:
- Introdução prática ao Machine Learning.
- Treino, validação e teste.
- Uso de Scikit-Learn.
- Criação de modelos supervisionados.
- Geração de previsões.
- Persistência de modelos com Joblib.
- Execução local do modelo.
- Integração com sistemas ERP.
Aplicação Prática
Durante o módulo, construiremos um modelo próprio utilizando dados financeiros reais do ERP para identificar padrões de comportamento e gerar previsões automaticamente.
Após o treinamento, o modelo será salvo localmente e disponibilizado através de uma API Python simples, permitindo integração com sistemas reais.
Também veremos como consumir essa API a partir de um backend PHP e utilizar os resultados dentro de aplicações Flutter, simulando exatamente o cenário utilizado em sistemas ERP modernos.
Aqui você aprende não apenas a criar sua própria IA, mas também como integrá-la em aplicações reais de mercado.
Inteligência Artificial Generativa
Descrição
Objetivo: Demonstrar como utilizar Inteligência Artificial Generativa para automatizar tarefas, gerar conteúdo e criar funcionalidades inteligentes aplicadas ao contexto empresarial.
Neste módulo, você aprenderá como ferramentas como ChatGPT e geração de imagens podem ser utilizadas para criar soluções práticas dentro de sistemas ERP, automação de processos e apoio à tomada de decisão.
Jornada de Aprendizado:
- 🧠 Entendendo IA Generativa: Compreender como modelos generativos produzem textos, imagens e respostas inteligentes.
- ✍️ Geração de Conteúdo: Utilizar IA para criação de relatórios, e-mails, resumos e respostas automáticas.
- ⚙️ Automação de Processos: Aplicar IA generativa para automatizar tarefas administrativas e operacionais.
- 🚀 Aplicação em Sistemas Reais: Integrar funcionalidades generativas ao ERP utilizando dados reais.
Tópicos Técnicos Abordados:
- Introdução prática à IA generativa.
- Uso de modelos de linguagem.
- Construção de prompts orientados a negócio.
- Geração automatizada de textos.
- Automação de tarefas com IA.
- Criação de relatórios inteligentes.
- Integração de IA ao ERP.
- Boas práticas no uso de IA generativa.
Aplicação Prática
Durante o módulo, construiremos exemplos práticos utilizando IA generativa para criar relatórios financeiros automáticos, resumos inteligentes e respostas contextualizadas utilizando dados reais do ERP.
Também veremos como utilizar prompts bem estruturados para melhorar significativamente a qualidade das respostas geradas pela IA.
Aqui a IA generativa deixa de ser apenas uma ferramenta de conversa e passa a atuar como parte integrante do sistema empresarial.
Deploy de APIs e Modelos de IA
Descrição
Objetivo: Demonstrar como publicar APIs e modelos de Inteligência Artificial em ambientes reais, permitindo sua utilização por sistemas ERP, aplicações web e aplicativos mobile.
Neste módulo, você aprenderá como transformar os projetos desenvolvidos anteriormente em serviços acessíveis pela rede, possibilitando integração com aplicações Flutter, backends PHP e outros sistemas corporativos.
Jornada de Aprendizado:
- 🚀 Publicando APIs: Disponibilizar APIs Python para acesso externo.
- 🧠 Deploy de Modelos de IA: Executar modelos treinados em ambientes reais.
- 🐳 Introdução ao Docker: Empacotar aplicações e APIs utilizando containers.
- ☁️ Integração com Sistemas: Consumir APIs e modelos a partir de sistemas ERP e aplicações Flutter.
Tópicos Técnicos Abordados:
- Deploy básico de APIs Python.
- Execução de modelos treinados.
- Introdução prática ao Docker.
- Criação de containers simples.
- Publicação de serviços na rede.
- Integração com backend PHP.
- Consumo de APIs em Flutter.
- Boas práticas de deploy.
Aplicação Prática
Durante o módulo, publicaremos uma API Python contendo funcionalidades de IA desenvolvidas anteriormente, permitindo seu consumo por aplicações reais.
Também veremos como integrar essa API com sistemas ERP utilizando backend PHP e frontend Flutter, simulando um ambiente corporativo moderno.
Aqui você aprende a transformar modelos e APIs de IA em serviços reais prontos para utilização em produção.
Prompt Engineering
Descrição
Objetivo: Ensinar como criar prompts mais eficientes para melhorar a qualidade das respostas geradas por modelos de Inteligência Artificial.
Neste módulo, você aprenderá técnicas práticas para estruturar prompts de forma clara e objetiva, permitindo utilizar IA generativa de maneira mais eficiente em cenários empresariais e automações.
Jornada de Aprendizado:
- 🧠 Estruturação de Prompts: Aprender como fornecer contexto e instruções claras para a IA.
- ⚙️ Melhoria de Respostas: Ajustar prompts para obter respostas mais precisas e úteis.
- 📊 Aplicações Empresariais: Utilizar prompts em relatórios, automações e geração de conteúdo.
- 🚀 Uso Prático: Aplicar técnicas de prompt engineering utilizando exemplos reais ligados ao ERP.
Tópicos Técnicos Abordados:
- Construção de prompts eficientes.
- Contextualização de informações.
- Prompts para automação.
- Boas práticas na interação com IA.
- Melhoria iterativa de respostas.
- Prompts para geração de relatórios.
- Uso de IA em cenários empresariais.
- Estratégias para aumentar precisão.
Aplicação Prática
Durante o módulo, construiremos prompts voltados para automação de tarefas administrativas, geração de análises financeiras e criação de respostas inteligentes utilizando dados do ERP.
Também veremos como pequenas alterações na estrutura do prompt podem impactar significativamente a qualidade das respostas geradas pela IA.
Aqui você aprende a se comunicar melhor com a IA para obter resultados mais úteis, consistentes e aplicáveis no mundo real.
Automação com IA e Bots Inteligentes
Descrição
Objetivo: Demonstrar como criar bots e automações simples utilizando Inteligência Artificial para auxiliar processos empresariais e interações com usuários.
Neste módulo, você aprenderá como integrar IA generativa a fluxos automatizados, criando assistentes capazes de responder perguntas, consultar informações e auxiliar tarefas do ERP.
Jornada de Aprendizado:
- 🤖 Introdução aos Bots Inteligentes: Entender como bots podem utilizar IA para responder perguntas e automatizar tarefas.
- ⚙️ Automação de Processos: Criar fluxos simples de automação utilizando IA e regras de negócio.
- 🧠 Integração com IA Generativa: Utilizar modelos de IA para gerar respostas contextualizadas.
- 🚀 Aplicação no ERP: Construir exemplos práticos de bots integrados ao sistema.
Tópicos Técnicos Abordados:
- Introdução prática a chatbots.
- Fluxos automatizados simples.
- Integração com APIs de IA.
- Respostas inteligentes contextualizadas.
- Automação de tarefas administrativas.
- Consultas automatizadas ao ERP.
- Boas práticas na criação de bots.
- Integração com sistemas reais.
Aplicação Prática
Durante o módulo, construiremos um bot simples integrado ao ERP, capaz de consultar informações financeiras, responder perguntas e auxiliar tarefas administrativas utilizando IA generativa.
Também veremos como utilizar APIs e modelos criados anteriormente para automatizar processos e melhorar a interação entre usuários e sistemas.
Aqui a Inteligência Artificial passa a atuar como assistente dentro do sistema, auxiliando usuários e automatizando tarefas do dia a dia.
Projetos Práticos com IA Aplicada
Descrição
Objetivo: Consolidar os conhecimentos adquiridos ao longo do treinamento através da construção de projetos práticos utilizando Inteligência Artificial aplicada a diferentes cenários reais.
Neste módulo, você verá como utilizar APIs de IA, modelos próprios, automações e integração entre sistemas para desenvolver soluções funcionais inspiradas em problemas do mundo real.
Jornada de Aprendizado:
- 🧠 Aplicação dos Conceitos: Utilizar na prática os conhecimentos adquiridos nos módulos anteriores.
- ⚙️ Integração entre Tecnologias: Combinar APIs, modelos de IA, automações e sistemas backend.
- 🚀 Desenvolvimento de Soluções: Construir aplicações inteligentes voltadas para diferentes cenários.
- 📊 Projetos Reais: Explorar exemplos inspirados em demandas do mercado e automação empresarial.
Exemplos de Projetos:
- Previsão de demanda utilizando Machine Learning.
- Automação de análises financeiras.
- Assistentes inteligentes integrados ao ERP.
- Sistemas simples de recomendação.
- Análise automatizada de textos.
- Detecção básica de padrões e anomalias.
- Automação de tarefas administrativas.
- Integração entre Flutter, PHP e Python.
- Geração automática de relatórios.
- APIs inteligentes aplicadas ao negócio.
Aplicação Prática
Durante o módulo, desenvolveremos pequenos projetos práticos utilizando os conceitos trabalhados ao longo da formação, consolidando a integração entre Inteligência Artificial, APIs, automação e sistemas corporativos.
O foco será mostrar como transformar ideias em soluções reais utilizando tecnologias acessíveis e aplicáveis no mercado.
Este módulo encerra a formação conectando todos os conhecimentos adquiridos em projetos práticos e aplicáveis ao mundo real.