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. O curso 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.
Referências Básicas:
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, J.; TAYLOR, M. Prompt Engineering for Generative AI: Principles and Practice. Sebastopol, CA: O’Reilly Media, 2024.
3. HUNTER, N. The Art of Prompt Engineering with ChatGPT: Accessible Edition. Independently published, 2024.
Referências Complementares:
1. WOLFE, C. R. Tree of Thought Prompting: What It Is and How to Use It. [s.l:s.n] (ebook) 2024.
2. Koch D., Kohne A., Brechbühler N. Prompt Engineering in the Enterprise – An Introduction: Competitive Advantages through Generative AI and Large Language Models, Heidelberg, GE: Springer, 2025
3. BALANI, N. Prompt Engineering: Unlocking Generative AI. Independently published, 2023.
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 a 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.
Referências Básicas:
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.
Referências Complementares:
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.. Practical Artificial Intelligence: Democratizing AI for Business Users. Hoboken, NJ: Wiley, 2023.
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 através de plataformas zero código. Abordam-se os princípios de modelos fundacionais, aprendizado auto-supervisionado e o ciclo de vida de agentes cognitivos. O curso também introduz o ecossistema de ferramentas contemporâneas de agentes, destacando suas aplicações em diferentes setores.
Referências Básicas:
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.
Referências Complementares:
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. O curso apresenta os modelos e frameworks populares, 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).
Referências Básicas:
1. NEXON, H. Multimodal AI in Practice: Build Intelligent Agents That See, Hear, and Understand Using GPT-4o, CLIP, Whisper, and LangChain (Multimodal Intelligence Systems). Seattle, WA: Amazon Digital Services LLC – Kdp, 2025.
2. WISTON, T. Vector Database for AI Agents: Powering Autonomous AI Agents with High-Performance Similarity Search and Memory. Independently published. 2024.
3. SMARTWELL, A. AI Agents Unleashed: Automate Everything, Save Hours Daily, and Scale Your Business Without Writing a Single Line of Code. Independently published. 2024.
Referências Complementares:
1. BUSTOS, J. P.; LOPEZ S. L. Generative AI Application Integration Patterns: Integrate Large Language Models into Your Applications. Berlin, GE: De Gruyter, 2024.
2. NEXON, H. Building Multimodal Copilots: Integrating Audio, Visual, and Textual AI Tools
3. Ready to transform AI agents into truly intelligent, collaborative partners?. Independently Published, 2025.
4. WINSTON, T. Generative AI on AWS: Architecting, deploying, and managing multimodal foundation models. Sebastopol, CA: O’Reilly Media, 2024.
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.
Referências Básicas:
1. KLEPPMANN, M. Designing Data-Intensive Applications. Sebastopol, CA: O’Reilly Media, 2017.
2. SHUKLA R.K. (Editor), AGRAWAL J. (Editor), SHARMA S. (Editor), TOMER G. S. DATA, ENGINEERING AND APPLICATIONS: volume 1. Singapore, Springer Verlag, 2019.
3. MATTER, U. Big Data Analytics. Boca Raton, FL: CRC Press, 2023.
Referências Complementares:
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. BLOKDYK G. Data Warehouse Database A Complete Guide. 2020 Edition. https://books.google.com.br/books/about/Data_Warehouse_Database_A_Complete_Guide.html?id=sBZc0AEACAAJ&redir_esc=y
3. 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 (bancos de dados, APIs e documentos corporativos). São exploradas arquiteturas práticas que permitem o uso dessas técnicas em plataformas zero código, viabilizando a criação de agentes capazes de raciocinar sobre conhecimento corporativo, histórico de conversas e dados multimodais. Também são discutidos tópicos de desempenho, custo computacional, atualização dinâmica da memória e segurança de dados.
Referências Básicas:
1. KIMOTHI A. A Simple Guide to Retrieval Augmented Generation. New York, NY: Simon and Schuster, 2025.
2. JOSYULA P.; SINGH, K. Mastering Retrieval-Augmented Generation: Building next-gen GenAI
apps with LangChain, LlamaIndex, and LLMs. Delhi, India: BPB Publications, 2025.
3. ISACHENKO T.; BHUIYAN, S. Generative AI with local LLM. Independently published. 2024.
Referências Complementares:
1. VEMULA A.. From Concept to Creation: Retrieval-Augmented Generation (RAG). Independently published, 2024.
2. DUNAGAN M. RAG for Text Generation. [s.l.; s.n.] Independently Published, 2024.
3. 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. O curso aborda os princípios de integração entre APIs, agentes e ferramentas visuais. São discutidos padrões de automação, estratégias de controle e monitoramento de fluxos, e práticas de governança, rastreabilidade e segurança. A disciplina enfatiza a implementação prática 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.
Referências Básicas:
1. VICTOR, V. Mastering n8n in Practice: The Complete Guide to Automating Workflows with n8n, APIs, and AI Tools — Featuring 20 Real-World Projects (Mastering n8n Automation Book 1). Independently Published, 2025.
2. GOSS, K. Automate It with Zapier and Generative AI: Harness the power of no-code workflow automation and AI with Zapier to increase business productivity. Birmingham: Packt Publishing Ltd, 2023.
3. BELNER J., Automating with Make.com - Building Efficient Workflows in 2025 (AI Automation Agents). Independently published. 2025.
Referências Complementares:
1. ADAMS, A. Artificial Intelligence: Mastering Automation with AI in 2025. New York, NY: Code Academy, 2025.
2. MUTSAGONDO, S. Artificial Intelligence in Records and Information Management. Hershey, PA: IGI Global, 2025.
3. WEST, D. M. Future of Work: robots, ai, and automation. Washington, DC: Brookings Inst, 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 os 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.
Referências Básicas:
1. JOHNSON, R. Introduction to Explainable AI (XAI). Hyderabad, India: HiTeX Press, 2024.
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, GE: Springer, 2022.
Referências Complementares:
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 Ltd, 2023.
3. CHEN T. T. Explainable Artificial Intelligence (XAI) in Manufacturing. Heidelberg, GE: Springer, 2023.
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.
Referências Básicas:
1. FAIRFORD, L. Mastering Multi-Agent Systems: Unlocking the Secrets to Intelligent, Scalable Solutions: A Guide to Building Real-World Applications Using Python, Reinforcement Learning, and Distributed Computing. Independently Published, 2025.
2. SEGER, R. Federated Learning and Multi-Agent Systems with MCP: A Practical Guide. Independently published. 2025.
3. RAYNOR, J. The AI Agent Era. Sudbury, MA: eBookIt.com, 2025.
Referências Complementares:
1. KOLOBOV N. A Concise Introduction to Multiagent Systems and Distributed Artificial Intelligence. Heidelberg, GE: Springer, 2007.
2. CALVARESI, D. et al. Explainable and Transparent AI and Multi-Agent Systems. Heidelberg, GE: 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.
Referências Básicas:
1. PRABHU TL. AI-POWERED STARTUPS - From Idea to Reality. Maharashtra, India: NestFame Creations Pvt Ltd., 2025.
2. OLSEN, D. The lean product playbook : How to innovate with minimum viable products and rapid customer feedback. Hoboken, N.J.: John Wiley & Sons, Inc, 2015.
3. KO N. E.; DEMIRTAS, M.; GEZMEN, B. Digital and Cultural Influences on Media Narratives and Storytelling. Hershey, PA: IGI Global, 2025.
Referências Complementares:
1. MURRU E. Hands-On Low-Code Application Development with Salesforce. Birmingham: Packt Publishing Ltd, 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. WILSON, B. AI Agents Made Easy: Build Your Digital Workforce with No-Code Tools, Independently published. 2025.
![Marco Aurelio Cavalcanti Pacheco](javascript:preencher_modal('<img src="\\imagens\\pessoa\\0000\\00000695.jpg" class="img-docente" loading="lazy" /><br>', 'Marco Aurelio Cavalcanti Pacheco', '<p class="MsoNormal">Marco Aurélio Cavalcanti Pacheco é Engenheiro Eletrônico e
Mestre em Engenharia Elétrica pela PUC-Rio e PhD em Computer Science pelo University
College of London (1991). Desde 1977, é professor da Pontifícia Universidade
Católica do Rio de Janeiro e, desde 1992, é diretor do Laboratório de
Inteligência Computacional Aplicada, ICA. <o:p></o:p></p>
<p class="MsoNormal">Suas áreas de interesse de pesquisa incluem: Inteligência Artificial,
Métodos de Apoio à Decisão e Nanotecnologia. Propôs a Área de Concentração em
Nanotecnologia, criada em 2007 no Programa de Pós-Graduação do Departamento de
Engenharia Elétrica da PUC-Rio e, junto com pesquisadores do CTC da PUC-Rio,
liderou a criação do primeiro programa de Engenharia em Nanotecnologia da
América Latina. Em 2007, criou a
primeira pós-graduação lato sensu em Inteligência Artificial no Brasil,
Business Intelligence Master.<o:p></o:p></p>
<p class="MsoNormal">Suas áreas de interesse de pesquisa incluem: Inteligência
Artificial e Nanotecnologia. Já orientou 60 dissertações de Mestrado e 29 teses
de Doutorado, coordenou mais de 50 projetos de P&D nas áreas de óleo e gás
e energia elétrica e publicou 61 artigos em periódicos internacionais e mais de
300 artigos em conferências. Já ganhou cinco Prêmios Petrobras de Tecnologia e
um Prêmio Santander Universidades - Ciência e Inovação<o:p></o:p></p>', '');){kind=link}
![Evelyn Conceição Santos Batista](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0047\\00471524.jpg" class="img-docente" loading="lazy" /><br>', 'Evelyn Conceição Santos Batista', 'Possui graduação em Engenharia Elétrica pela Universidade do Estado do Rio de Janeiro e doutorado concluído em Engenharia Elétrica (Processamento de Sinais, Automação e Robótica) pela Pontifícia Universidade Católica do Rio de Janeiro. Possui mais de 10 anos de experiência em projetos de PD. Atualmente é especialista em Deep Learning e Reinforcement Learning. Tem experiência em desenvolvimento de sistemas de software, utilizando as liguagens C#, Java, Python e as ferramentas MATLAB, Visual Studio, Eclipse e Excel.');){kind=link}
![Leonardo Alfredo Forero Mendonza](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0040\\00408721.jpg" class="img-docente" loading="lazy" /><br>', 'Leonardo Alfredo Forero Mendonza', 'Possui graduação em engenharia eletrônica - Universidade Pontifícia Bolivariana (2002), mestrado em engenharia de telecomunicações pela Universidade Federal Fluminense (2009) e Doutorado em Engenharia Elétrica pela Pontifícia Universidade Católica do Rio de Janeiro (2013). Atualmente é pesquisador vinculado da Pontifícia Universidade Católica do Rio e professor do BI-Master da PUC-Rio. Tem experiência na área de inteligência artificial, atuando principalmente nos seguintes temas: NLP, neural network, glottal, pathology e recognition voice. Possui 10 anos de experiência como supervisor gerente e coordenador em projetos P&D.');){kind=link}
![Manoela Rabello Kohler](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0044\\00442113.jpg" class="img-docente" loading="lazy" /><br>', 'Manoela Rabello Kohler', 'Profissional com mais de 10 anos de experiência como pesquisadora, desenvolvedora e coordenadora de equipes em projetos de Pesquisa e Desenvolvimento. Especialista em métodos de apoio à decisão. Possui graduação em Engenharia de Computação pela Pontifícia Universidade Católica do Rio de Janeiro (2011), Mestrado em Engenharia Elétrica (linha de pesquisa: Métodos de Apoio à Decisão) na Pontifícia Universidade Católica do Rio de Janeiro (2013) e Doutorado em Engenharia Elétrica (linha de pesquisa: Métodos de Apoio à Decisão) na Pontifícia Universidade Católica do Rio de Janeiro (2017). Atualmente é pesquisadora sênior no Laboratório de Inteligência Computacional Aplicada e professora da PUC-Rio, ministrando aulas no curso de pós-graduação BI-Master (MBA) e cursos de extensão em Inteligência Artificial.');){kind=link}
![Vitor Bento de Sousa](javascript:preencher_modal2('<img src="\\imagens\\pessoa\\0049\\00493422.jpg" class="img-docente" loading="lazy" /><br>', 'Vitor Bento de Sousa', '<p><span style="color: rgb(102, 102, 102); font-family: Tahoma, Geneva, sans-serif; font-size: 13px; text-align: justify; text-indent: 20px;">Possui graduação em Engenharia Elétrica pela Universidade Federal Fluminense (2017). Mestrado pela PUC-RIO em engenharia elétrica. Doutor pela PUC-RIO (DEE CAPES 7) Realiza pesqusas na área de Deep Learning. Pesquisas Voltadas para visão computacional. Professor Auxiliar de Visão Computacional e Deep Learning. Experiência em Coordenação de Projetos.</span><br></p>');){kind=link}