Em 30 segundos: o que explicavas à tua avó sobre o que é a inteligência artificial? Partilha com a pessoa ao lado.
Bloco 1 — O motor da IA · 9h151 / 6
Objectivos desta sessão
Perceber que hardware torna a IA possível — e porquê importa
Conhecer o ecossistema de software (sem precisar de programar)
Compreender o que é o Machine Learning e como difere da programação tradicional
Distinguir os tipos de aprendizagem automática
Entender o papel dos dados — qualidade, quantidade e riscos
Identificar aplicações de ML no contexto organizacional
Recapitulação S1: IA = sistemas que aprendem a partir de dados. Hoje percebemos como essa aprendizagem acontece por baixo.
O hardware que move a IA
CPU (Processador central): executa tarefas sequencialmente — óptimo para lógica complexa, não ideal para IA em escala
GPU (Placa gráfica): processa milhares de operações em paralelo — foi criada para jogos, tornou-se a base do treino de IA
TPU (Tensor Processing Unit): chip da Google desenhado especificamente para IA — muito mais eficiente que GPU para modelos grandes
NPU (Neural Processing Unit): já está no teu telemóvel — corre reconhecimento facial, voz e câmara em tempo real
Na prática: quando usas ChatGPT estás a usar servidores com milhares de GPUs/TPUs. Tu não precisas de hardware especial — só de internet.
Cloud — IA como serviço
O poder de cálculo da IA está acessível via cloud — pagas só o que usas, sem investimento em hardware.
AWS (Amazon): líder de mercado — IA, bases de dados, computação
Azure (Microsoft): integrado com Office 365 e Copilot
Google Cloud: forte em IA e dados, integrado com Workspace
O que isto significa para as organizações
PMEs acedem ao mesmo poder de cálculo que as grandes empresas
Sem necessidade de departamento de TI próprio para usar IA avançada
Escalabilidade imediata — paga mais quando precisas, menos quando não precisas
O ecossistema de software IA
Para programadores (contexto)
Python: linguagem dominante em IA — simples, vasta comunidade, milhares de bibliotecas
TensorFlow (Google) e PyTorch (Meta): frameworks para construir e treinar redes neurais
Para utilizadores finais — sem código
ChatGPT, Claude, Gemini: interface de conversa em linguagem natural
Copilot (Microsoft): integrado no Word, Excel, PowerPoint, Teams
Canva AI, Adobe Firefly: geração de imagens e design
Zapier, Make: automação de fluxos de trabalho com IA
Notion AI, HubSpot AI: IA integrada em ferramentas de produtividade e CRM
Machine Learning — o que é?
Machine Learning é uma sub-área da IA onde os sistemas aprendem a partir de dados, sem serem explicitamente programados com regras.
Programação tradicional vs Machine Learning
Tradicional: Programador define regras → sistema aplica-as a novos dados → produz resultados
Machine Learning: Dados + resultados esperados → sistema descobre as regras sozinho
Exemplo — filtro de spam:
Abordagem tradicional: "se contém 'ganhou' e 'dinheiro' → spam" (frágil, fácil de contornar)
ML: mostramos 1 milhão de emails classificados — o modelo descobre os padrões de spam sozinho e adapta-se
Tipos de Machine Learning
Aprendizagem Supervisionada — a mais comum
Aprende a partir de dados etiquetados (com a resposta correcta)
Exemplos: classificação de emails, previsão de vendas, reconhecimento de voz
Aprendizagem Não Supervisionada
Descobre padrões em dados sem etiquetas
Exemplos: segmentação de clientes, detecção de anomalias, agrupamento
Aprendizagem por Reforço
Aprende por tentativa-erro com recompensas e penalizações
Exemplos: jogos (AlphaGo), robótica, optimização de rotas
Na prática organizacional: a aprendizagem supervisionada é a mais utilizada — é onde a maioria das aplicações de negócio se enquadra.
Exercício 1 · 10h15–10h30
Exercício 1 de 215 min · Individual
Que problema na minha organização poderia resolver com ML?
Pensa num problema real da tua organização e avalia se o Machine Learning supervisionado poderia ajudar.
1Descreve o problema em 1–2 frases (ex: "classificar reclamações de clientes por urgência")
2Que dados históricos existem ou poderiam ser recolhidos para treinar o modelo?
3Qual seria o output do modelo? (uma classificação, um valor previsto, uma recomendação)
4Que riscos identifies? (viés, privacidade, erros com consequências graves)
Tarefa Moodle — Peça 2a do Projecto Final · entrega até à sessão 3
Bloco 2 — Dados e aplicações reais · 10h451 / 6
Aprendizagem supervisionada — em detalhe
O processo completo de treino de um modelo supervisionado:
1. Recolha de dados etiquetados: ex: 50.000 emails marcados como spam / não spam
2. Divisão: 80% treino + 20% teste (o modelo nunca vê os dados de teste)
3. Treino: o modelo ajusta parâmetros para minimizar erros nas previsões
4. Avaliação: mede-se o desempenho com os dados de teste
5. Afinar: ajustar se necessário — iteração
6. Produção: o modelo corre em tempo real sobre dados novos
Erro comum: usar os mesmos dados para treino e avaliação. O modelo "memoriza" em vez de aprender — funciona no treino, falha na realidade.
Dados — o combustível da IA
A qualidade e quantidade de dados são determinantes. Um modelo é tão bom quanto os seus dados.
Tipos de dados usados no treino
Texto (emails, documentos, redes sociais, livros)
Imagens e vídeo (fotos, câmaras, satélites)
Áudio e transcrições
Dados estruturados (tabelas, bases de dados, CRM)
Comportamento (cliques, compras, navegação)
Problemas comuns
Viés: dados desequilibrados → modelo discriminatório
Qualidade: "garbage in, garbage out" — erros nos dados = erros nas previsões
Quantidade: poucos dados → modelo fraco ou que decora em vez de aprender
Privacidade: dados pessoais exigem base legal (RGPD)
Viés algorítmico — um risco real
Se os dados de treino reflectem preconceitos históricos, o modelo aprende e amplifica esses preconceitos.
Exemplo real: sistema de recrutamento da Amazon treinado com CVs históricos discriminava mulheres — porque os CVs históricos eram maioritariamente de homens
Exemplo real: software de reconhecimento facial com muito menor precisão em rostos de pessoas negras — dados de treino predominantemente de rostos brancos
Exemplo real: sistemas de crédito que penalizam certos CEPs — proxy para discriminação racial
A solução não é simples: exige dados diversificados, auditorias regulares e supervisão humana nas decisões de alto impacto.
ML nas organizações — aplicações reais
Operações
Previsão de procura e gestão de inventário
Detecção de anomalias em produção (falhas de equipamento)
Optimização de rotas e logística
Clientes
Previsão de churn (quando um cliente vai sair)
Segmentação automática de clientes
Recomendações personalizadas
Finanças e risco
Detecção de fraude em tempo real
Scoring de crédito
Previsão de receita e fluxo de caixa
RH
Análise de engagement e clima organizacional
Previsão de absentismo
Como avaliar se o ML é a solução certa
Antes de investir em ML, verifica estas condições:
Existe um padrão nos dados que justifique aprendizagem? (não tudo tem padrão)
Há dados suficientes e de qualidade? (regra geral: mínimo centenas de exemplos por categoria)
O critério de sucesso é claro e mensurável?
O erro do modelo tem consequências aceitáveis?
Existe alternativa mais simples que resolve o problema? (começa sempre pelo mais simples)
Navalhada de Occam: não uses ML quando uma regra simples resolve. ML traz complexidade — usa-o quando justifica.
Resumo — Sessão 2
GPU/TPU = hardware que torna o treino de IA possível em escala
Cloud = acesso ao poder de cálculo da IA sem investimento em hardware
ML: o sistema descobre regras a partir de dados — não as recebe programadas
3 tipos: supervisionado (etiquetas), não supervisionado (sem etiquetas), reforço (recompensas)
Dados: qualidade > quantidade; viés nos dados = viés no modelo
ML nas org: previsão, segmentação, detecção de anomalias, optimização
Próxima sessão (25 Jun): como as organizações integram IA na estratégia — casos de uso, maturidade e implementação.
Exercício 2 · 11h45–12h15
Exercício 2 de 230 min · Grupos de 3–4
Auditoria de dados da minha organização
Em grupo, mapeiem os dados que a vossa organização (ou sector) recolhe e avaliem o seu potencial para IA.
1Listem 5 tipos de dados que a organização já recolhe (ex: dados de vendas, registos de clientes, formulários de satisfação)
2Para cada um: estão organizados e acessíveis? Ou estão em papel, email, sistemas desconectados?
3Que decisão de negócio poderia ser melhorada se estes dados fossem analisados por IA?
4Que riscos de privacidade ou viés identificam nestes dados?
5Apresentem o caso mais interessante ao grupo (3 min)
Tarefa Moodle — Peça 2b do Projecto Final · entrega até à sessão 3
Quiz de revisão · 12h15
Quiz — Sessão 2
5 perguntas · revisão informal · sem nota
1. Que hardware é mais eficiente para treinar modelos de IA em grande escala?
2. O que distingue Machine Learning da programação tradicional?
3. Na aprendizagem supervisionada, o modelo aprende a partir de:
4. O princípio "garbage in, garbage out" significa que:
5. Qual é o principal risco do viés algorítmico?
Kit da Sessão 2
Glossário técnico de ML · Comparação de ferramentas cloud · Checklist de avaliação de dados