Pós-graduação em
Arquitetura de Software e Soluções

Módulo 1 | Fundamentos de Arquitetura de Software

• Introdução à Arquitetura de Software;
• Arquitetura de Software x Arquitetura de Soluções x Arquitetura Corporativa;
• O papel do(a) Arquiteto(a) de Software, hard e soft skills do(a) Arquiteto(a) de Software;
• Processos Decisórios (frame, alternativas, informação, valores, raciocínio lógico e compromisso com a ação);
• Riscos e Mitigação de Riscos (5W2H);
• Frameworks arquiteturais (TOGAF);
• The Open Group IT4IT™ Reference Architecture;
• ArchiMate x UML x BPMN;
• Ciclos de Vida de Desenvolvimento de Software;
• Metodologias ágeis x DevOps x Arquitetura de Software;
• Customer Development;
• Lean Startup;
• Gestão de Configuração e Versionamento, Ferramentas para SCM (Git/SVN/Azure DevOps);
• Boards (Trello / Azure Devops / JIRA).

Módulo 2 |  Requisitos Arquiteturais e Modelagem Arquitetural

• Introdução à Engenharia de Requisitos;
• Tipos de requisitos;
• Técnicas para classificação e análise de requisitos (FURPS+ e SMART);
• Ferramentas para gerenciamento de requisitos;
• Refinamento (Grooming) de requisitos;
• Requisitos arquiteturais;
• Introdução à UML;
• Modelo 4+1;
• C4 Model;
• Ferramentas usadas para testes de cada tipo de requisito;
• Ferramentas para modelagem arquitetural / UML: Astah, Lucidchart, Yuml e Draw.io;
• Ferramentas para gerenciamento de requisitos: Helix RM, JIRA, Orcanos, Openreq, OSRMT, RE-Tools e ReQtest.

Módulo 3 | Design Patterns, Estilos e Padrões Arquiteturais

• Introdução à Programação Orientada a Objetos;
• Princípios SOLID;
• Design Patterns (Padrões de Projetos);
• Clean Architecture;
• Arquitetura Hexagonal;
• Estilos e Padrões Arquiteturais;
• Padrões de Integração de Aplicações (EDI, EAI, ESB e Web Services).

Módulo 4 | Principais Arquiteturas de Software da Atualidade

• Arquitetura de microsserviços;
• SWAGGER;
• Arquitetura API REST e GraphQL;
• Arquitetura orientada a eventos; 
• Arquitetura serverless;
• Azure Functions / AWS Lambda;
• Arquitetura de sistemas Web; 
• Frameworks para desenvolvimento de sistemas Web (Angular / React / Vue.js);
• Arquitetura de sistemas mobile
• Plataforma Nativa para iOS e Android;
• Plataformas Híbridas: Xamarin, Flutter, React Native, Ionic;
• Arquitetura cloud native.

Módulo 1 | Computação em Nuvem

• Princípios da computação em nuvem;
• Nuvens Públicas, Privadas e Híbridas;
• Modalidades de Serviços;
• Soluções Cloud-First;
• TCO / ROI;
• Migração para a nuvem e os 6 R’s (Lift & Shift, Reshape, etc);
• Overview da Azure, AWS e GCP;
• Azure Portal, Console AWS, Console GCP;
• Soluções Multicloud;
• Cloud Management Platforms (CMP);
• Conectividade com a nuvem;
• Soluções de Edge Computing e CDN;
• Serviços de infraestrutura básica: virtual machine e containers;
• Recursos para escalabilidade, elasticidade e alta disponibilidade;  
• Serviços de backup, monitoração e automação;
• Continuidade de negócios (PCN / PCS) e recuperação de desastres;
• Calculadores de TCO e ROI;
• Virtual Box, Hyper-V;
• Docker e Kubernetes (AKS, EKS e GKE);
• Ferramentas de backup e monitoração da Azure, AWS e GCP.

Módulo 2 |  Soluções de Rede e Cibersegurança

• Fundamentos e Conceitos Redes de Computadores
• Ativos e Passivos de Redes
• Arquitetura, Tecnologia, Modelos e Protocolos de Rede
• Endereçamento e Mascaramento de Redes (IPV4 e IPV6)
• Roteamento e Rotas
• Soluções de alta disponibilidade em redes e balanceamento de carga
• Fundamentos e Conceitos sobre Segurança da Informação e Segurança Cibernética
• Defesa em Profundidade
• Ferramentas de segurança; DLP e Criptografia Dados
• Serviços de conectividade, rede e segurança na nuvem (SDN, VPC, VPN)
• Melhores Práticas de Segurança em Cloud
• Soluções de apoio à LGPD

Módulo 3 | Soluções Digitais

• Internet das Coisas (IoT);
• Soluções de Internet das Coisas (IoT) na nuvem;
• Inteligência Artificial (IA) e Machine Learning (ML);
• Soluções de Inteligência Artificial (IA) e Machine Learning (ML) na nuvem;
• Blockchain;
• Soluções para DevOps;
• Jenkins, JIRA;
• Azure DevOps, AWS DevOps Services, SonarQube;
• Soluções de Infraestrutura como código (IaC);
• Puppet, Ansible, Chef, Vagrant e Terraform;
• Azure Resource Manager, AWS Cloud Formation, Google Cloud Deployment Manager; 
• Soluções de Telemetria;
• ELK Stack, Dynatrace, Prometheus + Grafana;
• Chatbots, soluções de reconhecimento áudio / visual. 

Módulo 4 | Soluções para Armazenamento de Dados

• Tipos de dados
• Tecnologias de armazenamento
• Serviços de armazenamento em nuvem
• Bancos de dados relacionais, NOSQL e NewSQL
• Bancos de dados distribuídos e Arquiteturas escaláveis de dados
• Data Lake x Data Warehouse
• Pesquisa indexada
• Bancos de dados em tempo real
• Banco de dados como serviço na nuvem
• Soluções para extração, ingestão, transformação e análise de dados
• Big Data
• Ecossistema Hadoop
• Soluções para Big Data na nuvem

A partir do aprendizado nos bootcamps que compõem a sua Trilha de Pós-Graduação, é hora de começar seu Projeto Aplicado como Desafio de Conclusão. É a última etapa da sua especialização, momento em que você será, mais do que nunca, protagonista da sua jornada de conhecimento. 

Você será apresentado para problemas com alto grau de incerteza e o desafio será propor ideias inovadoras para solucioná-los. O projeto substitui o tradicional Trabalho de Conclusão de Curso, com uma diferença fundamental: é focado em entrega de valor, aplicabilidade, praticidade e com situações atuais que ocorrem no mercado de trabalho.

Durante o Desafio de Conclusão, você terá aulas interativas, reuniões de orientação em grupo e fórum individual para lhe auxiliar. Ao final dos dois bootcamps e do PA, você receberá seu título de pós-graduação e terá ainda mais habilidades técnicas para alavancar sua carreira. Além disso, realizando o upgrade na sua formação com o bootcamp de Inteligência Artificial após concluir o PA, você receberá uma segunda certificação de pós-graduação, ambas com chancela do MEC.

Módulo 1 | Fundamentos da Inteligência Artificial

• Introdução à Inteligência Artificial:

1. Definição de IA e sua evolução histórica;
2. Diferenças entre IA, aprendizado de máquina (Machine Learning – ML) e aprendizado profundo (Deep Learning – DL);
3. Visão geral dos tipos de IA: IA fraca vs. IA forte.

• Conceitos Fundamentais de IA:

1. Algoritmos de aprendizado de máquina: supervisionado, não supervisionado e por reforço;
2. Modelos discriminativos vs Generativos;
3. Redes neurais e estruturas básicas de dados para IA;
4. Ferramentas e linguagens de programação para IA: Python, TensorFlow, PyTorch.

• Aplicações e Casos de Uso da IA:

1. Exemplos práticos de IA no dia a dia;
2. IA nas indústrias: saúde, finanças, educação e mais;
3. Benefícios e limitações da IA.

• Ética e IA:

1. Discussão sobre viés e justiça em sistemas de IA;
2. Privacidade de dados e segurança na era da IA;
3. Regulamentações e políticas de IA.

Módulo 2 |  Implementando e Trabalhando com IA 

• Identificando Oportunidades de IA:

1. Como identificar problemas solucionáveis com IA;
2. Avaliação de prontidão para IA nas organizações (maturidade analítica das organizações);
3. Estudos de caso de transformação digital com IA.

• Planejamento e Implementação de Soluções de IA:

1. Etapas para desenvolver e implementar projetos de IA;
2. Coleta e tratamento de dados para aprendizado de máquina;
3. Monitoramento e avaliação de modelos de IA.

• Estratégias de Aprendizado e Melhoria Contínua:

1. Importância dos dados e da qualidade dos dados para IA;
2. Técnicas de aprimoramento de modelos: ajuste fino, transferência de aprendizagem;
3. Implementando ciclos de feedback e aprendizado contínuo.

• Liderança e Competências Organizacionais em IA:

1. Desenvolvimento de competências de IA dentro das organizações;
2. Decisões estratégicas: construir internamente, comprar ou terceirizar soluções de IA;
3. Criando uma cultura orientada por dados e IA.

Módulo 3 | Inteligência Artificial e IA Generativa Aplicadas às Soluções de TI

• Aplicações de IA em Soluções de TI:

1. Modelo de regressão e sistemas de recomendação personalizados;
2. Detecção de padrões e de anomalias;
3. Chatbots Inteligentes, Prompt Engineering (Engenharia de Prompt) e soluções de IA conversacional;
4. Análise preditiva e prescritiva;
5. Soluções de detecção de fraude;
6. Soluções de conformidade.

• Inteligência Artificial como Apoio à Engenharia de Confiabilidade de Sites (Site Reliability Engineering - SRE)
• Processamento de Linguagem Natural (Natural Language Processing - NLP), Compreensão de Linguagem Natural (Natural Language Understanding - NLU) e Geração de Linguagem Natural (Natural Language Generation - NLG)
• O que é IA Generativa
• Aplicabilidade e Importância da IA Generativa nas Soluções de TI
• OpenAI’s GPT-4
• Entendendo a Arquitetura de Modelos Generativos:

1. Rede Adversária Generativa (Generative Adversarial Networks - GANs);
2. Codificadores automáticos variacionais (Variational Autoencoders - VAEs)
3. Transformer;
4. Chatbot.

• IA Generativa na Elaboração de Projetos Arquiteturais de Software, de Dados e de Soluções
• IA Generativa para a Geração Automatizada de Código
• IA Generativa na Detecção e Resolução de Problemas em Sistemas de Software
• Modelos Generativos para Simulação e Prototipagem Rápida de Sistemas de Software
• IA Generativa na Documentação Automatizada e Explicação de Modelos de IA

Módulo 4 | Inteligência Artificial como Serviço

• Serviços Básicos de IA em Nuvem:

1. Visão geral dos serviços básicos de IA em nuvem (AWS, Azure e GCP);
2. Serviços de reconhecimento de imagem;
3. Serviços de reconhecimento de voz;
4. Serviços de processamento de linguagem natural;
5. Serviços de recomendações personalizadas.

• Treinamento de Modelos de IA em Nuvem:

1. Ferramentas e serviços oferecidos pelos provedores de nuvem para treinamento de modelos de inteligência artificial;
2. Estratégias de treinamento, incluindo seleção de algoritmos, otimização de parâmetros e processamento de grandes conjuntos de dados.

• Implantação e Escalonamento de Modelos de IA em Nuvem:

1. GPU e TPU para workloads de IA;
2. Discussão sobre diferentes opções de implantação, incluindo contêineres, funções serverless e serviços gerenciados;
3. Estratégias de escalonamento para lidar com cargas de trabalho variáveis e volumes de dados em expansão.

• Monitoramento e Manutenção de Modelos de IA em Nuvem:

1. Monitoramento contínuo de modelos de IA em ambientes de produção;
2. Utilização de métricas e ferramentas de monitoramento para avaliar o desempenho e a qualidade dos modelos em produção.

• Ferramentas e Plataformas para Gerenciamento de Modelos de IA em Nuvem:

1. Ferramentas e serviços disponíveis para facilitar o gerenciamento de modelos de IA em nuvem;
2. Plataformas de gerenciamento de ciclo de vida de modelos, controle de versão e colaboração em equipe.

• Segurança e Ética na IA em Nuvem:

1. Desafios de segurança na IA em nuvem;
2. Privacidade de dados e conformidade regulatória;
3. Questões éticas relacionadas à IA em nuvem;
4. Estratégias para mitigar riscos de segurança e garantir a ética no uso da IA em nuvem.