Códigos e referências usados na Pós de Engenharia de Software com IA Aplicada
TypeScript
1,185
83 commits
updated Sep 16, 2026
README
Engenharia de Software com IA Aplicada
Abaixo são as referências e links complementares às aulas, dividido por módulos e submodulos:
Modulo 01 - Fundamentos de IA e LLMs para Programadores
1.1 - Módulo - Introdução
Jogo do pacman:
Wear Presentations:
- https://vimeo.com/177959241
- https://codelabs.developers.google.com/magicwand#0
- https://www.kaggle.com/models/google/mobilenet-v1/
- https://www.datacamp.com/tutorial/machine-deep-learning
- https://www.datacamp.com/tutorial/machine-deep-learning
1.1.1 Teachable Machine - Treinando um modelo a partir de um dataset
- https://teachablemachine.withgoogle.com/
- https://kaggle.com/
- https://www.kaggle.com/competitions/titanic
- https://www.kaggle.com/competitions/titanic/data
- https://microsoft.github.io/hack-workshop-lobe/
- https://medium.com/@raphael.semeteys/a-guide-to-node-js-notebooks-461344cf4feb
- https://lobe-ai-website-clone.vercel.app/
- https://www.kaggle.com/datasets/gpiosenka/70-dog-breedsimage-data-set
1.2 - Módulo - Machine Learning, Deep Learning e IA - a base de tudo
- https://www.notablecap.com/blog/the-anatomy-of-a-neural-network
- https://research.google/blog/sensorlm-learning-the-language-of-wearable-sensors/
- https://www.notablecap.com/blog/the-anatomy-of-a-neural-network
- https://research.google/blog/sensorlm-learning-the-language-of-wearable-sensors/
1.3 - Módulo - Deep Learning - Sistemas de Recomendação na prática
1.3.1
Projeto em exemplo00
- https://poloclub.github.io/cnn-explainer/
- https://poloclub.github.io/ganlab/
- https://github.com/jessevig/bertviz?tab=readme-ov-file
- https://teachablemachine.withgoogle.com/
- https://netron.app/
- https://www.tensorflow.org/tensorboard
- https://ai.google.dev/edge/litert/web
- https://ai.google.dev/edge/litert/conversion/tensorflow/build/ondevice_training
Simulated Spotify Listening Experiences for Reinforcement Learning with TensorFlow and TF-Agents
1.3.2 Como Construir um Sistema de Recomendação Inteligente com Redes Neurais no Navegador
Projeto em exemplo-01-ecommerce-recomendations-z
- https://github.com/recommenders-team/recommenders
- https://www.databricks.com/blog/guide-to-building-online-recommendation-system
1.4 - Módulo - Web Machine Learning - Como Vencer Qualquer Jogo
Projeto em exemplo-02-vencendo-qualquer-jogo
- https://github.com/ErickWendel/DuckHunt-JS/tree/ml-self-play-template
- https://github.com/ErickWendel/DuckHunt-JS/tree/ml-self-play
- https://www.linkedin.com/in/hugozanini/
- https://blog.tensorflow.org/2022/05/real-time-sku-detection-in-browser.html
- https://medium.com/data-science/training-a-custom-yolov7-in-pytorch-and-running-it-directly-in-the-browser-with-tensorflow-js-96a5ecd7a530
- https://docs.ultralytics.com/datasets/detect/coco/#coco-pretrained-models
- https://github.com/ultralytics/yolov5
- https://docs.ultralytics.com/integrations/tfjs/
- https://github.com/MattSurabian/DuckHunt-JS?tab=readme-ov-file
- https://pixijs.com/
- https://caniuse.com/?search=using
- https://dev.to/zacharylee/explicit-resource-management-in-js-the-using-keyword-d9f
5 - Módulo - Inteligência artificial na Web
5.1 - Algoritmos Genéticos
- https://rednuht.org/genetic_cars_2/
- https://youtu.be/P7XHzqZjXQs?si=ZhcSK9Ism2zhe4fX&t=1453
- https://youtu.be/r8KWciNmEGw?si=Qq_fquK5P1lh9AGN&t=862
- https://github.com/prouhard/tfjs-mountaincar
- https://medium.com/@pierrerouhard/reinforcement-learning-in-the-browser-an-introduction-to-tensorflow-js-9a02b143c099
- https://storage.googleapis.com/tfjs-examples/cart-pole/dist/index.html
- https://github.com/tensorflow/tfjs-examples/tree/master/cart-pole
- https://github.com/jinglescode/reinforcement-learning-tic-tac-toe?tab=readme-ov-file
- https://medium.com/data-science/reinforcement-learning-implement-tictactoe-189582bea542
- https://github.com/rfeinman/tictactoe-reinforcement-learning
- https://www.freecodecamp.org/news/how-to-build-an-adaptive-tic-tac-toe-ai-with-reinforcement-learning-in-javascript/
- https://github.com/MJeremy2017/reinforcement-learning-implementation/tree/master
- https://github.com/mayur9210/tic-tac-toe-ai/tree/main
- https://rednuht.org/genetic_cars_2/
- https://medium.com/codesphere-cloud/teaching-cars-to-drive-with-neuroevolution-tensorflow-and-500-lines-of-javascript-57888956322e
- https://github.com/jonatan5524/SnakeAI?tab=readme-ov-file
- https://www.youtube.com/watch?v=cdUNkwXx-I4
5.2 - Como funcionam LLMs: transformers, embeddings, attention
- https://www.youtube.com/watch?v=ynNDmp7hBdo&list=PLqFwRPueWb5cUZEMIFlDuODaOYeSTp31V
- https://youtu.be/qFoFKLI3O8w?si=ZtMgIcbu0WtW0-7T
- https://www.emailvendorselection.com/chatgpt-statistics/
- https://technext24.com/2023/08/14/chatgpt-costs-700000-daily-openai/
- https://www.reuters.com/commentary/breakingviews/openai-takes-its-cut-expanding-ai-boom-2025-10-06/
- https://www.youtube.com/watch?v=NKnZYvZA7w4
5.3 - Web AI - Como funciona inteligência artificial na Web com Web AI
Projeto em exemplo-03-webai01
Projeto em exemplo-04-webai02-temperature-and-topK
- https://x.com/jason_mayes?lang=en
- https://youtu.be/IC256KyITLw?si=XhuOSVmBEZ6LOjVw&t=62
- https://huggingface.co/webml-community
- https://huggingface.co/spaces/webml-community/kokoro-web
- https://huggingface.co/spaces/webml-community/deepseek-r1-webgpu
- https://developer.chrome.com/docs/ai/built-in?hl=pt-br
- https://developer.chrome.com/docs/ai/built-in-apis
- https://chrome.dev/web-ai-demos/
- https://googlechromeai2025.devpost.com/
- https://googlechromeai2025.devpost.com/project-gallery
- https://x.com/nic_o_martin
- https://github.com/nico-martin?tab=repositories
- https://github.com/nico-martin/ask-my-pdf
- https://github.com/nico-martin/benz-gpt
- https://github.com/nbonamy/witsy
- https://ai.google.dev/gemini-api/docs/prompting-strategies
5.4 - Web AI - AI multimodal direto em navegadores
Projeto em exemplo-05-webai03-multimodal/
- https://github.com/webmachinelearning/webmcp/blob/main/README.md
- https://www.youtube.com/watch?v=ka2Zzw_qors&list=PLqFwRPueWb5dAcgxDGg7egpIhGRpcgiLN
- https://github.com/ErickWendel/Trimly
6 - Módulo - Prompt Engineering na prática
6.1 - Como escrever prompts que realmente geram boas respostas
- https://youtu.be/ysPbXH0LpIE
- https://platform.openai.com/tokenizer
- https://platform.openai.com/docs/guides/prompt-engineering
- https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
- https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-4-best-practices
- https://docs.lovable.dev/prompting/prompting-debugging
6.2 - Padrão TOON e JSON para prompts
- https://github.com/toon-format/toon?tab=readme-ov-file
- https://mpgone.com/json-prompt-guide/
- https://apidog.com/pt/blog/json-format-prompts-pt/
- https://medium.com/data-science-in-your-pocket/toon-bye-bye-json-for-llms-91e4fe521b14
- https://github.com/toon-format/toon
- https://toontools.vercel.app/playground
- https://www.linkedin.com/posts/webai_toon-json-mcp-activity-7395932385500069888-vgRC?utm_source=share&utm_medium=member_desktop&rcm=ACoAABS1ckYBm0_ZMP8TT2e4opa3bFMxTRxyJ3w
- https://www.linkedin.com/posts/pawel-huryn_how-to-format-data-in-prompts-for-llms-and-activity-7397245245299761152-VGHQ
7 - Módulo - Ferramentas de IA para acelerar sua vida como Dev
7.1 - História e visão geral do Cursor, Comparando VSCode, Windsurf e Cursor
- https://www.latent.space/p/cursor
- https://news.crunchbase.com/venture/cursor-financing-ai-coding-automation/
- https://news.crunchbase.com/venture/cursor-financing-ai-coding-automation/
- https://sacra.com/c/cursor/
- https://techcrunch.com/2024/08/29/github-copilot-competitor-codeium-raises-150m-at-a-1-25b-valuation/
- https://www.reuters.com/business/openai-agrees-buy-windsurf-about-3-billion-bloomberg-news-reports-2025-05-06/
- https://github.com/features/copilot/plans
- https://code.visualstudio.com/docs/copilot/customization/custom-agents
- https://fortune.com/2025/07/23/ai-coding-tool-replit-wiped-database-called-it-a-catastrophic-failure/
7.2 - O que são agentes de IA e como eles tomam decisões em etapas
- https://developer.microsoft.com/blog/spec-driven-development-spec-kit
- https://www.marcohaber.dev/blog/git-worktrees
8 - Módulo - MCPs e automação para devs
8.1 - O que são MCPs (Model Context Protocol) e como conectam IA com APIs/serviço
Projeto em erickwendel-contributions-mcp/
- https://www.anthropic.com/
- https://www.anthropic.com/news/model-context-protocol
- https://modelcontextprotocol.io/
- https://cookbook.openai.com/examples/reasoning_function_calls
- https://github.com/resend/mcp-send-email/tree/main
- https://erickwendel.com.br/
- https://tml-api.herokuapp.com/graphiql
8.2 - Usando IA para Gerar testes automatizados
Projeto em exemplo-06-playwright-testes/
- https://github.com/microsoft/playwright-mcp
- https://playwright.dev/docs/test-agents#agent-definitions
- https://www.linkedin.com/feed/update/urn:li:activity:7381279589840433152/
8.3 - Usando IA para navegação
Projeto em exemplo-07-playwright-navegacao/
8.4 - Usando IA para consultar documentações atualizadas
Projeto em exemplo-08-context7/
- https://github.com/upstash/context7#installation
- https://github.com/ChromeDevTools/chrome-devtools-mcp
- https://context7.com/
- https://github.com/upstash/context7
- https://context7.com/websites/nodejs_api
- https://nextjs.org/
- https://www.better-auth.com/
8.5 - Usando IA para colher dados de telemetria de apps
Projeto em exemplo-09-grafana-mcp/
9 - Módulo - Modelos open-source vs. proprietários
9.1 - Vantagens e desvantagens de modelos abertos e fechados (e sem censura)
- https://github.com/torch2424/wasmboy?tab=readme-ov-file#wasmboy
- https://github.com/eugeneyan/open-llms
- https://ollama.com/library/gpt-oss
- https://ollama.com/library/llama3.1
- https://ollama.com/library/gemma3
- https://ollama.com/search?q=uncensored
- https://openai.com/open-models/
- https://fortune.com/2023/07/18/meta-llama-2-ai-open-source-700-million-mau/
9.2 - Como rodar modelos localmente com Ollama
Projeto em exemplo-10-ollama/
- https://ollama.com/search
- https://docs.vllm.ai/en/latest/
- https://ollama.com/library/gpt-oss
- https://openai.com/index/introducing-gpt-oss/
- https://huggingface.co/mlc-ai/Llama-3-8B-Instruct-q4f32_1-MLC
- https://llm.mlc.ai/docs/get_started/introduction.html
- https://cdn.openai.com/pdf/419b6906-9da6-406c-a19d-1bb078ac7637/oai_gpt-oss_model_card.pdf
- https://ollama.com/blog/vision-models
- https://docs.ollama.com/integrations/vscode
- https://www.jan.ai/docs/desktop/llama-cpp-server
9.3 - Como usar OpenRouter para orquestrar vários modelos (e parar de empilhar “licenças”)
Projeto em exemplo-11-openrouter/
- https://openrouter.ai/
- https://openrouter.ai/models?max_price=0
- https://github.com/marketplace?type=models
10 - Módulo - RAG, embeddings e busca semântica
10.1 - O que é RAG (Retrieval-Augmented Generation) e por que ele é tão importante
10.2 - Embeddings e Vector Databases na prática
Projeto em exemplo-12-embeddings-neo4j/
- https://neo4j.com/
- https://docs.langchain.com/oss/javascript/integrations/text_embedding/transformers
10.3 - Criando o primeiro RAG com JavaScript e Neo4j
Projeto em exemplo-13-embeddings-neo4j-rag/
Modulo 04 - Criação de Agentes Autônomos
Material da regravação do módulo (pasta
-novo). O material da versão anterior permanece em modulo04-agentes-autonomos/.
Dois projetos construídos do zero ao longo do módulo — a Notas API (Unidade 1, operando o GitHub Copilot com método: instructions, spec-driven development, guardrails) e o OpsPilot (Unidades 2–9, um copiloto de plantão/incident commander com LangChain/LangGraph sobre OpenRouter, que evolui unidade a unidade até virar produto publicado com modo multiagente).
Cada pasta é um snapshot completo do projeto ao final da unidade, com um UNIDADE.md explicando o que é novo e os desvios em relação ao roteiro. Mapa completo em modulo04-criacao-de-agentes-autonomos-novo/.
4.1 - Arquitetura de Agentes de Código (GitHub Copilot)
Projeto em 01-arquitetura-de-agentes-de-codigo/
4.2 - Padrões de Raciocínio e Execução (ReAct, Plan-and-Execute, Reflection)
Projeto em 02-padroes-de-raciocinio-e-execucao/
4.3 - Function Calling e Tool Use (SQLite, tool externa, MCP)
Projeto em 03-function-calling-e-tool-use/
4.4 - Memória e Reflexão em Agentes Autônomos (histórico, embeddings, refletor)
Projeto em 04-memoria-e-reflexao-em-agentes-autonomos/
4.5 - Gerenciamento de Contextos (tokens, sumarização, ContextBuilder)
Projeto em 05-gerenciamento-de-contextos/
4.6 - LangGraph e Workflows Complexos (grafo de produção, roteador, fallback)
Projeto em 06-langgraph-e-workflows-complexos/
4.7 - Observabilidade e Limites de Autonomia (trace persistido, /stats, aprovação humana)
Projeto em 07-observabilidade-e-limites-de-autonomia/
4.8 - Projeto Prático: o OpsPilot de ponta a ponta, publicado (war room web, Actions, Pages)
Projeto em 08-projeto-pratico-opspilot-publicado/
4.9 - Multi-Agent Systems (supervisor, papéis, blackboard)
Projeto em 09-multi-agent-systems/
Modulo 05 - Ferramentas de IA para UI e UX
Engines de IA & Prototipação Conversacional
- Google AI Studio — Laboratório analítico para engenharia de contexto, parametrização determinística de temperatura e manipulação de instruções de sistema.
- Google Stitch — Agente de design conversacional focado em geração de estruturas semânticas limpas para web desktop.
- Google Jules — Agente autônomo na nuvem integrado ao ciclo de vida Git para geração de features e barramento de dados full-stack.
IDEs e Protocolos de Contexto
- Antigravity Workspace — IDE focada em inteligência nativa e suporte centralizado ao Model Context Protocol.
Design Systems e Artefatos Visuais
- Figma — Handoff de especificações técnicas de alta fidelidade (Auto-layout, flexbox, paddings e gaps) através da extração via Dev Mode.
- Mermaid Live Editor — Renderização e versionamento de diagramas dinâmicos baseados em código Markdown corporativo.
Frameworks & Ferramentas de Linha de Comando (CLI)
- Firebase Genkit — Framework de IA de código aberto do Google para integração, orquestração e tipagem estrita de LLMs no back-end.
- Nx Dev Tools — Sistema de compilação inteligente e monorepo focado na governança de projetos enterprise de grande escala.
- OpenSpec — Motor de contratos utilizado para a imposição do padrão BDD e orquestração de microsserviços e testes concorrentes em worktrees.
Modulo 06 - AI-Ops e Engenharia Agêntica (Nexus)
Projeto completo em modulo06-aiops-engenharia-agentica — trilha Nexus AI-Ops com 12 laboratórios práticos que evoluem de IA consultiva até um ecossistema de agentes autônomos que operam infraestrutura real sob governança.
Laboratórios (Projetos)
- Módulo 1 — Fundamentos de IA para DevOps — IA consultiva aplicada a operações.
- Módulo 2 — IaC Copilot & Security Governance — geração assistida de Terraform HCL com auditoria de conformidade.
- Módulo 3 — Kubernetes AI-Ops — manifestos blindados, reconciliação declarativa e análise de deploy Canary.
- Módulo 4 — Troubleshooting com ReAct — investigação de incidentes (CrashLoop/OOMKilled) com Prometheus e Jaeger.
- Módulo 5 — AIOps Preditivo — linguagem natural para PromQL e previsão de saturação via regressão.
- Módulo 6 — ChatOps e Governança — operação via chat com Human-in-the-loop.
- Módulo 7 — DevSecOps + AI — auditoria de scans Trivy e priorização de CVEs.
- Módulo 8 — CI/CD Copilot — otimização de workflows do GitHub Actions com cache.
- Módulo 9 — FinOps e Otimização — caça a recursos "zumbis" na nuvem e cálculo de ROI.
- Módulo 10 — RAG de Runbooks — auto-remediação baseada em documentos corporativos.
- Módulo 11 — Guardrails e Governança — pipeline autônomo com aprovação dry-run em linha.
- Módulo 12 — Projeto Final (Orquestração Hierárquica) — incidente multidomínio coordenado pelo Nexus Manager.
Frameworks & Motores de IA
- CrewAI — orquestração de agentes autônomos em formato hierárquico.
- Groq — inferência de baixa latência dos modelos Llama 3.x (motor central do projeto).
- Ollama — execução local de modelos open-source.
- Streamlit — painéis visuais interativos (CLI e dashboard AI-Ops).
Observabilidade & AIOps
- Prometheus — coleta de métricas e linguagem de consulta PromQL.
- Jaeger — distributed tracing para análise de causa raiz.
- Grafana — dashboards e visualização de alertas preditivos.
Segurança & Governança
- Trivy — scanner de vulnerabilidades de imagens (ex.: backdoor CVE-2024-3094 no pacote XZ).
- Open Policy Agent (OPA) — validação de políticas de conformidade (HCL Sandbox).
Infraestrutura & Plataforma
- Kubernetes — orquestração de contêineres e GitOps.
- Terraform — Infraestrutura como Código (HCL) declarativa.
- LocalStack — emulação local de serviços AWS (S3 Bucket Explorer).
- GitHub Actions — pipelines de CI/CD.
Modulo 07 - Ferramentas de IA para Gestão de Projetos
Disciplina completa em modulo07-ferramentas-de-ia-para-gestao-de-projetos — pipeline de gestão assistida por IA construído sobre um caso único, o RouteWise (gestão de frota com 140 veículos), da transcrição de uma reunião de discovery até um portfólio com OKRs validados. Cada módulo entrega um prompt reutilizável, dados de exemplo e atividade prática.
As 10 ferramentas da disciplina
- Módulo 1 — Requirements Copilot — transcrição de reunião → backlog estruturado com User Stories, Gherkin e nível de confiança.
- Módulo 2 — Backlog Scorer — priorização defensável com RICE e WSJF.
- Módulo 3 — Scheduling Prompt — cronograma com dependências e simulações what-if.
- Módulo 4 — Probability Forecast — PERT + Monte Carlo (P50/P85/P95), com scripts JS e Python executáveis.
- Módulo 5 — Risk Monitor — detecção de anomalias de fluxo antes da Sprint Review.
- Módulo 6 — Meeting Digest — reunião → ata, ações com responsável e cards prontos para o Jira.
- Módulo 7 — Status Report — o mesmo dado bruto em três relatórios para três audiências.
- Módulo 8 — Compliance Checklist + Danger — governança como código no pipeline de CI/CD (Danger.js e Python).
- Módulo 9 — NL to Workflow — Slack → Jira com parser de linguagem natural (Make.com sem código ou Node.js).
- Módulo 10 — OKR Aligner — validação de OKRs, alinhamento de backlog e scorecard de portfólio.
Leituras Recomendadas
- RICE Prioritization Framework — Sean McBride, Intercom. Origem do framework usado no módulo 2.
- WSJF — Weighted Shortest Job First — Donald Reinertsen / Scaled Agile Framework (SAFe). Base do Custo do Atraso usado no módulo 2.
- MoSCoW Prioritisation — Dai Clegg, DSDM / Agile Business Consortium (1994). Filtro pré-scoring usado no módulo 2.
- PERT — Program Evaluation and Review Technique — desenvolvido pela Marinha americana no programa Polaris (1958). Base do módulo 4.
- Planning Fallacy — Kahneman & Tversky (1979). Viés cognitivo que justifica a estimativa de três pontos no módulo 4.
- IBM Cost of a Data Breach Report 2025 — dado citado no módulo 8 sobre o ROI de DevSecOps maduro.
Ferramentas & Plataformas
- Google AI Studio — engine de todas as demos (system prompts + temperatura calibrada por tarefa).
- Jira Cloud — board Scrum do caso RouteWise (import CSV incluído no módulo 1).
- Make.com — automação sem código Slack → Jira (blueprint importável no módulo 9).
- Danger.js — regras de conformidade automatizadas em Pull Requests.
- Slack API — bots, webhooks e notificações de projeto.
Modulo 08 - Arquitetura de Sistemas com IA
Disciplina completa em modulo08-arquitetura-de-sistemas-com-ia — os padrões de arquitetura de referência para sistemas de IA agêntica, construídos sobre um caso único, o TrialForge (Vitalis Pharma, geração de documentos clínicos regulatórios), do diagrama de referência (Gateway → Orquestrador → Modelo+RAG → Approval Gate, com banda de Observabilidade) até um protótipo enterprise com model tiering e trilha de auditoria. Cada módulo entrega um canvas de decisão, protótipos executáveis (JS e Python com paridade funcional) e atividade prática.
Os 5 módulos da disciplina
- Módulo 1 — Fundamentos AI-First — diagrama de referência e framework de decisão agente-vs-regra, com
decision-framework-toolexecutável. - Módulo 2 — Single-Agent — anatomia do agente, loop ReAct, reflexão e ferramentas/MCP, com protótipo rodando contra Ollama local.
- Módulo 3 — Multi-Agent — por que múltiplos agentes, 6 padrões de orquestração (Sequential, Parallel, Supervisor, Hierarchical, Group Chat, Handoff) e tratamento de falha distribuída (CAP + Saga).
- Módulo 4 — Padrões AI-Específicos — RAG avançado, roteamento de modelo, cache semântico e Approval Gate formalizado num gateway único.
- Módulo 5 — Arquitetura Enterprise — stack completo, observabilidade em escala, implantação híbrida e model tiering em cascata com trilha de auditoria.
Leituras Recomendadas
- ReAct: Synergizing Reasoning and Acting in Language Models — Yao et al., ICLR 2023. Fundamenta o loop Pensamento-Ação-Observação usado no módulo 2.
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — Lewis et al. (Meta AI), NeurIPS 2020. Paper seminal do RAG, base do módulo 4.
- CAP Theorem — Eric Brewer (2000), demonstrado formalmente por Gilbert & Lynch (2002). Base dos trade-offs de consistência e disponibilidade discutidos no módulo 3.
- Model Context Protocol — Anthropic, novembro de 2024. Padrão aberto de ferramentas apresentado no módulo 2.
- Agent2Agent Protocol (A2A) — Google, abril de 2025, doado à Linux Foundation em junho de 2025. Protocolo de comunicação entre agentes citado no módulo 3.
- Why AI Projects Fail and How They Can Succeed — RAND Corporation, 2025. Dado usado para embasar a taxa real de fracasso de projetos de IA que abre a disciplina.
Ferramentas & Plataformas
- Ollama — engine local padrão de todos os protótipos (
gemma4:e2b), gratuito e sem chave de API. - Claude (Anthropic), Gemini (Google), GPT (OpenAI) — alternativas pagas de referência nos protótipos (
provedores-pagos.js/.py).
Modulo 09 - Processamento de Dados e Fine-Tuning de Modelos
Disciplina completa em modulo09-processamento-de-dados-e-fine-tuning-de-modelos — o ciclo completo de fine-tuning construído sobre um caso único, a Amplitude Seguros (seguradora fictícia, linhas Auto e Saúde Empresarial), da decisão de "vale a pena fazer fine-tuning?" (framework de 4 perguntas + AHP + NPV) até um modelo customizado real, treinado, avaliado e documentado. Cada módulo entrega ferramentas executáveis (JS e Python com paridade funcional), dados de referência e atividade prática.
Os módulos da disciplina
- Módulo 1 — Decision Framework — framework de 4 perguntas, AHP, NPV, cheatsheet dos tipos de fine-tuning, Bestiário do Zoo das técnicas.
- Módulo 2 — Preparação de Datasets — extração OCR, schema JSONL, deduplicação (MinHash+LSH), balanceamento, comparativo OCR vs. LLM multimodal.
- Módulo 3 — Fine-Tuning via API — upload, hiperparâmetros, automação, versionamento (Vertex AI).
- Módulo 4 — LoRA e PEFT — LoRA, DoRA, QLoRA e full fine-tuning local (MLX/Apple Silicon), comparação de rank e custo-benefício, alternativas Colab/CUDA pra quem não tem Mac.
- Módulo 5 — Avaliação de Modelos — harness de avaliação contra modelo genérico e por domínio conjunto/separado, teste de estresse a variação de formato/estrutura, avaliação local (MLX/Colab), NPV real vs. projetado e veredito de escala.
- Módulo 6 — Projeto Final — protótipo funcional (JS + Python) integrando o modelo customizado num fluxo de uso real, dataset de produção escalado (200 → 3.000 exemplos), reavaliação contra o mesmo harness do Módulo 5, e documento de decisões de arquitetura fechando o ciclo completo do case.
Leituras Recomendadas
- LoRA: Low-Rank Adaptation of Large Language Models — Hu et al. (Microsoft), 2021. Fundamenta a técnica central do Módulo 4.
- QLoRA: Efficient Finetuning of Quantized LLMs — Dettmers et al., NeurIPS 2023. Um dos seis tipos de fine-tuning do cheatsheet do Módulo 1.
- Deduplicating Training Data Makes Language Models Better — Lee et al. (Google Research). Fundamenta a deduplicação MinHash+LSH do Módulo 2.
- The Analytic Hierarchy Process — Saaty, T.L., McGraw-Hill, 1980. Base do framework de decisão ponderada do Módulo 1.
- Lista completa com mais de 50 referências (papers, casos de mercado, documentação oficial) na "Indicações de leitura" da disciplina.
Ferramentas & Plataformas
- Vertex AI / Gemini Enterprise Agent Platform — provedor gerenciado de fine-tuning usado do Módulo 3 em diante.
- Microsoft Presidio — referência de detecção/anonimização de PII usada no gate de higienização do Módulo 2.
- Tesseract OCR — motor de OCR usado no pipeline de extração de documento do Módulo 2.
Resolvendo Problemas Comuns
Skills de Suporte
Windowsfy
Skill focada em adaptar os exercícios para Windows nativo de forma personalizada por aluno.
Instalação:
npx -y skills add https://github.com/unipds-engenharia-de-ia-aplicada/engenharia-de-software-com-ia-aplicada --skill windowsfy
Uso:
/windowsfy ./
/windowsfy modulo01-fundamentos-de-ia-e-llms-para-programadores/exemplo-00-template
<Cole a mensagem de erro>
/windowsfy <caminho do exemplo>
ai
javascript
langchain-js
typescript
Contributors
Similar repos
Languages
TypeScript
37.6%
JavaScript
17.9%
Jupyter Notebook
16.4%
Python
10.8%
Shell
9.4%
HTML
4.4%
PowerShell
2.5%
Códigos e referências usados na Pós de Engenharia de Software com IA Aplicada
TypeScript
1,185
83 commits
updated Sep 16, 2026
README
Engenharia de Software com IA Aplicada
Abaixo são as referências e links complementares às aulas, dividido por módulos e submodulos:
Modulo 01 - Fundamentos de IA e LLMs para Programadores
1.1 - Módulo - Introdução
Jogo do pacman:
Wear Presentations:
- https://vimeo.com/177959241
- https://codelabs.developers.google.com/magicwand#0
- https://www.kaggle.com/models/google/mobilenet-v1/
- https://www.datacamp.com/tutorial/machine-deep-learning
- https://www.datacamp.com/tutorial/machine-deep-learning
1.1.1 Teachable Machine - Treinando um modelo a partir de um dataset
- https://teachablemachine.withgoogle.com/
- https://kaggle.com/
- https://www.kaggle.com/competitions/titanic
- https://www.kaggle.com/competitions/titanic/data
- https://microsoft.github.io/hack-workshop-lobe/
- https://medium.com/@raphael.semeteys/a-guide-to-node-js-notebooks-461344cf4feb
- https://lobe-ai-website-clone.vercel.app/
- https://www.kaggle.com/datasets/gpiosenka/70-dog-breedsimage-data-set
1.2 - Módulo - Machine Learning, Deep Learning e IA - a base de tudo
- https://www.notablecap.com/blog/the-anatomy-of-a-neural-network
- https://research.google/blog/sensorlm-learning-the-language-of-wearable-sensors/
- https://www.notablecap.com/blog/the-anatomy-of-a-neural-network
- https://research.google/blog/sensorlm-learning-the-language-of-wearable-sensors/
1.3 - Módulo - Deep Learning - Sistemas de Recomendação na prática
1.3.1
Projeto em exemplo00
- https://poloclub.github.io/cnn-explainer/
- https://poloclub.github.io/ganlab/
- https://github.com/jessevig/bertviz?tab=readme-ov-file
- https://teachablemachine.withgoogle.com/
- https://netron.app/
- https://www.tensorflow.org/tensorboard
- https://ai.google.dev/edge/litert/web
- https://ai.google.dev/edge/litert/conversion/tensorflow/build/ondevice_training
Simulated Spotify Listening Experiences for Reinforcement Learning with TensorFlow and TF-Agents
1.3.2 Como Construir um Sistema de Recomendação Inteligente com Redes Neurais no Navegador
Projeto em exemplo-01-ecommerce-recomendations-z
- https://github.com/recommenders-team/recommenders
- https://www.databricks.com/blog/guide-to-building-online-recommendation-system
1.4 - Módulo - Web Machine Learning - Como Vencer Qualquer Jogo
Projeto em exemplo-02-vencendo-qualquer-jogo
- https://github.com/ErickWendel/DuckHunt-JS/tree/ml-self-play-template
- https://github.com/ErickWendel/DuckHunt-JS/tree/ml-self-play
- https://www.linkedin.com/in/hugozanini/
- https://blog.tensorflow.org/2022/05/real-time-sku-detection-in-browser.html
- https://medium.com/data-science/training-a-custom-yolov7-in-pytorch-and-running-it-directly-in-the-browser-with-tensorflow-js-96a5ecd7a530
- https://docs.ultralytics.com/datasets/detect/coco/#coco-pretrained-models
- https://github.com/ultralytics/yolov5
- https://docs.ultralytics.com/integrations/tfjs/
- https://github.com/MattSurabian/DuckHunt-JS?tab=readme-ov-file
- https://pixijs.com/
- https://caniuse.com/?search=using
- https://dev.to/zacharylee/explicit-resource-management-in-js-the-using-keyword-d9f
5 - Módulo - Inteligência artificial na Web
5.1 - Algoritmos Genéticos
- https://rednuht.org/genetic_cars_2/
- https://youtu.be/P7XHzqZjXQs?si=ZhcSK9Ism2zhe4fX&t=1453
- https://youtu.be/r8KWciNmEGw?si=Qq_fquK5P1lh9AGN&t=862
- https://github.com/prouhard/tfjs-mountaincar
- https://medium.com/@pierrerouhard/reinforcement-learning-in-the-browser-an-introduction-to-tensorflow-js-9a02b143c099
- https://storage.googleapis.com/tfjs-examples/cart-pole/dist/index.html
- https://github.com/tensorflow/tfjs-examples/tree/master/cart-pole
- https://github.com/jinglescode/reinforcement-learning-tic-tac-toe?tab=readme-ov-file
- https://medium.com/data-science/reinforcement-learning-implement-tictactoe-189582bea542
- https://github.com/rfeinman/tictactoe-reinforcement-learning
- https://www.freecodecamp.org/news/how-to-build-an-adaptive-tic-tac-toe-ai-with-reinforcement-learning-in-javascript/
- https://github.com/MJeremy2017/reinforcement-learning-implementation/tree/master
- https://github.com/mayur9210/tic-tac-toe-ai/tree/main
- https://rednuht.org/genetic_cars_2/
- https://medium.com/codesphere-cloud/teaching-cars-to-drive-with-neuroevolution-tensorflow-and-500-lines-of-javascript-57888956322e
- https://github.com/jonatan5524/SnakeAI?tab=readme-ov-file
- https://www.youtube.com/watch?v=cdUNkwXx-I4
5.2 - Como funcionam LLMs: transformers, embeddings, attention
- https://www.youtube.com/watch?v=ynNDmp7hBdo&list=PLqFwRPueWb5cUZEMIFlDuODaOYeSTp31V
- https://youtu.be/qFoFKLI3O8w?si=ZtMgIcbu0WtW0-7T
- https://www.emailvendorselection.com/chatgpt-statistics/
- https://technext24.com/2023/08/14/chatgpt-costs-700000-daily-openai/
- https://www.reuters.com/commentary/breakingviews/openai-takes-its-cut-expanding-ai-boom-2025-10-06/
- https://www.youtube.com/watch?v=NKnZYvZA7w4
5.3 - Web AI - Como funciona inteligência artificial na Web com Web AI
Projeto em exemplo-03-webai01
Projeto em exemplo-04-webai02-temperature-and-topK
- https://x.com/jason_mayes?lang=en
- https://youtu.be/IC256KyITLw?si=XhuOSVmBEZ6LOjVw&t=62
- https://huggingface.co/webml-community
- https://huggingface.co/spaces/webml-community/kokoro-web
- https://huggingface.co/spaces/webml-community/deepseek-r1-webgpu
- https://developer.chrome.com/docs/ai/built-in?hl=pt-br
- https://developer.chrome.com/docs/ai/built-in-apis
- https://chrome.dev/web-ai-demos/
- https://googlechromeai2025.devpost.com/
- https://googlechromeai2025.devpost.com/project-gallery
- https://x.com/nic_o_martin
- https://github.com/nico-martin?tab=repositories
- https://github.com/nico-martin/ask-my-pdf
- https://github.com/nico-martin/benz-gpt
- https://github.com/nbonamy/witsy
- https://ai.google.dev/gemini-api/docs/prompting-strategies
5.4 - Web AI - AI multimodal direto em navegadores
Projeto em exemplo-05-webai03-multimodal/
- https://github.com/webmachinelearning/webmcp/blob/main/README.md
- https://www.youtube.com/watch?v=ka2Zzw_qors&list=PLqFwRPueWb5dAcgxDGg7egpIhGRpcgiLN
- https://github.com/ErickWendel/Trimly
6 - Módulo - Prompt Engineering na prática
6.1 - Como escrever prompts que realmente geram boas respostas
- https://youtu.be/ysPbXH0LpIE
- https://platform.openai.com/tokenizer
- https://platform.openai.com/docs/guides/prompt-engineering
- https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
- https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-4-best-practices
- https://docs.lovable.dev/prompting/prompting-debugging
6.2 - Padrão TOON e JSON para prompts
- https://github.com/toon-format/toon?tab=readme-ov-file
- https://mpgone.com/json-prompt-guide/
- https://apidog.com/pt/blog/json-format-prompts-pt/
- https://medium.com/data-science-in-your-pocket/toon-bye-bye-json-for-llms-91e4fe521b14
- https://github.com/toon-format/toon
- https://toontools.vercel.app/playground
- https://www.linkedin.com/posts/webai_toon-json-mcp-activity-7395932385500069888-vgRC?utm_source=share&utm_medium=member_desktop&rcm=ACoAABS1ckYBm0_ZMP8TT2e4opa3bFMxTRxyJ3w
- https://www.linkedin.com/posts/pawel-huryn_how-to-format-data-in-prompts-for-llms-and-activity-7397245245299761152-VGHQ
7 - Módulo - Ferramentas de IA para acelerar sua vida como Dev
7.1 - História e visão geral do Cursor, Comparando VSCode, Windsurf e Cursor
- https://www.latent.space/p/cursor
- https://news.crunchbase.com/venture/cursor-financing-ai-coding-automation/
- https://news.crunchbase.com/venture/cursor-financing-ai-coding-automation/
- https://sacra.com/c/cursor/
- https://techcrunch.com/2024/08/29/github-copilot-competitor-codeium-raises-150m-at-a-1-25b-valuation/
- https://www.reuters.com/business/openai-agrees-buy-windsurf-about-3-billion-bloomberg-news-reports-2025-05-06/
- https://github.com/features/copilot/plans
- https://code.visualstudio.com/docs/copilot/customization/custom-agents
- https://fortune.com/2025/07/23/ai-coding-tool-replit-wiped-database-called-it-a-catastrophic-failure/
7.2 - O que são agentes de IA e como eles tomam decisões em etapas
- https://developer.microsoft.com/blog/spec-driven-development-spec-kit
- https://www.marcohaber.dev/blog/git-worktrees
8 - Módulo - MCPs e automação para devs
8.1 - O que são MCPs (Model Context Protocol) e como conectam IA com APIs/serviço
Projeto em erickwendel-contributions-mcp/
- https://www.anthropic.com/
- https://www.anthropic.com/news/model-context-protocol
- https://modelcontextprotocol.io/
- https://cookbook.openai.com/examples/reasoning_function_calls
- https://github.com/resend/mcp-send-email/tree/main
- https://erickwendel.com.br/
- https://tml-api.herokuapp.com/graphiql
8.2 - Usando IA para Gerar testes automatizados
Projeto em exemplo-06-playwright-testes/
- https://github.com/microsoft/playwright-mcp
- https://playwright.dev/docs/test-agents#agent-definitions
- https://www.linkedin.com/feed/update/urn:li:activity:7381279589840433152/
8.3 - Usando IA para navegação
Projeto em exemplo-07-playwright-navegacao/
8.4 - Usando IA para consultar documentações atualizadas
Projeto em exemplo-08-context7/
- https://github.com/upstash/context7#installation
- https://github.com/ChromeDevTools/chrome-devtools-mcp
- https://context7.com/
- https://github.com/upstash/context7
- https://context7.com/websites/nodejs_api
- https://nextjs.org/
- https://www.better-auth.com/
8.5 - Usando IA para colher dados de telemetria de apps
Projeto em exemplo-09-grafana-mcp/
9 - Módulo - Modelos open-source vs. proprietários
9.1 - Vantagens e desvantagens de modelos abertos e fechados (e sem censura)
- https://github.com/torch2424/wasmboy?tab=readme-ov-file#wasmboy
- https://github.com/eugeneyan/open-llms
- https://ollama.com/library/gpt-oss
- https://ollama.com/library/llama3.1
- https://ollama.com/library/gemma3
- https://ollama.com/search?q=uncensored
- https://openai.com/open-models/
- https://fortune.com/2023/07/18/meta-llama-2-ai-open-source-700-million-mau/
9.2 - Como rodar modelos localmente com Ollama
Projeto em exemplo-10-ollama/
- https://ollama.com/search
- https://docs.vllm.ai/en/latest/
- https://ollama.com/library/gpt-oss
- https://openai.com/index/introducing-gpt-oss/
- https://huggingface.co/mlc-ai/Llama-3-8B-Instruct-q4f32_1-MLC
- https://llm.mlc.ai/docs/get_started/introduction.html
- https://cdn.openai.com/pdf/419b6906-9da6-406c-a19d-1bb078ac7637/oai_gpt-oss_model_card.pdf
- https://ollama.com/blog/vision-models
- https://docs.ollama.com/integrations/vscode
- https://www.jan.ai/docs/desktop/llama-cpp-server
9.3 - Como usar OpenRouter para orquestrar vários modelos (e parar de empilhar “licenças”)
Projeto em exemplo-11-openrouter/
- https://openrouter.ai/
- https://openrouter.ai/models?max_price=0
- https://github.com/marketplace?type=models
10 - Módulo - RAG, embeddings e busca semântica
10.1 - O que é RAG (Retrieval-Augmented Generation) e por que ele é tão importante
10.2 - Embeddings e Vector Databases na prática
Projeto em exemplo-12-embeddings-neo4j/
- https://neo4j.com/
- https://docs.langchain.com/oss/javascript/integrations/text_embedding/transformers
10.3 - Criando o primeiro RAG com JavaScript e Neo4j
Projeto em exemplo-13-embeddings-neo4j-rag/
Modulo 04 - Criação de Agentes Autônomos
Material da regravação do módulo (pasta
-novo). O material da versão anterior permanece em modulo04-agentes-autonomos/.
Dois projetos construídos do zero ao longo do módulo — a Notas API (Unidade 1, operando o GitHub Copilot com método: instructions, spec-driven development, guardrails) e o OpsPilot (Unidades 2–9, um copiloto de plantão/incident commander com LangChain/LangGraph sobre OpenRouter, que evolui unidade a unidade até virar produto publicado com modo multiagente).
Cada pasta é um snapshot completo do projeto ao final da unidade, com um UNIDADE.md explicando o que é novo e os desvios em relação ao roteiro. Mapa completo em modulo04-criacao-de-agentes-autonomos-novo/.
4.1 - Arquitetura de Agentes de Código (GitHub Copilot)
Projeto em 01-arquitetura-de-agentes-de-codigo/
4.2 - Padrões de Raciocínio e Execução (ReAct, Plan-and-Execute, Reflection)
Projeto em 02-padroes-de-raciocinio-e-execucao/
4.3 - Function Calling e Tool Use (SQLite, tool externa, MCP)
Projeto em 03-function-calling-e-tool-use/
4.4 - Memória e Reflexão em Agentes Autônomos (histórico, embeddings, refletor)
Projeto em 04-memoria-e-reflexao-em-agentes-autonomos/
4.5 - Gerenciamento de Contextos (tokens, sumarização, ContextBuilder)
Projeto em 05-gerenciamento-de-contextos/
4.6 - LangGraph e Workflows Complexos (grafo de produção, roteador, fallback)
Projeto em 06-langgraph-e-workflows-complexos/
4.7 - Observabilidade e Limites de Autonomia (trace persistido, /stats, aprovação humana)
Projeto em 07-observabilidade-e-limites-de-autonomia/
4.8 - Projeto Prático: o OpsPilot de ponta a ponta, publicado (war room web, Actions, Pages)
Projeto em 08-projeto-pratico-opspilot-publicado/
4.9 - Multi-Agent Systems (supervisor, papéis, blackboard)
Projeto em 09-multi-agent-systems/
Modulo 05 - Ferramentas de IA para UI e UX
Engines de IA & Prototipação Conversacional
- Google AI Studio — Laboratório analítico para engenharia de contexto, parametrização determinística de temperatura e manipulação de instruções de sistema.
- Google Stitch — Agente de design conversacional focado em geração de estruturas semânticas limpas para web desktop.
- Google Jules — Agente autônomo na nuvem integrado ao ciclo de vida Git para geração de features e barramento de dados full-stack.
IDEs e Protocolos de Contexto
- Antigravity Workspace — IDE focada em inteligência nativa e suporte centralizado ao Model Context Protocol.
Design Systems e Artefatos Visuais
- Figma — Handoff de especificações técnicas de alta fidelidade (Auto-layout, flexbox, paddings e gaps) através da extração via Dev Mode.
- Mermaid Live Editor — Renderização e versionamento de diagramas dinâmicos baseados em código Markdown corporativo.
Frameworks & Ferramentas de Linha de Comando (CLI)
- Firebase Genkit — Framework de IA de código aberto do Google para integração, orquestração e tipagem estrita de LLMs no back-end.
- Nx Dev Tools — Sistema de compilação inteligente e monorepo focado na governança de projetos enterprise de grande escala.
- OpenSpec — Motor de contratos utilizado para a imposição do padrão BDD e orquestração de microsserviços e testes concorrentes em worktrees.
Modulo 06 - AI-Ops e Engenharia Agêntica (Nexus)
Projeto completo em modulo06-aiops-engenharia-agentica — trilha Nexus AI-Ops com 12 laboratórios práticos que evoluem de IA consultiva até um ecossistema de agentes autônomos que operam infraestrutura real sob governança.
Laboratórios (Projetos)
- Módulo 1 — Fundamentos de IA para DevOps — IA consultiva aplicada a operações.
- Módulo 2 — IaC Copilot & Security Governance — geração assistida de Terraform HCL com auditoria de conformidade.
- Módulo 3 — Kubernetes AI-Ops — manifestos blindados, reconciliação declarativa e análise de deploy Canary.
- Módulo 4 — Troubleshooting com ReAct — investigação de incidentes (CrashLoop/OOMKilled) com Prometheus e Jaeger.
- Módulo 5 — AIOps Preditivo — linguagem natural para PromQL e previsão de saturação via regressão.
- Módulo 6 — ChatOps e Governança — operação via chat com Human-in-the-loop.
- Módulo 7 — DevSecOps + AI — auditoria de scans Trivy e priorização de CVEs.
- Módulo 8 — CI/CD Copilot — otimização de workflows do GitHub Actions com cache.
- Módulo 9 — FinOps e Otimização — caça a recursos "zumbis" na nuvem e cálculo de ROI.
- Módulo 10 — RAG de Runbooks — auto-remediação baseada em documentos corporativos.
- Módulo 11 — Guardrails e Governança — pipeline autônomo com aprovação dry-run em linha.
- Módulo 12 — Projeto Final (Orquestração Hierárquica) — incidente multidomínio coordenado pelo Nexus Manager.
Frameworks & Motores de IA
- CrewAI — orquestração de agentes autônomos em formato hierárquico.
- Groq — inferência de baixa latência dos modelos Llama 3.x (motor central do projeto).
- Ollama — execução local de modelos open-source.
- Streamlit — painéis visuais interativos (CLI e dashboard AI-Ops).
Observabilidade & AIOps
- Prometheus — coleta de métricas e linguagem de consulta PromQL.
- Jaeger — distributed tracing para análise de causa raiz.
- Grafana — dashboards e visualização de alertas preditivos.
Segurança & Governança
- Trivy — scanner de vulnerabilidades de imagens (ex.: backdoor CVE-2024-3094 no pacote XZ).
- Open Policy Agent (OPA) — validação de políticas de conformidade (HCL Sandbox).
Infraestrutura & Plataforma
- Kubernetes — orquestração de contêineres e GitOps.
- Terraform — Infraestrutura como Código (HCL) declarativa.
- LocalStack — emulação local de serviços AWS (S3 Bucket Explorer).
- GitHub Actions — pipelines de CI/CD.
Modulo 07 - Ferramentas de IA para Gestão de Projetos
Disciplina completa em modulo07-ferramentas-de-ia-para-gestao-de-projetos — pipeline de gestão assistida por IA construído sobre um caso único, o RouteWise (gestão de frota com 140 veículos), da transcrição de uma reunião de discovery até um portfólio com OKRs validados. Cada módulo entrega um prompt reutilizável, dados de exemplo e atividade prática.
As 10 ferramentas da disciplina
- Módulo 1 — Requirements Copilot — transcrição de reunião → backlog estruturado com User Stories, Gherkin e nível de confiança.
- Módulo 2 — Backlog Scorer — priorização defensável com RICE e WSJF.
- Módulo 3 — Scheduling Prompt — cronograma com dependências e simulações what-if.
- Módulo 4 — Probability Forecast — PERT + Monte Carlo (P50/P85/P95), com scripts JS e Python executáveis.
- Módulo 5 — Risk Monitor — detecção de anomalias de fluxo antes da Sprint Review.
- Módulo 6 — Meeting Digest — reunião → ata, ações com responsável e cards prontos para o Jira.
- Módulo 7 — Status Report — o mesmo dado bruto em três relatórios para três audiências.
- Módulo 8 — Compliance Checklist + Danger — governança como código no pipeline de CI/CD (Danger.js e Python).
- Módulo 9 — NL to Workflow — Slack → Jira com parser de linguagem natural (Make.com sem código ou Node.js).
- Módulo 10 — OKR Aligner — validação de OKRs, alinhamento de backlog e scorecard de portfólio.
Leituras Recomendadas
- RICE Prioritization Framework — Sean McBride, Intercom. Origem do framework usado no módulo 2.
- WSJF — Weighted Shortest Job First — Donald Reinertsen / Scaled Agile Framework (SAFe). Base do Custo do Atraso usado no módulo 2.
- MoSCoW Prioritisation — Dai Clegg, DSDM / Agile Business Consortium (1994). Filtro pré-scoring usado no módulo 2.
- PERT — Program Evaluation and Review Technique — desenvolvido pela Marinha americana no programa Polaris (1958). Base do módulo 4.
- Planning Fallacy — Kahneman & Tversky (1979). Viés cognitivo que justifica a estimativa de três pontos no módulo 4.
- IBM Cost of a Data Breach Report 2025 — dado citado no módulo 8 sobre o ROI de DevSecOps maduro.
Ferramentas & Plataformas
- Google AI Studio — engine de todas as demos (system prompts + temperatura calibrada por tarefa).
- Jira Cloud — board Scrum do caso RouteWise (import CSV incluído no módulo 1).
- Make.com — automação sem código Slack → Jira (blueprint importável no módulo 9).
- Danger.js — regras de conformidade automatizadas em Pull Requests.
- Slack API — bots, webhooks e notificações de projeto.
Modulo 08 - Arquitetura de Sistemas com IA
Disciplina completa em modulo08-arquitetura-de-sistemas-com-ia — os padrões de arquitetura de referência para sistemas de IA agêntica, construídos sobre um caso único, o TrialForge (Vitalis Pharma, geração de documentos clínicos regulatórios), do diagrama de referência (Gateway → Orquestrador → Modelo+RAG → Approval Gate, com banda de Observabilidade) até um protótipo enterprise com model tiering e trilha de auditoria. Cada módulo entrega um canvas de decisão, protótipos executáveis (JS e Python com paridade funcional) e atividade prática.
Os 5 módulos da disciplina
- Módulo 1 — Fundamentos AI-First — diagrama de referência e framework de decisão agente-vs-regra, com
decision-framework-toolexecutável. - Módulo 2 — Single-Agent — anatomia do agente, loop ReAct, reflexão e ferramentas/MCP, com protótipo rodando contra Ollama local.
- Módulo 3 — Multi-Agent — por que múltiplos agentes, 6 padrões de orquestração (Sequential, Parallel, Supervisor, Hierarchical, Group Chat, Handoff) e tratamento de falha distribuída (CAP + Saga).
- Módulo 4 — Padrões AI-Específicos — RAG avançado, roteamento de modelo, cache semântico e Approval Gate formalizado num gateway único.
- Módulo 5 — Arquitetura Enterprise — stack completo, observabilidade em escala, implantação híbrida e model tiering em cascata com trilha de auditoria.
Leituras Recomendadas
- ReAct: Synergizing Reasoning and Acting in Language Models — Yao et al., ICLR 2023. Fundamenta o loop Pensamento-Ação-Observação usado no módulo 2.
- Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — Lewis et al. (Meta AI), NeurIPS 2020. Paper seminal do RAG, base do módulo 4.
- CAP Theorem — Eric Brewer (2000), demonstrado formalmente por Gilbert & Lynch (2002). Base dos trade-offs de consistência e disponibilidade discutidos no módulo 3.
- Model Context Protocol — Anthropic, novembro de 2024. Padrão aberto de ferramentas apresentado no módulo 2.
- Agent2Agent Protocol (A2A) — Google, abril de 2025, doado à Linux Foundation em junho de 2025. Protocolo de comunicação entre agentes citado no módulo 3.
- Why AI Projects Fail and How They Can Succeed — RAND Corporation, 2025. Dado usado para embasar a taxa real de fracasso de projetos de IA que abre a disciplina.
Ferramentas & Plataformas
- Ollama — engine local padrão de todos os protótipos (
gemma4:e2b), gratuito e sem chave de API. - Claude (Anthropic), Gemini (Google), GPT (OpenAI) — alternativas pagas de referência nos protótipos (
provedores-pagos.js/.py).
Modulo 09 - Processamento de Dados e Fine-Tuning de Modelos
Disciplina completa em modulo09-processamento-de-dados-e-fine-tuning-de-modelos — o ciclo completo de fine-tuning construído sobre um caso único, a Amplitude Seguros (seguradora fictícia, linhas Auto e Saúde Empresarial), da decisão de "vale a pena fazer fine-tuning?" (framework de 4 perguntas + AHP + NPV) até um modelo customizado real, treinado, avaliado e documentado. Cada módulo entrega ferramentas executáveis (JS e Python com paridade funcional), dados de referência e atividade prática.
Os módulos da disciplina
- Módulo 1 — Decision Framework — framework de 4 perguntas, AHP, NPV, cheatsheet dos tipos de fine-tuning, Bestiário do Zoo das técnicas.
- Módulo 2 — Preparação de Datasets — extração OCR, schema JSONL, deduplicação (MinHash+LSH), balanceamento, comparativo OCR vs. LLM multimodal.
- Módulo 3 — Fine-Tuning via API — upload, hiperparâmetros, automação, versionamento (Vertex AI).
- Módulo 4 — LoRA e PEFT — LoRA, DoRA, QLoRA e full fine-tuning local (MLX/Apple Silicon), comparação de rank e custo-benefício, alternativas Colab/CUDA pra quem não tem Mac.
- Módulo 5 — Avaliação de Modelos — harness de avaliação contra modelo genérico e por domínio conjunto/separado, teste de estresse a variação de formato/estrutura, avaliação local (MLX/Colab), NPV real vs. projetado e veredito de escala.
- Módulo 6 — Projeto Final — protótipo funcional (JS + Python) integrando o modelo customizado num fluxo de uso real, dataset de produção escalado (200 → 3.000 exemplos), reavaliação contra o mesmo harness do Módulo 5, e documento de decisões de arquitetura fechando o ciclo completo do case.
Leituras Recomendadas
- LoRA: Low-Rank Adaptation of Large Language Models — Hu et al. (Microsoft), 2021. Fundamenta a técnica central do Módulo 4.
- QLoRA: Efficient Finetuning of Quantized LLMs — Dettmers et al., NeurIPS 2023. Um dos seis tipos de fine-tuning do cheatsheet do Módulo 1.
- Deduplicating Training Data Makes Language Models Better — Lee et al. (Google Research). Fundamenta a deduplicação MinHash+LSH do Módulo 2.
- The Analytic Hierarchy Process — Saaty, T.L., McGraw-Hill, 1980. Base do framework de decisão ponderada do Módulo 1.
- Lista completa com mais de 50 referências (papers, casos de mercado, documentação oficial) na "Indicações de leitura" da disciplina.
Ferramentas & Plataformas
- Vertex AI / Gemini Enterprise Agent Platform — provedor gerenciado de fine-tuning usado do Módulo 3 em diante.
- Microsoft Presidio — referência de detecção/anonimização de PII usada no gate de higienização do Módulo 2.
- Tesseract OCR — motor de OCR usado no pipeline de extração de documento do Módulo 2.
Resolvendo Problemas Comuns
Skills de Suporte
Windowsfy
Skill focada em adaptar os exercícios para Windows nativo de forma personalizada por aluno.
Instalação:
npx -y skills add https://github.com/unipds-engenharia-de-ia-aplicada/engenharia-de-software-com-ia-aplicada --skill windowsfy
Uso:
/windowsfy ./
/windowsfy modulo01-fundamentos-de-ia-e-llms-para-programadores/exemplo-00-template
<Cole a mensagem de erro>
/windowsfy <caminho do exemplo>
ai
javascript
langchain-js
typescript
Similar repos
Contributors
Languages
TypeScript
37.6%
JavaScript
17.9%
Jupyter Notebook
16.4%
Python
10.8%
Shell
9.4%
HTML
4.4%
PowerShell
2.5%