Primeiras aulas do curso
Sejam muito bem-vindas e bem-vindos à nossa Aula 1 do curso OCI AI Foundation 2026. Sou Gustavo Santana, e agora vamos começar a falar sobre os fundamentos e as bases da inteligência artificial.
Neste curso, nosso objetivo é explicar o que é a inteligência artificial e seus conceitos, descrever as tarefas comuns que uma inteligência artificial pode realizar e diferenciar inteligência artificial, machine learning (aprendizado de máquina) e deep learning (aprendizado profundo). Então peguem seus cadernos, vamos fazer anotações e iniciar o nosso conteúdo.
Ao começarmos a discutir o que é a inteligência artificial, entendemos que ela é a capacidade de uma máquina de imitar habilidades cognitivas humanas. Temos nossas capacidades humanas e a ideia da inteligência artificial é realizar algo próximo do que fazemos; é isso que chamamos de inteligência artificial. Quando uma inteligência artificial automatiza uma tarefa, trata-se de uma atividade que uma pessoa poderia realizar.
Como funciona a inteligência humana? Aprendemos, nos comunicamos (de forma verbal e não verbal), desenvolvemos e resolvemos tarefas complexas. Conseguimos criar arte, música e invenções. Quando implementamos um algoritmo para executar uma dessas tarefas, chamamos isso de inteligência artificial.
No dia a dia, vemos inteligência artificial classificando imagens, escrevendo código e trabalhando com linguagens de programação. Muitas pessoas técnicas utilizam inteligência artificial atualmente, mas ela também está por trás de outras experiências. Por exemplo, quando fazemos um treino na academia e um aplicativo gera um plano personalizado para você, há inteligência artificial por trás; o mesmo ocorre com os algoritmos das redes sociais, nos quais cada pessoa recebe um algoritmo especializado para entregar conteúdo específico.
Como dissemos, vamos entrar nesse universo e falar sobre machine learning (aprendizado de máquina), deep learning (aprendizado profundo) e data science (ciência de dados). São três palavras-chave nas quais vamos focar neste primeiro bloco de conteúdo e, mais adiante, explicaremos exatamente o que é machine learning, como funciona, o que é deep learning, o que é data science e onde se encontram essas camadas de conhecimento.
Nosso curso também cobrirá soluções de OCI: visão computacional, linguagem, fala (speech), conversação, recomendações de produtos, detecção de anomalias, aprendizado por reforço, forecasting (previsão) e geração de conteúdo. A proposta é ser plural na forma do conteúdo que vamos oferecer e apresentar uma visão ampla de como funciona a inteligência artificial e como funcionam os processos, as automações e demais componentes.
Nesta primeira parte do conteúdo, vamos falar sobre dados e tarefas. Hoje, a inteligência artificial basicamente automatiza e viabiliza o uso de processos envolvendo linguagem, áudio, texto e visão computacional. Vamos entrar primeiro nesses três mundos para evoluir no conteúdo.
Quando falamos de linguagem, temos tarefas de inteligência artificial consideradas padrão e tarefas de inteligência artificial generativa.
Esse é o primeiro ponto: separar e entender o que é IA generativa e o que está relacionado a texto, compreendendo esses dois universos quando falamos de linguagem.
Também há um conjunto de palavras-chave que vamos explorar com mais profundidade nas próximas aulas, mas já deixamos aqui uma visualização do que será necessário compreender para a certificação: sentenças, tokenização, padding (preenchimento) e, ao falar de palavras similares, a noção de proximidade, como a similaridade por cosseno. A ideia é que aprendamos o significado de cada uma dessas palavras ao longo do curso.
Quando falamos de inteligência artificial, os modelos de linguagem foram desenvolvidos para compreender processos de linguagem natural, o que chamamos de Processamento de Linguagem Natural (PLN). Vamos percorrer três camadas de informações e pontos-chave que precisamos entender.
Quando falamos de memória em agentes de inteligência artificial com memória de contexto, o sistema entende a que nos referimos ao retomarmos algo dito anteriormente. Esse conceito se relaciona a arquiteturas como a Long Short-Term Memory (memória de curto e longo prazo). Em modelos baseados em Transformers (transformadores), há também o processo de paralelizar dados por meio de Self-Attention (autoatenção), que fornece ao modelo noção de contexto. Vamos detalhar todos esses pontos ao longo do curso. A ideia, por ora, é apresentar como funcionam e destacar termos-chave que retomaremos com frequência nas próximas aulas.
Ao tratarmos de áudio e voz, também distinguimos o que é Narrative AI (IA narrativa) do que são tarefas padrão de inteligência artificial. Em um fluxo de Speech to Text (fala para texto), pegamos o áudio e o transcrevemos para texto; em reconhecimento de voz, avaliamos a locução; e, em desenvolvimento de voz em conversação, extraimos e processamos informações do diálogo. Essas são tarefas de áudio que não são, basicamente, generativas.
Quando pensamos em geração, consideramos composição musical, sintetização de voz (replicação de uma voz) ou mesmo a criação de sons específicos conforme uma definição estabelecida. Assim, podemos separar o campo em dois blocos: a parte de IA generativa e a parte de Speech to Text (fala para texto) e de fala em geral. Também podemos detalhar esse domínio em duas frentes complementares.
No áudio, é útil compreender a noção de bits e como a representação funciona. No dia a dia, não precisamos dominar esses detalhes, mas, em inteligência artificial, quando a IA realiza uma sintetização de voz, reconstruímos o áudio. Há todo um processo por trás, e aprenderemos como funcionam o áudio e a fala como dados, isto é, como informação base para sistemas de IA.
Nos modelos de IA para áudio, encontraremos abordagens como Recurrent Neural Network (rede neural recorrente), Long Short-Term Memory (memória de curto e longo prazo) e Transformers (transformadores). Há também outros, como os Waveform Models (modelos de forma de onda), voltados a representar e compreender ondas sonoras, além de variações de codificadores e diferentes tipos de modelos que compõem a base da inteligência artificial nesse domínio.
Em visão computacional, trabalhamos tanto com tarefas clássicas de IA aplicadas a imagens quanto com Generative AI (IA generativa). No cotidiano, isso costuma ser mais tangível: classificar uma imagem (por exemplo, identificar se há um cachorro ou um gato), extrair texto, contar o número de objetos em uma cena ou verificar se determinado objeto é ou não um padrão esperado. Há diversas formas de aplicar IA nesse contexto.
Na vertente generativa de visão, podemos criar imagens, gerar versões em alta resolução, restaurar fotografias antigas e até converter um esboço 2D em um modelo 3D. Nessa linha, pensamos em desenvolvimento e criação — criação e reconstrução de imagens —, sempre tratando a imagem como dado. Ao pensar em imagens, lidamos com pixels, mas não descrevemos adequadamente uma imagem por um único pixel. O objetivo desses modelos e processos é identificar padrões em imagens e aprender com eles.
Os modelos de IA para visão computacional foram desenvolvidos para extrair informações de imagens e vídeos. Entre os pontos essenciais que detalharemos, estão: redes neurais convolucionais, que detectam padrões; aprendizado hierárquico com representações e características da imagem para permitir replicar ou criar imagens semelhantes; o método YOLO (You Only Look Once), voltado à detecção de objetos em imagens; e a parte generativa do processo, pela qual geramos novas imagens.
Outras tarefas de IA que também veremos no curso incluem a detecção de anomalias em séries temporais. Ao detectar fraude, como no caso de clonagem de cartão, trabalhamos com detecção de anomalias: se algum dado destoar significativamente de uma série, ele é tratado como anomalia. Veremos também algoritmos de recomendação de produtos. Em um ambiente de e-commerce (comércio eletrônico), por exemplo, quando são sugeridos itens com base em compras anteriores, há um sistema de recomendação em funcionamento. E, no tema de forecasting (previsão), utilizamos algoritmos que projetam informações a partir de dados históricos, como no caso da previsão do tempo ou na estimativa de quando o estoque poderá se esgotar.
Na próxima aula, entraremos em como tudo isso funciona na prática: como identificamos esses processos e qual é o algoritmo adequado para cada tarefa. Trouxemos alguns termos que podem ser novos, mas não há motivo para preocupação. Vamos revisar todo o processo, identificar cada componente e construir a base técnica necessária para obter a certificação OCI Foundation 2026. Nos vemos na próxima aula!
Vamos começar falando sobre dados. Quando falamos de inteligência artificial, gostamos de apresentar dados atuais que mostram que 58% das pessoas colaboradoras hoje produzem mais trabalho do que produziam há um ano, e 66% dessas pessoas também indicam que podem direcionar seu esforço de trabalho para tarefas de alto valor ao utilizar inteligência artificial. Isso é positivo, pois mostra que a inteligência artificial atua como um apoio para ajudar as equipes.
Também observamos que 83% das lideranças já consideram que agentes de inteligência artificial são o ponto focal hoje nas carreiras. Quando pensamos em trabalho com inteligência artificial, sabemos que estamos na era dos agentes de inteligência artificial.
Nesta trilha de conhecimento, vamos aprender o que é um LLM (modelos de linguagem de grande porte), o que é Machine Learning (aprendizado de máquina), o que é Deep Learning (aprendizado profundo) e outras palavras consideradas “mágicas”, por assim dizer. Vamos adquirir esse conhecimento para nos aprofundar no universo da inteligência artificial.
Outra informação mostra que, hoje, podemos colocar o foco no trabalho de alto valor e automatizar tarefas com inteligência artificial — especialmente aquelas que costumávamos realizar de forma repetitiva. A ideia de incorporar a inteligência artificial já é realidade: a inteligência artificial é considerada mainstream (corrente predominante). Temos diversos dados de uso em produção que reforçam isso. Vemos que 66% das pessoas que utilizam inteligência artificial já estão direcionando seu trabalho para tarefas de alto valor, enquanto as tarefas mais rotineiras estão sendo automatizadas.
Para introduzir nosso curso, vamos mostrar como a inteligência artificial pode ser nosso copiloto e como podemos trabalhar com ela no dia a dia.
O primeiro ponto é: para quem é este curso? Ele é voltado para pessoas engenheiras e arquitetas que queiram trabalhar com inteligência artificial, para pessoas engenheiras de nuvem, para quem está começando com conhecimentos de Machine Learning (aprendizado de máquina) e de inteligência artificial e, na realidade, para todas as pessoas interessadas no tema.
A proposta deste curso é oferecer conhecimento básico sobre inteligência artificial. A certificação Foundation é recomendada para qualquer pessoa que atua no universo tecnológico, pois vamos transmitir as informações de uma maneira que permita utilizá-las no dia a dia.
Para apresentar o que abordaremos no curso, nós vamos focar na stack (pilha) de inteligência artificial. O primeiro ponto é discutir inteligência artificial, que engloba Machine Learning (aprendizado de máquina), que, por sua vez, engloba Deep Learning (aprendizado profundo). Também vamos abordar Generative AI (IA generativa), tema bastante discutido atualmente, e a stack (pilha) de IA da Oracle. Trataremos de SaaS (software como serviço), dos AI Services (serviços de IA), da camada de dados e de infraestrutura. A ideia do curso é percorrer toda essa camada que compõe uma stack (pilha) de inteligência artificial e, especificamente, a stack (pilha) de IA da Oracle. Nós vamos revisar as soluções e como utilizar tudo isso no seu dia a dia.
Etapas do curso:
Alguns pontos importantes que sempre gostamos de mencionar ao começar um curso:
Dois pontos práticos:
Ao final deste curso, você terá preparo para realizar a certificação de OCI. A certificação da OCI Foundation (fundamentos de OCI) é gratuita. A proposta é que você obtenha essa certificação após concluir o curso, fazer o exame prático e completar a prova de habilidades. Nosso objetivo é que você tenha todo esse repertório para concluir a certificação.
Antes de realizar a prova, faça o exame prático. O exame prático está disponível na própria plataforma de certificação. Realize esse exame para colocar seus conhecimentos à prova; caso identifique erros em algumas respostas, retorne aos estudos. A ideia é seguir esse processo iterativo para concluir a certificação com segurança.
Encerramos este primeiro bloco e seguimos para a próxima aula. [música]
Bem-vindes à nossa aula sobre IA, aprendizado de máquina e aprendizado profundo do OCI 2026 AI Foundation.
Retomando o tema, vamos começar pelas camadas desses conceitos: o que é Inteligência Artificial e qual é a diferença entre IA, aprendizado de máquina e aprendizado profundo. Nesta aula, nós vamos compreender a diferença entre cada um deles e também as formas de aprendizado de máquina.
Quando falamos de Inteligência Artificial, devemos considerar que a Inteligência Artificial está dentro de uma camada de aprendizado de máquina, que, por sua vez, está dentro de uma camada de aprendizado profundo; assim, chegamos até a IA generativa, por exemplo, que estaria dentro de uma camada de Inteligência Artificial.
O que é aprendizado de máquina? Basicamente, quando falamos de Inteligência Artificial, pensamos em máquinas imitando a inteligência humana. Quando falamos de aprendizado de máquina, tratamos de algoritmos que aprendem com dados e fazem predições: algoritmos que aprendem com dados passados e realizam predições ou geram novos dados. Portanto, ao abordar aprendizado de máquina, precisamos manter o foco em dados. Ao tratar de Inteligência Artificial, de forma geral, também devemos pensar em dados.
Quando falamos de aprendizado profundo, referimo-nos a algoritmos que aprendem a partir de dados complexos. Nós vamos detalhar o que são esses dados complexos, mas, em termos gerais, utilizam redes neurais para realizar predições, trabalhar com entradas e saídas e gerar novos dados. Em síntese, precisamos ter em mente que:
No aprendizado de máquina, precisamos considerar três pontos muito importantes: aprendizado supervisionado, não supervisionado e por reforço. Em linhas gerais:
Ao falar dessas três abordagens de aprendizado, precisamos entender como cada uma funciona. Vamos começar pela primeira e, desde já, reforçamos a importância de tomar notas para utilizar este conhecimento posteriormente na certificação.
No aprendizado supervisionado, é fundamental compreender como funciona um processo de dados, de modo análogo a um processo manual. Por exemplo: realizamos uma solicitação, enviamos um documento, ocorre uma verificação, há uma avaliação de pontuação e, em seguida, ocorre a aprovação. Trata-se de uma tarefa que pode ser lenta, demandar uma pessoa especializada e, caso ocorram mudanças no processo, exige adaptação a essas alterações.
Nesse contexto, a ideia de utilizar aprendizado supervisionado dentro do aprendizado de máquina é permitir que, em um processo específico, seja possível ter um algoritmo que incorpore atualizações no modelo a partir da observação dos dados. Em termos práticos, teremos o dado de entrada; o modelo fará a predição; e poderemos realizar a rotulagem — label (rótulo) —, isto é, atribuir a informação correta ao dado para que esse dado seja usado em novas predições.
No aprendizado supervisionado em aprendizado de máquina, seguimos esse fluxo: passamos uma estrutura de dados, atribuimos um rótulo, rotulamos os dados e utilizamos esse conjunto para o retreinamento.
No aprendizado supervisionado, rotulamos os dados: cada exemplo vem acompanhado da indicação do que ele é. Depois, quando formos realizar a análise e a predição, o modelo já saberá, com dados novos, do que estamos falando.
Vamos dar um exemplo: passamos uma base de dados de frutas, incluímos a fruta em si e informamos o que ela é. Ao treinar com uma base de dados grande, depois, quando precisarmos analisar um novo registro, poderemos identificá-lo e classificá-lo na categoria correta. O aprendizado supervisionado funciona dentro desse padrão em que rotulamos os dados e fornecemos essa informação ao algoritmo.
No aprendizado não supervisionado, apresentamos os dados de forma que o algoritmo decida por conta própria. Não fornecemos pares de entrada e saída, não rotulamos os dados. O algoritmo identificará padrões, encontrará dados semelhantes e os agrupará em clusters (agrupamentos). Em outras palavras, apresentamos a base de dados e o algoritmo, por si só, identifica os padrões, mede similaridade e agrupa os registros.
Devemos ter em mente que a ideia é extrair informações e padrões que o algoritmo identificará nos dados. Quando falamos de frutas e verduras, por exemplo, precisamos entender quais são as similaridades nutricionais, as similaridades por cor ou por outros padrões. O algoritmo separará e agrupará esses dados em clusters (agrupamentos). Diferentemente do padrão supervisionado, no qual rotulamos os dados e os passamos ao modelo, no não supervisionado o algoritmo identifica os padrões e realiza os agrupamentos por nós.
No aprendizado por reforço, o algoritmo realiza tentativas e recebe um retorno sobre suas decisões. Vamos considerar o exemplo de um jogo de xadrez: fazemos um movimento, tomamos uma decisão e recebemos um feedback (retorno) que indica ao modelo se aquele movimento foi adequado ou não. Com esse feedback (retorno), mantemos uma memória para executar a próxima etapa.
Assim, o modelo vai realizando tentativas, recebendo esses retornos e acumulando “pontos” positivos e negativos para continuar no caminho que maximiza recompensas. Por isso se chama aprendizado por reforço: reforçamos as informações e decisões do agente que fazem sentido e penalizamos as que não fazem sentido, levando o algoritmo a aprender com as recompensas e punições.
Ao falar de dados e de uma base de dados para utilizar em Inteligência Artificial, precisamos pensar em como isso funciona, quais dados utilizaremos e como nossa base de dados está estruturada para alimentar o modelo. A ideia é extrair dados e regras para utilizá-los na identificação de padrões. Por exemplo, no caso de imagens, se tivermos uma base de dados com animais, poderemos identificar se há um gato ou um cachorro na imagem.
As redes neurais são estruturas inspiradas no funcionamento do cérebro humano. Temos uma camada de entrada, uma rede com diversas camadas que chamamos de hidden layers (camadas ocultas) e, por fim, a camada de saída. Entraremos em mais detalhes durante o curso sobre como funciona uma rede neural e suas componentes, mas, de forma geral, essa é a técnica utilizada para realizar o trabalho interno do algoritmo.
Teremos um histórico de observações e de dados — nossa base de dados —, e passaremos essas informações pelas camadas da rede neural. É daí que vem a analogia com o que temos no corpo humano.
Por fim, quando falamos de IA narrativa, abordamos o uso do aprendizado de máquina para gerar conteúdo — imagem, texto, áudio, código ou vídeo. Utilizamos dados passados para o treinamento e geramos novos dados com IA narrativa. Em essência, é o aprendizado de máquina empregado na produção de novos conteúdos.
Concluímos aqui nossa primeira aula, estabelecendo a base e algumas palavras-chave: o que é IA narrativa, o que é aprendizado de máquina e o que é aprendizado profundo. Nos vemos na próxima aula.
Música de encerramento 🎶
O curso OCI AI: Foundations Associate possui 244 minutos de vídeos, em um total de 88 atividades. Gostou? Conheça nossos outros cursos de Multi-cloud & OCI em Cloud, ou leia nossos artigos de Cloud.
Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:
Todos os cursos, trilhas e certificados para evoluir.
7 dias para cancelar com reembolso
Aprenda mais rápido com IA, idiomas e imersões.
7 dias para cancelar com reembolso
TUDO DO PLUS, MAIS:
Aceleração de carreira: mentoria, vagas e prática guiada.
7 dias para cancelar com reembolso
TUDO DO PRO, MAIS:
