Faculdade EAD Live em
Engenharia de Inteligência Artificial

Matriz curricular

• Fundamentos do Processamento de Dados

  Introdução à Visualização de Dados e SQL

  • Visualizar dados de um CSV no Google Looker Studio
  • Construir um relatório interativo baseado em dados usando Google Looker Studio
  • Realizar queries SELECT em uma base de dados SQL
  • Extrair informações através de agrupamentos e sumarização (GROUP_BY e ORDER_BY)

  
  Introdução à Programação com Python

  • Criar programas simples em Python usando uma IDE “code playground”
  • Criar programas simples com strings
  • Escrever programas simples com decisão/seleção em Python
  • Escrever programas simples com repetição/iteração e listas em Python

  
  SQL e Modelagem Relacional

  • Projetar modelos relacionais de bases de dados com restrições, incluindo a criação das tabelas necessárias
  • Aplicar regras de normalização em um modelo relacional de dados
  • Manipular objetos em um banco de dados utilizando SQL
  • Fazer agregações entre duas ou mais tabelas em banco de dados

  
  Python para Processamento de Dados

  • Programar funções personalizadas em Python
  • Programar em Python com indexação, fatiamento e métodos avançados para strings
  • Programar decisão/seleção e repetição/iteração com listas em Python
  • Programar em Python com arquivos, sets, dicionários e JSON
  • Encontrar e tratar bugs (erros) em Python

  
  Projeto de Bloco: Fundamentos do Processamento de Dados

  • Entregar um relatório com uma série de exercícios de fundamentação, trazendo a implementação de diversos artefatos de processamento de dados em Python e SQL, assim como os códigos fontes, documentação do processo de desenvolvimento e da modelagem de dados. São usados exercícios desafiadores provenientes de plataformas de mercado.

• Conectividade e Desenvolvimento Front-End

  Arquitetura e Operação de Sistemas Computacionais:

  • Explicar a arquitetura de hardware de dispositivos computacionais
  • Operar sistemas operacionais de desktops
  • Gerenciar sistemas operacionais móveis e sua segurança
  • Descrever os fundamentos de redes de computadores
  • Explicar o funcionamento do endereçamento de rede

  
  Fundamentos do Desenvolvimento Front-End:
  

  • Estruturar e estilizar páginas web com HTML5 e CSS3
  • Implementar algoritmos com lógica de programação em JavaScript
  • Organizar e reutilizar código através de funções
  • Manipular dinamicamente o conteúdo e o estilo da página
  • Analisar e depurar códigos HTML, CSS e JavaScript

  
  Infraestrutura e Segurança de Redes: 

  • Implementar a configuração inicial de dispositivos de rede
  • Operar uma infraestrutura de rede com base em um projeto
  • Diagnosticar problemas de conectividade em redes
  • Aplicar os fundamentos de segurança de rede
  • Elaborar um projeto de rede básico

  
  Interatividade no Desenvolvimento Front-End:

  •  Estruturar e manipular dados complexos com arrays e objetos
  • Desenvolver interfaces dinâmicas baseadas em eventos
  • Criar e validar formulários web interativos
  • Criar páginas web dinâmicas com manipulação avançada do DOM

  
  Projeto de Bloco: Conectividade e Desenvolvimento Front-End:

  • Dashboard de Análise de Logs de Segurança de Rede: O aluno irá criar uma interface web interativa para visualizar e filtrar um grande volume de logs de um firewall ou de um sistema de detecção de intrusão. O objetivo é identificar padrões, como os principais IPs de ataque ou as portas mais visadas.

• Desenvolvimento Back-End

  Fundamentos de Desenvolvimento com Java:

  •  Preparar o ambiente para desenvolvimento local com Java
  • Escrever programas em Java usando seus elementos básicos
  • Escrever programas em Java que utilizem classes e objetos
  • Utilizar os pilares do paradigma de orientação ao objeto para criação de programas em Java
  • Escrever programas em Java com arrays, coleções, arquivos e recursos mais avançados

  
  Fundamentos de Desenvolvimento com C#:
  

  • Preparar ambiente para desenvolvimento local com C# e .NET
  •  Escrever programas em C# usando seus elementos básicos
  • Escrever programas em C# que utilizem classes e objetos
  • Utilizar os pilares do paradigma de orientação ao objeto para criação de programas em C#
  • Escrever programas em C# com Arrays, arquivos e recursos mais avançados

  
  Desenvolvimento de Serviços Web com Spring Boot: 

  •  Criar aplicações web a partir do Spring Boot Initializer
  •  Desenvolver RESTful APIs com Spring Boot
  • Implementar persistência de dados com JPA, Redis e MongoDB
  • Implementar testes em aplicações SpringBoot
  • Implementar medidas de segurança em aplicações Spring Boot
  • Realizar o deploy em aplicações SpringBoot

  
  Desenvolvimento Web com .NET e Bases de Dados:

  • Utilizar delegates e events em programas C#
  • Desenvolver uma aplicação web full-stack (“server-based UI”) em ASP.NET Core usando Razor Pages
  •  Acessar bases de dados usando EF Core
  • Desenvolver uma aplicação web em ASP.NET Core acessando bases de dados via EF Core

  
  Projeto de Bloco: Desenvolvimento Back-End:

  • O aluno deverá projetar e implementar uma solução de back-end, aderindo ao processo RUP. A modelagem do software será respaldada pela produção de artefatos, incluindo casos de uso, diagrama de classes, diagramas de sequências e de comunicação. Estes artefatos utilizarão UML e serão entregues juntos com a solução final. Se a tecnologia escolhida for Java, o aluno desenvolverá uma interface de linha de comando que interage com o back-end por meio de uma API REST, e a persistência de dados deverá ser realizada numa base MongoDB. Já se o aluno escolher C#/ASP.NET, a solução será desenvolvida usando Razor Pages (interface e back-end) e a persistência de dados deverá ser realizada utilizando EF Core.

• Ciência da Computação

  Velocidade e Qualidade com Estruturas de Dados e Algoritmos:

  • Avaliar a velocidade de algoritmos introdutórios usando a notação Big O
  • Utilizar as estruturas de dados hash tables, filas (queues) e pilhas (stacks)
  •  Desenvolver algoritmos avançados usando recursão e programação dinâmica
  • Utilizar as estruturas de dados listas encadeadas (linked lists) e árvores (trees)

  
  Sistemas Operacionais com Linux e Python:
  

  • Operar o sistema operacional Linux utilizando a linha de comando
  • Explicar como o Linux opera o hardware e os diferentes dispositivos de sistema
  • Gerenciar aplicativos, pacotes, containers e sistemas de inicialização no Linux, utilizando a linha de comando
  • Desenvolver programas simples em Python com paralelismo, utilizando a linha de comando

  
  Estruturas de Dados e Algoritmos Avançados: 

  • Utilizar as estruturas de dados heaps e tries
  • Utilizar a estrutura de dados grafos (graphs)
  • Desenvolver algoritmos avançados com grafos
  • Resolver problemas com algoritmos gulosos (“greedy”) e outras técnicas adicionais de otimização

  
  Programação Distribuída com Redes usando Linux e Python:
  

  •  Conectar em rede e com a Internet computadores com o sistema operacional Linux
  •  Utilizar serviços e aplicações de rede do Linux
  • Desenvolver programas em Python que se comunicam por rede
  •  Desenvolver programas em Python para analisar, manipular e proteger redes

  
  Projeto de Bloco: Ciência da Computação:

  • O aluno deverá apresentar cinco soluções práticas que evidenciam competências em Estruturas de Dados, Algoritmos, Sistemas Operacionais com Linux e Python, e Programação Distribuída em Redes. Estas soluções envolvem a análise de algoritmos de ordenação, desenvolvimento de programas com computação paralela, manipulação de árvores, listas encadeadas, heaps, tries, grafos, e técnicas de comunicação de rede, além da resolução de problemas de grafos e NP-completos, culminando em uma experiência prática e avançada.

• Engenharia Segura de Softwares Escaláveis

  Microsserviços e DevOps com Spring Boot e Spring Cloud:

  • Desenvolver microserviços cloud nativos com Spring Boot e Spring Cloud
  • Publicar microserviços Spring Boot, orquestrando containers com Docker e Kubernetes
  • Desenvolver microserviços usando Reactive Spring
  • Desenvolver em grupo utilizando repositórios Git através do GitHub.
  • Publicar de forma automática microsserviços Spring Boot usando GitHub Actions e Kubernetes

  
  Design Patterns e Domain-Driven Design (DDD) com Java:
  

  • Desenvolver software aplicando design patterns
  • Projetar softwares de forma estratégica, usando “bounded contexts”, subdomínios e linguagem ubíqua
  • Projetar softwares de forma estratégica usando “context maps”
  • Projetar softwares usando “aggregates”

  
  DevSecOps: Segurança Contínua para Aplicações Cloud Native: 

  • Automatizar a análise de vulnerabilidades em código-fonte e dependências
  • Implementar mecanismos de autenticação e autorização em microsserviços
  • Gerenciar segredos (secrets) de forma segura e implementar a varredura de vulnerabilidades em imagens de container, como parte do processo de entrega contínua.
  • Aplicar os princípios de Threat Modeling (modelagem de ameaças)

  
  Domain-Driven Design (DDD) e Arquitetura de Softwares Escaláveis com Java:

  • Transformar monolitos em microsserviços eficazes, aplicando princípios de DDD e técnicas de decomposição.
  • Projetar softwares usando “domain events”
  • Desenvolver microsserviços event-driven e com outros padrões de comunicação assíncrona
  • Implementar testes e observabilidade em microsserviços com Zipkin, Spring Cloud Sleuth e ELK Stack.

  
  Projeto de Bloco: Engenharia Segura de Softwares Escaláveis:

  • O aluno desenvolverá um software escalável de forma ágil e incremental, evoluindo de um monolito para uma arquitetura de microsserviços orientada a eventos, aplicando princípios de Domain-Driven Design (DDD). A solução deverá incorporar práticas de DevSecOps desde o início, garantindo a segurança de APIs RESTful com padrões como OAuth 2.0 e automatizando a análise de vulnerabilidades (SAST, SCA, varredura de containers) no pipeline de CI/CD. O desenvolvimento utilizará o ecossistema Spring (Boot, Data, Cloud) e RabbitMQ para mensageria

• Análise e Segurança de Agentes de IA

  Estatística Aplicada e Análise Exploratória de Dados:

  • Manipular, limpar e transformar conjuntos de dados complexos utilizando bibliotecas como Pandas.
  •  Calcular e interpretar as principais métricas de estatística descritiva e correlação para extrair insights iniciais.
  • Realizar uma Análise Exploratória de Dados (EDA) completa para identificar padrões, anomalias e tendências.
  • Aplicar testes de hipótese básicos (como testes A/B) para validar suposições e guiar decisões.

  
  Desenvolvimento Seguro de Aplicações Web:
  

  •  Mapear a arquitetura e o fluxo de dados de uma aplicação web, identificando componentes críticos de segurança (HTTP, sessões, cookies).
  • Identificar as 10 principais vulnerabilidades do OWASP Top 10 em trechos de código e arquiteturas de software.
  • Aplicar técnicas de programação segura (Secure Coding), como validação de entradas e codificação de saídas, para prevenir falhas comuns.
  • Utilizar ferramentas de scan passivo (como OWASP ZAP) para realizar uma avaliação inicial de segurança em uma aplicação.

  
  Modelagem Preditiva e Construção de Agentes de IA: 

  • Pré-processar e preparar dados textuais ou estruturados para o treinamento de modelos de Machine Learning (feature engineering).
  • Treinar, avaliar e otimizar modelos preditivos de classificação e regressão utilizando frameworks como Scikit-learn.
  • Integrar um modelo de ML treinado a uma aplicação, expondo sua funcionalidade através de uma API RESTful (Flask/FastAPI).
  • Desenvolver lógicas de decisão para um agente de IA com base nas previsões do modelo integrado.

  
  Análise de Vulnerabilidades e Pentest Web:
  

  • Operar ferramentas de pentest padrão da indústria (como Burp Suite e SQLmap) para interceptar, analisar e manipular tráfego web.
  • Executar ataques práticos para explorar vulnerabilidades do OWASP Top 10 em um ambiente de laboratório controlado.
  • Aplicar uma metodologia sistemática de pentest para mapear a superfície de ataque de uma aplicação web ou API.
  • Documentar as vulnerabilidades encontradas em um relatório técnico claro, incluindo evidências (PoC) e recomendações de mitigação.

  
  Projeto de Bloco: Análise e Segurança de Agentes IA:

  • O aluno irá projetar, desenvolver e auditar um agente de IA de atendimento ao cliente. O processo envolve realizar a análise exploratória de um conjunto de dados de suporte para definir as “intenções” do usuário, treinar um modelo de classificação de texto para ser o “cérebro” do agente, e expor essa inteligência através de uma API web. Ao final, os alunos trocam suas APIs e realizam um pentest completo na aplicação dos colegas, atuando como hackers éticos para identificar, explorar e reportar as falhas de segurança encontradas.

• Machine Learning

  Inteligência Artificial: Model LifeCycle

  • Explicar os conceitos básicos de Machine Learning
  • Criar modelos simples de Machine Learning
  • Comparar o desempenho de modelos de Machine Learning utilizando validação cruzada
  • Avaliar modelos através de diferentes figuras de mérito

  
  Dados para Machine Learning: Feature Engineering

  • Manipular dados numéricos para algoritmos de Machine Learning
  • Manipular dados textuais para algoritmos de Machine Learning
  • Vetorizar dados categóricos para algoritmos de Machine Learning
  • Reduzir dimensionalidade através da análise de componentes principais (PCA)

  
  Inteligência Artificial: Classificação

  • Desenvolver modelos usando Árvores de Decisão
  • Desenvolver modelos usando Support Vector Machine (SVM)
  • Desenvolver modelos usando Ensemble Learning
  • Desenvolver modelos melhores priorizando as features mais relevantes do problema

  
  Inteligência Artificial: Clusterização

  • Desenvolver modelos usando K-Médias
  • Desenvolver modelos usando Clusterização Hierárquica
  • Desenvolver modelos usando DBScan
  • Desenvolver modelos para extrair tópicos de textos

  
  Projeto de Bloco: Inteligência Artificial e Machine Learning

  • Os alunos desenvolverão itens de cinco projetos com bases de dados reais, aplicando técnicas de IA para consolidar os conhecimentos das disciplinas. Os desafios abrangem desde o pré-processamento até a criação de modelos, com foco em explicabilidade e na construção de pipelines completos de machine learning. Assim, os alunos demonstrarão competências técnicas e analíticas para resolver problemas complexos.

• Desenvolvimento Disciplinado e Gestão de Multi-Agentes IA

  Arquitetura e Orquestração de Multi-Agentes:

  • Projetar sistemas multi-agente definindo papéis, responsabilidades e processos de colaboração para equipes de agentes de IA.
  • Implementar equipes de agentes autônomos utilizando o framework CrewAI para resolver problemas complexos através da delegação de tarefas sequenciais ou hierárquicas.
  • Desenvolver “conversas” complexas entre múltiplos agentes utilizando o framework AutoGen para simular discussões e resolver problemas de forma colaborativa.
  • Criar “tools” (ferramentas) customizadas em Python que podem ser compartilhadas e utilizadas por diferentes agentes dentro de uma equipe.

  
  MLOps: CI/CD para Sistemas de IA:
  

  • Construir pipelines de Integração e Entrega Contínua (CI/CD) com GitHub Actions para automatizar os testes e o deploy de sistemas de agentes.
  • Utilizar DVC (Data Version Control) em conjunto com o Git para versionar os dados, scripts e prompts que definem o comportamento dos agentes.
  • Empacotar sistemas de agentes como imagens Docker de forma automatizada dentro da pipeline de CI/CD.
  • Orquestrar o deploy de múltiplos serviços (ex: agentes, APIs, bancos de dados) em ambientes de nuvem utilizando Docker Compose e scripts de automação.

  
  Testes e Avaliação de Qualidade para IA:
  

  • Desenvolver testes unitários e de integração para o código Python dos agentes e suas ferramentas utilizando o framework PyTest.
  • Criar suítes de avaliação de “regressão” para os prompts, garantindo que as otimizações não degradem a performance em casos de uso conhecidos.
  • Implementar frameworks de avaliação como Ragas ou o sistema de avaliação do Langfuse para medir a qualidade e a veracidade das respostas de agentes RAG.
  • Gerar e analisar relatórios de testes de forma automatizada, integrando os passos de avaliação diretamente na pipeline de CI/CD.

  
  Observabilidade e Otimização de Agentes de IA:
  

  •  Implementar logging estruturado e tracing de ponta a ponta em sistemas de multi-agentes utilizando plataformas como Langfuse ou LangSmith.
  • Criar dashboards de monitoramento com Grafana ou a ferramenta nativa do Langfuse para acompanhar métricas de custo (uso de tokens), latência e taxa de erros.
  • Analisar os “traces” de execução para identificar gargalos de performance e otimizar o fluxo de trabalho entre os agentes.
  • Aplicar técnicas de caching de respostas com Redis para reduzir a latência e os custos operacionais de chamadas repetitivas às APIs dos LLMs.

  
  Projeto de Bloco: Desenvolvimento Disciplinado e Gestão de Multi-Agentes de IA:

  • O aluno desenvolverá uma plataforma que analisa continuamente o feedback de clientes de diversas fontes (e-mails, redes sociais). O sistema, construído com CrewAI, será composto por uma equipe de agentes: um “agente-coletor” busca novos feedbacks, um “agente-analista” categoriza o sentimento e os tópicos principais, e um “agente-estrategista” identifica tendências e sugere ações de melhoria. Todo o projeto será gerenciado por uma pipeline de CI/CD no GitHub Actions que executa testes de qualidade em cada agente antes do deploy. A solução final incluirá um dashboard de Langfuse para observabilidade completa, permitindo rastrear o processamento de cada feedback e monitorar a performance geral do sistema.

Sobre a graduação

• É reconhecida pelo MEC?

  Esta faculdade de Inteligência Artificial é uma ênfase da Engenharia de Software, que foi autorizada pela Portaria 929 de 27/11/2015 e reconhecida com nota máxima pela Portaria 383 de 28/09/2023.

  Consulte aqui o cadastro da instituição no Sistema e-MEC

  

• Qual tipo de diploma?

  Graduação. Diploma de Bacharel em Engenharia de Software com ênfase em Engenharia de Inteligência Artificial.

  Esse diploma habilita para o exercício profissional dentro das áreas de Engenharia de Software e Inteligência Artificial e permite a continuação dos estudos em especialização, MBA, mestrado e doutorado, além da participação em concursos públicos.

• Qual a diferença entre este curso e Engenharia de Software?

  Na graduação em Engenharia de Inteligência Artificial EAD, você aprende as bases de engenharia de software e demais tecnologias essenciais para uma carreira de sucesso em Inteligência Artificial. Já o curso de Engenharia de Software é indicado para quem deseja seguir na área de engenharia de software, se aprofundando em desenvolvimento e arquitetura de softwares complexos em geral.

• Uma porta de entrada, cinco futuros

  Nos cursos de engenharias tech do Infnet, você não precisa decidir sua área logo de início.

  É possível começar em uma das engenharias e, em até 2 anos, se mudar de ideia, trocar de ênfase — sem perder tempo nem as disciplinas já concluídas.

  Quando chegar a hora de escolher, você pode optar entre:
  – Engenharia de Inteligência Artificial
  – Engenharia de Dados
  – Engenharia de Cloud Computing
  – Engenharia de Cibersegurança
  – Engenharia de Software

  E tem mais uma vantagem: o processo seletivo é único. Não existem notas de corte diferentes para cada ênfase. Você faz uma prova só, garante sua vaga e tem liberdade para decidir qual caminho seguir depois.

• Conheça o coordenador

  FERNANDO FERREIRA

  Fernando Ferreira é coordenador da Pós-Graduação MIT em Inteligência Artificial, Machine Learning e Deep Learning e do MBA em Data Science da Faculdade Infnet.

  Doutor em Inteligência Artificial, construiu sua carreira pesquisando como algoritmos inteligentes podem resolver problemas complexos do mundo real.

  Trabalhou no CERN, na Suíça, aplicando machine learning em sistemas críticos de monitoramento. Hoje, pesquisa no NetLab/UFRJ novas aplicações de IA para análise de dados em larga escala.

  Também é cofundador da TWIST Systems, onde lidera projetos que transformam ciência de dados em soluções de impacto para o mercado.

  No Infnet, leva essa experiência para formar engenheiros preparados para projetar e implementar inteligências artificiais em cenários de ponta.

O upgrade que coloca você em outro nível

Sua porta de entrada para as engenharias tech

Você só encontra no Infnet

Como será sua Graduação Live

O mercado de Engenharia de Inteligência Artificial: projetando o futuro da tecnologia

Demanda de mercado