A certificação AI+ Engineer™ foi desenvolvida para capacitar profissionais a conceber, desenvolver e implementar soluções avançadas de Inteligência Artificial, de forma estruturada, prática e alinhada com as exigências atuais da engenharia de sistemas inteligentes. O foco está na aplicação de técnicas avançadas de IA para construir soluções escaláveis, robustas e orientadas para problemas reais de negócio e tecnologia.
Ao longo do percurso, os participantes exploram os principais domínios da engenharia de IA, incluindo arquitetura de sistemas, redes neuronais, large language models (LLMs), generative AI, processamento de linguagem natural (NLP) e técnicas de transfer learning. São também abordados temas como desenvolvimento de interfaces, pipelines de deployment e comunicação de resultados, permitindo uma visão integrada do ciclo de vida de soluções de IA.
A componente prática assume um papel central, com exercícios hands-on, desenvolvimento de modelos e implementação de soluções, permitindo consolidar competências técnicas e preparar os participantes para aplicar IA em contextos reais e complexos.
Em parceria com a Rumos, Platinum Gold Partner.
Objetivos
- Compreender os fundamentos e a arquitetura de sistemas de Inteligência Artificial;
- Desenvolver e treinar modelos baseados em redes neuronais;
- Aplicar técnicas avançadas como LLMs, generative AI e NLP;
- Utilizar transfer learning para melhorar o desempenho de modelos;
- Desenvolver interfaces e soluções completas baseadas em IA;
- Implementar pipelines de deployment e operacionalização de modelos;
- Comunicar resultados de forma eficaz a stakeholders técnicos e não técnicos;
- Desenvolver soluções de IA escaláveis e aplicáveis a contextos reais.
Destinatários
- Profissionais de IT e engenharia de software que pretendam especializar-se em Inteligência Artificial;
- Machine Learning Engineers e Data Scientists que queiram aprofundar competências em desenvolvimento e deployment de modelos;
- Arquitetos de sistemas interessados em integrar IA em soluções escaláveis;
- Profissionais tecnológicos que pretendam desenvolver soluções avançadas baseadas em IA;
- Profissionais que pretendam evoluir para funções de AI Engineer
Condições
Detalhes do exame
- Duração: 90 minutos;
- Pontuação mínima de aprovação: 70% (35/50);
- Formato: 50 questões de escolha múltipla e múltipla resposta;
- Realização online, através de plataforma com proctoring por IA e agendamento flexível.
Pré-Requisitos
- Conhecimentos de programação, preferencialmente em Python;
- Noções de matemática (álgebra e estatística);
- Compreensão de conceitos básicos de computer science e estruturas de dados;
- Idealmente, frequência prévia de formações como AI+ Data™ ou AI+ Developer™.
Metodologia
A formação decorre em formato e-learning, com aproximadamente 40 horas de conteúdos on-demand, incluindo vídeos, e-book, podcasts e atividades práticas interativas. A aprendizagem pode ser realizada em qualquer momento e a partir de qualquer lugar, com quizzes modulares para acompanhar o progresso.
Programa
- Course Introduction
- Foundations of Artificial Intelligence
- Introduction to AI Architecture
- Fundamentals of Neural Networks
- Applications of Neural Networks
- Significance of Large Language Models (LLM)
- Application of Generative AI
- Natural Language Processing
- Transfer Learning with Hugging Face
- Crafting Sophisticated GUIs for AI Solutions
- AI Communication and Deployment Pipeline
- Optional Module: AI Agents for Engineering
Foundations of Artificial Intelligence
- Introduction to AI
- Historical Perspective
- Core Concepts and Techniques in AI
- Machine Learning Fundamentals
Introduction to AI Architecture
- Fundamentals of AI system architecture
- Designing scalable AI systems
- AI development lifecycle
Fundamentals of Neural Networks
- Structure of neural networks
- Activation functions
- Model training and evaluation
- Hands-on: Building a Simple Neural Network
Applications of Neural Networks
- Neural networks in image processing
- Practical applications in real-world scenarios
Significance of Large Language Models (LLM)
- Understanding LLM architectures
- Practical applications of LLMs
- Hands-on: Fine-tuning models for text tasks
Application of Generative AI
- Introduction to GANs
- Variational Autoencoders (VAEs)
- Generating synthetic data
- Hands-on: Image synthesis
Natural Language Processing
- NLP fundamentals
- Transformers and attention mechanisms
- BERT and advanced NLP models
- Hands-on: Building NLP pipelines
Transfer Learning with Hugging Face
- Transfer learning concepts
- Using pretrained models
- Hands-on: Implementing Hugging Face models
Crafting Sophisticated GUIs for AI Solutions
- Designing interfaces for AI applications
- Tools and frameworks for GUI development
AI Communication and Deployment Pipeline
- Communicating AI results to stakeholders
- Building deployment pipelines
- Developing AI prototypes
AI Agents for Engineering
- Introduction to AI agents in engineering contexts
- Practical applications and use cases
