Decidi fazer uma pós-graduação. Não por diploma — mas porque quero parar de improvisar com IA e começar a construir com ela de forma profissional.
O curso é da Unipds: Engenharia de Software em IA Aplicada. São 12 módulos que cobrem desde os fundamentos até a entrega de um Micro-SaaS completo como projeto final. Abaixo, um mapa do que vem pela frente — e o que estou mais ansioso pra aprender.
Os 12 módulos em resumo
1. Fundamentos de IA e LLMs Do zero ao funcionamento real dos modelos: transformers, embeddings, redes neurais. Inclui criar a primeira rede neural do zero em JavaScript e projetos práticos com ML na web. Também cobre Prompt Engineering, MCPs, RAG e agentes autônomos.
2. APIs de IA Generativa e Prompt Engineering Como integrar LLMs ao back-end de forma séria: prompt chaining, templates, cache de contexto, custo por token. RAG avançado com LangChain. Modelos multimodais (texto, imagem, áudio, vídeo).
3. MCP — Model Context Protocol O que está ganhando tração rápido: conectar LLMs a APIs, bancos de dados e serviços internos de forma padronizada. Do conceito à criação de um MCP server em produção.
4. Criação de Agentes Autônomos Arquitetura de agents, padrões de raciocínio (ReAct, Plan-Execute, Reflection), memória, LangGraph, sistemas multi-agente. O módulo mais extenso do curso — e um dos que mais quero aprofundar.
5. Ferramentas de IA para UX & UI IA no processo de design e desenvolvimento front-end: Text-to-UI, Firebase Studio, Gemini CLI, testes E2E com agentes autônomos.
6. Ferramentas de IA para DevOps IaC copilot, Kubernetes com IA, AIOps, CI/CD inteligente, FinOps, auto-remediação. Extenso e bem técnico — útil pra quem opera em ambientes reais.
7. IA para Gestão de Projetos Requirements copilot, priorização de backlog com RICE/WSJF, automações em Jira/Notion/Slack, relatórios automatizados. A parte que conecta IA ao lado de produto.
8. Arquitetura de Sistemas com IA Arquiteturas AI-first, single-agent e multi-agent, padrões de RAG, caching semântico, arquitetura enterprise com Kubernetes e observabilidade.
9. Processamento de Dados e Fine-Tuning Quando vale fazer fine-tuning, preparação de datasets, LoRA e PEFT, avaliação de modelos customizados.
10. Segurança e Governança em IA Interpretabilidade, vieses, gestão de riscos, aspectos legais e regulatórios, custos financeiros de IA.
11. Projeto Integrador — Capstone O ponto alto: desenvolver um Micro-SaaS completo com RAG, agentes, MCP, front-end em Angular e CI/CD. Da ideação à defesa técnica.
12. Carreira e Entrevistas LinkedIn, portfólio no GitHub, system design para sistemas de IA, negociação salarial, como demonstrar diferenciação técnica.
O que espero sair fazendo
Tenho uma lista clara na cabeça:
- Construir produtos com IA do início ao fim — sem depender de tutorial pra cada peça
- Entender arquitetura o suficiente pra tomar decisões técnicas com segurança
- Criar MCPs e agentes que resolvem problemas reais, não só demos
- Ter visão de negócio pra saber quando usar IA e quando não usar
A parte de carreira e o capstone project são o que vão virar portfólio concreto. É isso que diferencia um dev que “usa IA” de um que sabe construir com IA.
Vou documentar o que aprender por aqui. Se você também está nessa jornada, acompanha.