IA de Produção para Times de Dados: do SQL ao MLOps

Trilha técnica para levar modelos do notebook à produção: seu SQL já cobre 80% do caminho, e o programa percorre o resto com o seu time.

Programa corporativo de 72 horas para times de TI, engenharia e dados que precisam colocar modelos em produção com confiabilidade. Em dois eixos, vai do enquadramento do problema e da tabela de treino em SQL até MLOps, LLMOps e governança, com laboratórios em ferramentas gratuitas e dados públicos brasileiros. O projeto aplicado entrega um modelo em produção, do pipeline ao monitoramento.

O que você vai conseguir fazer

• Enquadrar problemas de negócio como problemas de ML e construir tabelas de treino em SQL, com features temporais e sem vazamento de dados
• Treinar e validar modelos supervisionados com baselines, validação temporal, métricas ligadas ao custo do erro, tratamento de desbalanceamento e calibração
• Construir pipelines de dados para ML com camadas, testes de qualidade, data contracts, lakehouse e feature store
• Explicar modelos com SHAP, medir viés por grupo, documentar com model cards e atender aos requisitos da LGPD para decisões automatizadas
• Publicar modelos de forma reprodutível com MLflow, APIs em FastAPI, contêineres Docker e CI/CD no GitHub Actions
• Monitorar e manter modelos em produção: drift de dados e de conceito, alertas, observabilidade, retreino e custos
• Operar IA generativa com segurança: RAG, avaliação de LLMs, guardrails contra injeção de prompt, custo por token, agentes e MCP
• Estruturar plataforma e governança de IA: maturidade de MLOps, arquitetura de referência, papéis, ISO/IEC 42001, regulação e indicadores de valor

Para quem é

Times de TI, engenharia e dados que precisam levar modelos à produção: analistas de dados, engenheiros de dados, engenheiros de software, desenvolvedores, cientistas de dados em início de carreira, DBAs e líderes técnicos. O time pode ser misto: cada sigla e conceito é explicado na primeira vez em que aparece.

Pré-requisitos

SQL intermediário (JOIN, GROUP BY, subconsultas) e Python básico. Não é necessária experiência prévia com MLOps; os laboratórios usam ferramentas gratuitas (BigQuery sandbox ou Databricks Free Edition, Google Colab, MLflow, GitHub).

Conteúdo

• Enquadrar o problema e preparar dados com SQL — Competência: preparar dados de treino confiáveis com SQL — 7h
• Modelagem supervisionada sólida — Competência: treinar e validar modelos com métricas de negócio — 7h
• Engenharia de dados para ML — Competência: construir pipelines de dados confiáveis para ML — 7h
• Explicabilidade, viés e documentação — Competência: explicar, auditar e documentar modelos — 7h
• Empacotar e servir — Competência: publicar modelos de forma reprodutível — 7h
• Monitorar e manter — Competência: manter modelos saudáveis em produção — 7h
• LLMOps: IA generativa em produção — Competência: operar aplicações de IA generativa com segurança — 7h
• Plataforma, governança e escala — Competência: escalar e governar a IA de produção — 7h

Giselle Falcão, PhD — Consultora e pesquisadora em Inteligência Artificial e Ciência de Dados.