Sobre o Curso
MBA em Inteligência Artificial para Líderes de Negócios
Médicos, dentistas, psicólogos, Engenheiros, tecnólogos, advogados, Profissionais de TI, administradores e gestores, Líderes que enfrentam o desafio de aplicar IA em seus negócios.
Módulo 1: Estratégias empresariais com Big Data e Inteligência Artificial (72 horas)
Objetivos
- Compreender o papel estratégico de Big Data e IA nos negócios.
- Conhecer ferramentas e infraestrutura para gestão e análise de dados.
- Identificar oportunidades de uso de IA para ganho competitivo.
Conteúdo
- Introdução ao curso e objetivos gerais
- Introdução à IA para empresas: impacto estratégico e modelos de negócios baseados em dados
- Visão geral do Big Data no contexto corporativo
- Ferramentas e infraestrutura de gerenciamento de dados (cloud, data lakes, pipelines)
- Análise de Big Data: extraindo inteligência e insights
- Ética e privacidade no uso de dados e IA
- Introdução à Inteligência Artificial: conceitos e aplicações reais
- Visão geral do aprendizado de máquina
- Uma visão detalhada do aprendizado de máquina
- Aprendizado por reforço: princípios e aplicações
- Laboratório prático: Manipulação de dados com Pandas (opcional)
- Estruturação de dados para análise
- Principais operações: filtro, agregação, limpeza
- Impacto de dados de baixa qualidade na IA
Referência obrigatória
MARR, Bernard. Big Data: Using smart big data, analytics and metrics to make better decisions and improve performance. Wiley, 2015. Linguagem acessível, excelente para entender o papel do Big Data nos negócios.
Módulo 2: Criando e avaliando soluções de aprendizado de máquina (72 horas)
Objetivos
- Entender o ciclo de desenvolvimento de projetos de ML.
- Avaliar desempenho técnico e impacto no negócio.
- Lidar com desafios comuns como o overfitting e a viabilidade econômica.
Conteúdo
- Métodos específicos de aprendizado de máquina: um mergulho profundo
- Introdução à seleção de modelos: critérios técnicos e de negócios
- Engenharia de atributos e dados: como preparar dados que geram valor
- Introdução à aprendizagem profunda
- Como funciona o deep learning
- Avaliação do desempenho do ML: métricas e impacto nos resultados empresariais
- Funções de perda e compensações
- Como os dados de treinamento são adquiridos? Desafios práticos
- O problema do ajuste excessivo (overfitting) e estratégias de mitigação
- Dados de teste e validação
- Exemplos de fluxos de trabalho de ponta a ponta (estudos de caso reais)
- Viabilidade econômica e ROI de projetos de ML
- Laboratório prático: Construindo um modelo simples em PyTorch (opcional)
- Entendendo o ciclo de treino
- Visualização de loss e métricas
- Discussão: como o modelo impacta o negócio?
Referência obrigatória
BURK, Lindsay; BURK, Kenneally. Machine Learning for Business: An Introduction to Real-World Data Analysis. O'Reilly Media, 2020. Aborda conceitos técnicos com foco em aplicação prática e visão de negócios.
Módulo 3: Aplicações práticas de IA e métodos emergentes (72 horas)
Objetivos
- Conhecer métodos avançados e emergentes de IA.
- Entender como aplicá-los nos fluxos reais das empresas.
- Avaliar riscos e benefícios dessas tecnologias.
Conteúdo
- Processamento de linguagem natural (NLP) aplicado a negócios
- GANs (Generative Adversarial Networks) e VAEs (Variational Autoencoders)
- Introdução ao AutoML e aplicações práticas
- Usando o AutoML para acelerar o desenvolvimento
- Máquina ensinável: conceitos e exemplos
- Playground do TensorFlow: explorando modelos de forma prática
- Operações de ML (MLOps): deploy, monitoramento e governança
- Dados ou modelo: o dilema do “frango e ovo” na prática empresarial
- Integração de IA ao fluxo de trabalho e processos de negócio
- Playground: comparando TensorFlow e PyTorch em exemplos simples
Referência obrigatória
DOMINGOS, Pedro. O algoritmo mestre: Como a busca por um algoritmo de aprendizado de máquina pode reinventar nossos negócios, nossa vida e o mundo. Novatec, 2019. Uma leitura envolvente que explica o impacto das técnicas modernas de IA.
Módulo 4: Lições práticas de líderes em IA (72 horas)
Objetivos
- Refletir sobre a experiência de empresas reais na adoção de IA.
- Identificar fatores de sucesso e falhas em projetos de IA em diferentes setores.
Conteúdo
- Entrevistas e painéis com líderes de:
- Indústria
- Mercado financeiro
- Saúde e bem-estar
- Agrobusiness
- Análise crítica: o que funcionou? O que falhou?
- Elaboração de plano inicial de IA para sua empresa
Referência obrigatória
BRYNJOLFSSON, Erik; MCAFEE, Andrew. A segunda era das máquinas: Trabalho, progresso e prosperidade em uma época de tecnologias brilhantes. Elsevier, 2014. Reflexões estratégicas sobre o impacto da IA em diversos setores.
Módulo 5: IA generativa e o futuro dos negócios (72 horas)
Objetivos
- Explorar como IA generativa impacta produtividade, inovação e modelos de negócio.
- Entender a pilha tecnológica de GenAI e práticas seguras de uso.
Conteúdo
- Visão geral da IA generativa e principais conceitos
- A pilha tecnológica da IA generativa: modelos, APIs, infraestrutura
- Modelos de fundação (foundation models): como funcionam
- Princípios de engenharia de prompt para melhorar resultados
- Personalização da saída do LLM para atender demandas empresariais
- Diferenciação e vantagem competitiva com GenAI
- Introdução ao RAG (Retrieval-Augmented Generation)
- Casos avançados de uso da IA generativa em empresas
- Implicações da GenAI no trabalho e na produtividade
- Riscos, ética e governança na IA generativa
Referência obrigatória
KAPLAN, Jerry; HAENLEIN, Michael; SINGER, Philipp. Artificial Intelligence, ChatGPT, and Generative AI: The coming revolution. Springer, 2023. Aborda fundamentos, implicações e tendências da IA generativa.
Objetivos
Os principais objetivos do MBA em Inteligência Artificial para Líderes de Negócios são capacitar profissionais para entender o impacto estratégico da IA e do Big Data nas organizações, identificar oportunidades de inovação com base em dados, e liderar projetos de transformação digital. O curso busca desenvolver uma visão crítica e prática sobre a aplicação de IA nos negócios. Também prepara os participantes para avaliar o retorno de investimento (ROI) em projetos de IA. Além disso, promove habilidades para integração ética e eficaz de tecnologias emergentes no ambiente corporativo.
Elementos integradores ao longo do curso
- Projeto prático: Elaboração de um plano de adoção de IA para um setor ou empresa real.
- Estudos de caso: Aplicações reais comentadas e analisadas.
- Simulações de tomada de decisão: Cenários onde o aluno decide estratégias de IA.
- Checklist do líder: Ao final de cada módulo, um guia prático: “Como aplicar amanhã na minha empresa?”
Conteúdo
- Compreender o papel estratégico de IA e Big Data nos negócios.
- Identificar oportunidades de ganho competitivo com uso de dados.
- Avaliar e selecionar ferramentas e infraestrutura de dados (cloud, pipelines, data lakes).
- Analisar grandes volumes de dados para gerar insights.
- Dominar fundamentos de IA, aprendizado de máquina e aprendizado por reforço.
- Preparar e estruturar dados com qualidade para projetos de IA.
- Desenvolver e avaliar modelos de machine learning e deep learning.
- Escolher modelos com base em critérios técnicos e de negócio.
- Lidar com overfitting, métricas de avaliação e funções de perda.
- Construir modelos simples com frameworks como PyTorch e TensorFlow.
- Aplicar técnicas modernas como NLP, GANs, VAEs e AutoML.
- Integrar IA ao fluxo de trabalho e processos empresariais.
- Gerenciar o ciclo de vida de modelos com práticas de MLOps.
- Analisar casos reais de adoção de IA em diferentes setores.
- Elaborar planos de implementação de IA para empresas.
- Utilizar IA generativa e engenharia de prompt para personalização e inovação.
- Avaliar riscos, ética e governança no uso de IA.
- Liderar iniciativas de transformação digital com foco em dados e resultados.
Referências complementares sugeridas
- MITCHELL, Tom M. Machine Learning. McGraw-Hill, 1997. Clássico na área, recomendado para quem deseja aprofundar.
- RUSSELL, Stuart; NORVIG, Peter. Inteligência Artificial. Elsevier, 2022. Obra fundamental, mesmo para não técnicos.
- KELLEY, David. Data Science para Negócios. Alta Books, 2020. Prática e voltada a tomada de decisão com base em dados.
- GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. MIT Press, 2016. Recomendado como base teórica para quem desejar ir além.
- MASON, Hilary; PATIL, DJ. Data Driven: Creating a Data Culture. O’Reilly, 2015. Cultura organizacional orientada a dados.
