MBA em Engenharia de Inteligência Artificial: AI Engineering & Multi-Agents

Do zero ao modelo que você entende de verdade. Você classifica o problema, treina e mede um modelo clássico, adapta um modelo pré-treinado e domina conceitos como atenção, contexto e custo. Base sólida antes de qualquer laboratório, para decidir com segurança o que a IA deve fazer.

• Workshop de abertura · 4h

  • Início da turma, dentro das 232 horas, antes do primeiro laboratório.

• AI Foundations · 8h

  • Dados, features, modelo e métrica de avaliação
  • Quando não usar LLM: regra, modelo clássico ou pessoa
  • Viés e limite do modelo como restrição de projeto, não como palestra
  • Caso curto em que a turma recusa IA e justifica com a métrica

• Machine Learning · 16h

  • Treino e teste, vazamento de dados e a métrica que o negócio vai cobrar
  • Regressão linear e regressão logística implementadas em um dataset pequeno
  • Árvore de decisão e a leitura do erro caro: falso positivo e falso negativo
  • Ensemble em poucas horas: bagging e boosting, e quando o custo de treinar não compensa
  • Comparação direta com uma chamada de LLM no mesmo problema

• Deep Learning e Adaptação de Modelos · 24h

  • Redes neurais: camada, ativação, perda e o que o gradiente está otimizando
  • CNNs e modelos de sequência, o bastante para ler uma arquitetura de terceiros
  • Transfer learning e PEFT/LoRA em um modelo pré-treinado
  • Quantização, destilação e o efeito no custo de inferência
  • Quando não treinar: API pronta, modelo pequeno local ou regra

• Transformers · 16h

  • Token, embedding e atenção, com um laboratório curto de atenção
  • Encoder, decoder e o que cada família de modelos usa
  • Janela de contexto e o custo de ampliá-la
  • O que quebra quando o documento não cabe no contexto

A IA responde com dados da sua empresa, e você prova cada resposta. Você chama modelos em código com prompts versionados e saídas estruturadas, e constrói um RAG com citação verificável e métrica de grounding. Menos alucinação, mais confiança para colocar no cliente.

• LLMs, Prompt e Multimodal · 16h

  • Chamada de API: schema da saída, temperatura, retry e tratamento de falha
  • Prompt versionado e teste de regressão da resposta
  • Roteamento: modelo pequeno local versus modelo grande via API, com TCO medido
  • Pipeline multimodal mínimo: entra um documento ou imagem, sai uma saída estruturada

• Data Engineering e RAG para Agentes · 24h

  • Ingestão, limpeza e chunking, com o efeito de cada escolha na busca
  • Embeddings e busca em base vetorial
  • RAG completo: retrieval, rerank e geração com citação
  • Avaliação: recall, fidelidade e teste de resposta sem lastro no corpus
  • Falha proposital: documento fora da base, em que o agente precisa dizer que não sabe

Agentes que trabalham sozinhos, com você no controle. Você constrói o loop do agente em código próprio, sem framework, e implanta um sistema multiagente com fila, rollback e um ensaio de low-code. Entenda cada peça antes de confiar em qualquer plataforma.

• Arquitetura de Agentes Autônomos · 16h

  • Loop de raciocínio, ferramenta e parada, implementado em código próprio
  • Memória de curto prazo e memória de caso
  • Plan-and-execute versus loop livre, e o caso em que o loop não termina
  • Contrato da ferramenta: entrada, saída, efeito colateral e idempotência

• Orquestração Multi-Agente · 24h

  • Padrões supervisor, handoff e paralelo, desenhados antes do código do framework
  • Implementação do mesmo sistema em LangGraph
  • Estado, fila, retry e o efeito colateral que não pode rodar duas vezes
  • Deploy com health check e rollback da versão do grafo
  • Ensaio curto de low-code no mesmo processo, para marcar o ponto em que a ferramenta não sustenta concorrência nem estado

Prove que o agente funciona, proteja e entregue em produção. Você mede taxa de sucesso, trace e custo, fecha a brecha da injeção indireta e entrega a ficha do agente. O capstone é o sistema no ar, com telemetria e um plano para reavaliar fornecedor e custo quando a oferta mudar.

• AgentOps · 24h

  • Dataset de referência e taxa de sucesso por tarefa
  • Trace da execução e replay do caso que falhou
  • Custo por tarefa e latência, com meta definida antes de otimizar
  • Teste de regressão do agente sempre que o prompt ou o grafo mudam

• Segurança de Sistemas Agênticos · 16h

  • Prompt injection direta e indireta, com documento envenenado entrando pelo RAG
  • Ferramenta com privilégio mínimo e credencial de curta duração
  • Aprovação humana (gate) para ações irreversíveis
  • Teste adversarial versionado junto com o agente

• Governança e Compliance · 8h

  • Ficha do agente: o que faz, que dados acessa, que ferramentas chama e quem responde por ele
  • Registro de risco alinhado a um marco regulatório real (EU AI Act ou NIST AI RMF)
  • O que precisa constar no trace para que a ação seja auditável

• Plataformas Enterprise e Portabilidade · 8h

  • O mesmo caso em Bedrock, Azure AI Foundry ou Copilot Studio: o que a plataforma oferece e o que ela esconde
  • Identidade, limites de extensão e o ponto em que o trace deixa de ser do time
  • Estimativa do custo de migrar o grafo para fora da plataforma

• Capstone: Sistema Multiagente em Produção · 16h

  • Um processo, vários agentes, LangGraph e deploy
  • Trace, custo por tarefa e SLO declarados antes da banca
  • Reexecução do teste de segurança da disciplina 10 na versão final
  • Ficha do agente e registro de risco anexados ao repositório
  • Critério de banca: reprovação se faltar deploy, trace ou o número de custo

• What's Next · 8h

  • O que reavaliar todo ano: fornecedor, custo por tarefa e o que passou a vir embutido no software que a empresa já paga
  • Trabalho: quais tarefas do próprio papel o aluno passa a delegar, revisar ou recusar
  • Pauta de board: as três perguntas que continuam válidas quando a ferramenta mudar
  • Plano individual de 90 dias: um processo, um número, uma decisão

• Workshop de encerramento · 4h

  • Fechamento da turma, dentro das 232 horas.