Disciplinas
ENGENHARIA DE PROMPTS E RACIOCÍNIO EM CADEIA
Módulo:
1
Carga Horária:
39
A disciplina aborda os princípios, técnicas e estratégias da prompt engineering,
com foco na formulação de instruções eficazes para modelos de linguagem e
agentes inteligentes. São estudados diferentes padrões de prompts, métodos de
raciocínio estruturado (chain-of-thought e tree-of-thought), estratégias de
decomposição de tarefas e controle de comportamento de modelos generativos.
A disciplina introduz também conceitos de raciocínio simbólico, contextualização,
memória de conversas e integração de ferramentas externas. Por meio de
atividades práticas em ambientes zero código, os alunos aprendem a projetar
fluxos complexos de interação entre agentes, construindo prompts dinâmicos,
condicionais e orientados a objetivos.
Bibliografia
principal:
1. BERRYMAN, J.; ZIEGLER, A. Prompt engineering for LLMs: the art and
science of building large language model-based applications. Sebastopol, CA:
O’Reilly Media, 2024.
2. PHOENIX, James; TAYLOR, Mike. Prompt engineering for generative AI:
future-proof inputs for reliable AI outputs at scale. Sebastopol: O’Reilly Media,
2024. E-book.
3. SRINIVASAN, Vasundra. Data engineering for multimodal AI: architecting
scalable systems for next-generation AI applications. 1. ed. Sebastopol: O’Reilly
Media, 2026. E-book. ISBN 978-1-0981-9078-1.
Bibliografia
complementar:
1. YAO, Shunyu; YU, Dian; ZHAO, Jeffrey; SHAFRAN, Izhak; GRIFFITHS,
Thomas L.; CAO, Yuan; NARASIMHAN, Karthik. Tree of thoughts: deliberate
problem solving with large language models. Advances in Neural Information
Processing Systems, v. 36, p. 11809–11822, 2023. DOI: 10.52202/075280-0517.
2. KOCH, D.; KOHNE, A.; BRECHBÜHLER, N. Prompt engineering in the
enterprise: an introduction: competitive advantages through generative AI and
large language models. Wiesbaden: Springer Vieweg, 2025.
FUNDAMENTOS DE INTELIGÊNCIA ARTIFICIAL E APRENDIZADO DE MÁQUINA
Módulo:
1
Carga Horária:
39
A disciplina introduz os princípios fundamentais da Inteligência Artificial (IA) e do
Aprendizado de Máquina (ML), abordando suas origens, paradigmas e
aplicações contemporâneas. São apresentados os principais tipos de
aprendizado, os componentes de um pipeline de dados e as etapas de
treinamento, validação e avaliação de modelos. A disciplina enfatiza a
compreensão conceitual dos algoritmos clássicos de classificação, regressão e
agrupamento, bem como sua aplicação em problemas reais com dados
estruturados e semiestruturados. Abordam-se também fundamentos de
representação do conhecimento, tomada de decisão automatizada, métricas de
desempenho e noções introdutórias de explainable AI
Bibliografia principal:
1. ZAKI, M. J.; MEIRA JR., W. Data mining and machine learning: fundamental
concepts and algorithms. 2. ed. Cambridge: Cambridge University Press, 2020.
2. WITTEN, I. H.; FRANK, E.; HALL, M. A. Data mining: practical machine
learning tools and techniques. 3. ed. Burlington, MA: Elsevier/Morgan Kaufmann,
2011.
3. RUSSELL, S.; NORVIG, P. Inteligência artificial: uma abordagem moderna. 4.
ed. Rio de Janeiro: Elsevier, 2022
Bibliografia
complementar:
1. HAN, J.; KAMBER, M.; PEI, J. Data mining: concepts and techniques. 3. ed.
Burlington, MA: Morgan Kaufmann, 2011.
2. GÉRON, A. Mãos à obra: aprendizado de máquina com Scikit-Learn, Keras e
TensorFlow. 3. ed. Rio de Janeiro: Alta Books, 2023.
3. MARR, B. Generative AI in practice. Hoboken, NJ: Wiley, 2024.
FUNDAMENTOS DE INTELIGÊNCIA ARTIFICIAL GENERATIVA E AGENTES DE IA E ZERO CÓDIGO
Módulo:
1
Carga Horária:
39
A disciplina apresenta os fundamentos conceituais, arquiteturais e práticos da
Inteligência Artificial Generativa e dos agentes inteligentes baseados em Large
Language Models (LLMs), com foco na criação de soluções acessíveis por meio
de plataformas zero código. Abordam-se os princípios de modelos fundacionais,
aprendizado autossupervisionado e o ciclo de vida de agentes cognitivos. A
disciplina também introduz o ecossistema de ferramentas contemporâneas de
agentes, destacando suas aplicações em diferentes setores.
Bibliografia
principal:
1. GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep learning. Cambridge,
MA: MIT Press, 2016.
2. TAULLI, T. Generative AI: how ChatGPT and other AI tools will revolutionize
business. Berkeley, CA: Apress, 2023.
3. LANHAM, M. AI agents in action. Shelter Island, NY: Manning Publications,
2024.
Bibliografia
complementar:
1. ALBADA, M. Building applications with AI agents. Sebastopol, CA: O’Reilly
Media, 2025.
2. PENNEFATHER, P. P. Creative prototyping with generative AI. Berkeley, CA:
Apress, 2023.
3. BISWAS, A.; TALUKDAR, W. Building agentic AI systems: create intelligent,
autonomous AI agents that can reason, plan and adapt. Birmingham: Packt
Publishing, 2025.
AGENTES MULTIMODAIS E INTEGRAÇÃO COM FERRAMENTAS
Módulo:
2
Carga Horária:
39
A disciplina aborda os fundamentos e aplicações dos agentes multimodais,
capazes de processar, compreender e gerar informações em diferentes
formatos, como texto, imagem, áudio, vídeo e dados estruturados. São
estudadas as arquiteturas e frameworks que permitem a integração entre
modalidades, bem como as estratégias para conectar agentes inteligentes a
ferramentas externas, APIs, bancos de dados e sistemas corporativos. A
disciplina apresenta modelos e frameworks como CLIP, BLIP, Flamingo,
Perceiver IO e ImageBind, além das plataformas que viabilizam a integração
prática, como LangChain, Hugging Face Agents, Make, Zapier e n8n.
Bibliografia
principal:
1. KUMAR, L. Ashok; RENUKA, D. Karthika; BANERJEE, Tanvi; DEISY, C. (org.).
Multimodal artificial intelligence and large language models: a comprehensive
guide from theory to practice. 1. ed. Boca Raton: CRC Press, 2026. 382 p. DOI:
10.1201/9781003678359.
2. GOLLNICK, Bert. Generative AI with Python: the developer’s guide to
pretrained LLMs, vector databases, retrieval-augmented generation, and agentic
systems. Boston: Rheinwerk Computing, 2025. 392 p. ISBN: 978-1-4932-2690-
0.
3. KOENIGSTEIN, Nicole. AI agents: the definitive guide: design, deployment,
and evaluation for production. 1. ed. Sebastopol: O’Reilly Media, 2026. E-book.
ISBN 979-8-3416-6691-7.
Bibliografia
complementar:
1. BUSTOS, J. P.; LOPEZ SORIA, L. Generative AI application integration
patterns: integrate large language models into your applications. Birmingham:
Packt, 2024.
2. FREGLY, C.; BARTH, A.; EIGENBRODE, S. Generative AI on AWS:
architecting, deploying, and managing multimodal foundation models.
Sebastopol: O’Reilly Media, 2023.
BIG DATA E ENGENHARIA DE DADOS INTELIGENTE
Módulo:
2
Carga Horária:
39
A disciplina apresenta os fundamentos, arquiteturas e práticas da engenharia de
dados e Big Data, com foco em processamento, integração e disponibilização de
dados em larga escala para aplicações de Inteligência Artificial e automação
inteligente. São abordados os princípios de pipelines de dados, ETL/ELT, data
lakes, data warehouses e arquiteturas modernas, bem como estratégias de
qualidade, governança e segurança de dados. Também são discutidos aspectos
de engenharia de features, streaming, dados em tempo real e integração com
modelos de machine learning.
Bibliografia
principal:
1. KLEPPMANN, M. Designing data-intensive applications. Sebastopol, CA:
O’Reilly Media, 2017.
2. SHUKLA, R. K.; AGRAWAL, J.; SHARMA, S.; TOMER, G. S. (ed.). Data,
engineering and applications. v. 1. Singapore: Springer, 2019.
3. MATTER, U. Big data analytics. Boca Raton, FL: CRC Press, 2023.
Bibliografia
complementar:
1. DESHPANDE, A.; KUMAR, M. Artificial intelligence for big data: complete
guide to automating big data solutions using artificial intelligence techniques.
Birmingham: Packt Publishing, 2018.
2. JONES, P. Streamlining ETL: a practical guide to building pipelines with Python
and SQL. Cleveland, OH: Walzone Press, 2025.
MEMÓRIA, ESTADO INTERNO E RAG 2.0
Módulo:
2
Carga Horária:
39
A disciplina aborda os princípios de memória e estado interno em agentes
inteligentes, explorando como modelos baseados em LLM podem manter
contexto, histórico e coerência ao longo de interações. São discutidas as
principais abordagens de memória, bem como as estratégias de
armazenamento, recuperação e atualização de informações contextuais. A
disciplina introduz o conceito de RAG 2.0 (Retrieval-Augmented Generation),
com foco em pipelines modernos que combinam busca semântica, embeddings,
bancos vetoriais e integração com fontes externas, incluindo bancos de dados,
APIs e documentos corporativos. São exploradas arquiteturas práticas para
plataformas zero código e tópicos de desempenho, custo computacional,
atualização dinâmica da memória e segurança de dados.
Bibliografia
principal:
1. KIMOTHI, A. A simple guide to retrieval augmented generation. Shelter Island:
Manning, 2025.
2. JOSYULA, P.; SINGH, K. Mastering retrieval-augmented generation: building
next-gen GenAI apps with LangChain, LlamaIndex, and LLMs. Delhi: BPB
Publications, 2025.
3. GOLLNICK, Bert. Generative AI with Python: the developer’s guide to
pretrained LLMs, vector databases, retrieval-augmented generation, and agentic
systems. 1. ed. Boston: Rheinwerk Computing, 2025. 392 p. E-book. ISBN 978-
1-4932-2691-7.
Bibliografia
complementar:
1. HERCZEG, Jeroen. Retrieval-augmented generation: an engineer's guide to
building RAG systems with your own data. [S. l.]: Leanpub, 2026. E-book.
2. SAHOTA, H. Practical retrieval augmented generation. Hoboken, NJ: Wiley,
2025.
AUTOMAÇÃO E ORQUESTRAÇÃO ZERO CODE (VIBE CODING)
Módulo:
3
Carga Horária:
39
A disciplina apresenta os fundamentos e práticas de automação inteligente e
orquestração de fluxos de trabalho utilizando plataformas zero código. São
exploradas arquiteturas de integração entre sistemas corporativos, agentes
inteligentes e serviços externos, possibilitando a construção de pipelines
automatizados sem necessidade de programação tradicional. A disciplina aborda
princípios de integração entre APIs, agentes e ferramentas visuais, padrões de
automação, estratégias de controle e monitoramento de fluxos e práticas de
governança, rastreabilidade e segurança. A ênfase está na implementação de
soluções reais de automação com IA generativa, como copilotos de processos,
chatbots corporativos, fluxos de atendimento, análise de dados e integração de
agentes autônomos em pipelines de decisão.
Bibliografia
principal:
1. DANELCZYK, Damian; WOJTAROWICZ, Krystian. Build with n8n: the AI
automation handbook for building AI workflows and agents. 1. ed. Birmingham:
Packt Publishing, 2026. E-book. ISBN 978-1-80778-240-5.
2. GOSS, K. Automate it with Zapier and generative AI: harness the power of nocode workflow automation and AI with Zapier to increase business productivity.
Birmingham: Packt Publishing, 2023.
3. ADAMS, A. Artificial intelligence: mastering automation with AI in 2025. New
York, NY: Code Academy, 2025.
Bibliografia
complementar:
1. MUTSAGONDO, S. Artificial intelligence in records and information
management. Hershey, PA: IGI Global, 2025.
2. WEST, D. M. Future of work: robots, AI, and automation. Washington, DC:
Brookings Institution, 2018.
EXPLAINABLE AI, ÉTICA, SEGURANÇA E GOVERNANÇA
Módulo:
3
Carga Horária:
39
A disciplina aborda os princípios, técnicas e práticas de transparência,
explicabilidade, ética e governança em sistemas de Inteligência Artificial, com
foco na segurança, confiabilidade e conformidade ética e regulatória de soluções
baseadas em LLMs e agentes inteligentes. São discutidos conceitos
fundamentais de Explainable AI (XAI), incluindo modelos interpretáveis, métodos
de explicação pós-hoc, rastreabilidade de decisões e mitigação de vieses, bem
como aspectos éticos e filosóficos da tomada de decisão automatizada. A
disciplina também explora diretrizes nacionais e internacionais de governança de
IA, frameworks de avaliação de risco e controle de uso responsável.
Bibliografia
principal:
1. ROTHMAN, Denis. Hands-on explainable AI (XAI) with Python: interpret,
visualize, explain, and integrate reliable AI for fair, secure, and trustworthy AI
apps. 1. ed. Birmingham: Packt Publishing, 2020. E-book. ISBN 978-1-80020-
276-4.
2. AL-TURJMAN, F. et al. XAI based intelligent systems for Society 5.0.
Burlington, MA: Elsevier, 2023.
3. AHMED, M. et al. Explainable artificial intelligence for cyber security: next
generation artificial intelligence. Heidelberg: Springer, 2022
Bibliografia
complementar:
1. KOSE, U. et al. Explainable artificial intelligence (XAI) in healthcare. Boca
Raton, FL: CRC Press, 2024.
2. SIMON, C.; BARR, J. Deep learning and XAI techniques for anomaly detection.
Birmingham: Packt Publishing, 2023.
3. CHEN, T. T. Explainable artificial intelligence (XAI) in manufacturing.
Heidelberg: Springer, 2023.
4. NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST). NIST
AI Risk Management Framework Playbook. Gaithersburg, MD: NIST, 2023.
Disponível em: https://www.nist.gov/itl/ai-risk-management-framework/nist-airmf-playbook. Acesso em: 7 out. 2026.
5. MOLNAR, Christoph. Interpretable machine learning: a guide for making black
box models explainable. 2. ed. Munich: Christoph Molnar, 2022. 317 p. ISBN
9798411463330.
MONOGRAFIA
Módulo:
3
Carga Horária:
0
Trabalho de conclusão de curso.
MULTIAGENTES E COORDENAÇÃO INTELIGENTE
Módulo:
3
Carga Horária:
39
A disciplina apresenta os fundamentos teóricos e práticos dos sistemas
multiagentes, com foco em arquiteturas, mecanismos de coordenação e
aplicações em ambientes distribuídos e colaborativos. São explorados conceitos
de autonomia, percepção, comunicação, planejamento e negociação entre
agentes, bem como estratégias de coordenação baseadas em mercado,
votação, grafos e aprendizado. A disciplina enfatiza a aplicação prática dos
princípios de agentes cognitivos em frameworks contemporâneos e demonstra
como integrar múltiplos agentes em fluxos corporativos por meio de ferramentas
zero código. Também são abordados aspectos de desempenho, escalabilidade
e orquestração inteligente de agentes em contextos reais.
Bibliografia
principal:
1. ROTHMAN, Denis. Context engineering for multi-agent systems: move beyond
prompting to build a Context Engine, a transparent architecture of context and
reasoning. 1. ed. Birmingham: Packt Publishing, 2025. E-book. ISBN 978-1-
80669-004-6.
2. WOOLDRIDGE, Michael. An introduction to multiagent systems. 2. ed.
Chichester: John Wiley & Sons, 2009.
3. RAYNOR, J. The AI agent era. Sudbury, MA: eBookIt.com, 2025.
Bibliografia
complementar:
1. VLASSIS, N. A concise introduction to multiagent systems and distributed
artificial intelligence. San Rafael: Morgan & Claypool, 2007.
2. CALVARESI, D. et al. Explainable and transparent AI and multi-agent systems.
Heidelberg: Springer, 2021.
3. YADAV, S. P.; SONG, H. H. Advancements in multi-agent large language
model systems for next-generation AI. Hershey, PA: IGI Global, 2025.
PROJETO FINAL INTEGRADOR
Módulo:
3
Carga Horária:
9
A disciplina tem como objetivo orientar o aluno na concepção, planejamento e
apresentação do Projeto Final Integrador, consolidando os conhecimentos
adquiridos ao longo do curso. Nessa etapa, o foco está na definição do problema,
na formulação da proposta de solução baseada em IA generativa e agentes
inteligentes e na estruturação do MVP (Minimum Viable Product) a ser
desenvolvido e apresentado.
Bibliografia
principal:
1. PRABHU, T. L. AI-powered startups: from idea to reality. Maharashtra:
NestFame Creations Pvt. Ltd., 2025.
2. OLSEN, D. The lean product playbook: how to innovate with minimum viable
products and rapid customer feedback. Hoboken, NJ: John Wiley & Sons, 2015.
3. KUMAR, L. Ashok; RENUKA, D. Karthika; BANERJEE, Tanvi; DEISY, C. (org.).
Multimodal artificial intelligence and large language models: a comprehensive
guide from theory to practice. 1. ed. Boca Raton: CRC Press, 2026. 382 p. DOI:
10.1201/9781003678359.
Bibliografia
complementar:
1. MURRU, E. Hands-on low-code application development with Salesforce.
Birmingham: Packt Publishing, 2020.
2. DAVIDSON, D. AI no code required: build smart apps, automate workflows,
and bring ideas to life without lifting a finger: a hands-free guide to creating smart
tools with zero programming experience. Lincoln, NE: Pure Water Books, 2025.
3. GROOTENDORST, Maarten; ALAMMAR, Jay. An illustrated guide to AI
agents: concepts and code for building agents with LLMs, tools, and memory. 1.
ed. Sebastopol: O’Reilly Media, 2026. E-book.