Ficha Unidade Curricular (FUC)

Informação Geral / General Information

Carga Horária / Course Load

Área científica / Scientific area

480 - Informática

Departamento / Department

Departamento de Tecnologias Digitais

Ano letivo / Execution Year

2026/2027

Pré-requisitos / Pre-Requisites

Conhecimentos de programação

Objetivos Gerais / Objectives

A UC de Engenharia de Modelos Inteligentes tem como objetivo capacitar os estudantes para conceber, implementar e gerir sistemas de aprendizagem automática orientados ao ciclo de vida completo de modelos, aplicando princípios e ferramentas de MLOps. Pretende-se que os estudantes compreendam as melhores práticas de integração contínua e de entrega contínua (CI/CD) no contexto de sistemas de Machine Learning (ML), explorem frameworks e ferramentas tais como ModelDB, Kubeflow e MLflow, e apliquem metodologias e padrões de desenvolvimento de software orientados à conceção, treino, validação, implementação, monitorização e atualização contínua de modelos inteligentes. Ao concluir a UC, os estudantes deverão ser capazes de aplicar o quadro conceptual CRISP-ML(Q) para planear e conduzir projetos end-to-end, assegurando a qualidade e a governança dos modelos, e integrar princípios de MLOps na prática profissional, garantindo o alinhamento entre equipas de dados, operações e desenvolvimento.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes

No final da UC, cada estudante deverá ser capaz de: OA1: Explicar os princípios fundamentais de MLOps, LLMOps e do ciclo de vida de modelos inteligentes, identificando as diferenças relativamente ao desenvolvimento tradicional de software. OA2: Implementar pipelines reprodutíveis para gestão de dados, experimentação e treino de modelos. OA3: Desenvolver pipelines automatizadas de integração, treino, validação e deployment utilizando Apache Airflow e práticas de CI/CD aplicadas à aprendizagem automática. OA4: Implementar estratégias de Model Serving, monitorização, versionamento e observabilidade de modelos inteligentes. OA5: Aplicar os princípios da metodologia CRISP-ML(Q) no desenvolvimento de projetos end-to-end, assegurando qualidade, documentação, rastreabilidade e governança. OA6: Desenvolver soluções completas de MLOps e LLMOps, demonstrando capacidade de integração tecnológica, pensamento crítico e adoção de boas práticas de engenharia de modelos inteligentes.

Conteúdos Programáticos / Syllabus

CP1: Fundamentos de MLOps e LLMOps. Ciclo de vida de modelos inteligentes, diferenças face a DevOps e enquadramento metodológico pelo CRISP-ML(Q). CP2: Gestão de experimentação, configuração e reprodutibilidade. MLflow Tracking, DVC e Hydra para versionamento de dados, artefactos, parâmetros e resultados. CP3: Orquestração e automatização de workflows de aprendizagem automática. Desenvolvimento de DAGs com Apache Airflow para ingestão, treino, avaliação e execução reativa de pipelines. CP4: Gestão do ciclo de vida dos modelos. Packaging, Model Registry, versionamento, rastreabilidade, governança e observabilidade de artefactos e experiências. CP5: Model Serving, deployment e monitorização. Desenvolvimento de APIs com FastAPI, contentorização com Docker, monitorização de desempenho e deteção de degradação com Evidently. CP6: Introdução ao LLMOps. Gestão e avaliação de prompts, tracing, observabilidade e integração de modelos de linguagem em pipelines operacionais.

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's content dovetails with the specified learning outcomes

O CP1 fornece os fundamentos conceptuais de MLOps e LLMOps, suportando o OA1 ao enquadrar o ciclo de vida de sistemas inteligentes e a metodologia CRISP-ML(Q). O CP2 contribui para o OA2, introduzindo ferramentas de experimentação, versionamento e gestão de pipelines, como MLflow, DVC e Hydra. O CP3 desenvolve o OA3, explorando a automatização de workflows através de Apache Airflow, CI/CD e monitorização contínua. O CP4 suporta os OA3 e OA4, abordando a conceção de sistemas ML end-to-end, deployment, serving e gestão do ciclo de vida dos modelos. O CP5 está diretamente relacionado com o OA4 e o OA6, ao introduzir estratégias modernas de deployment e padrões de Model Serving. Finalmente, o CP6 consolida todos os objetivos de aprendizagem através da aplicação da metodologia CRISP-ML(Q), promovendo qualidade, rastreabilidade, governança e melhoria contínua de modelos em produção.

Avaliação / Assessment

Esta UC, pela sua natureza eminentemente prática e aplicada, segue o modelo de Avaliação ao Longo do Semestre (ALS, prevista no RGACC) por projeto, não contemplando avaliação por exame, e possui os seguintes elementos de avaliação: -- Mini-Projeto 1 (40%): Consiste na implementação de uma pipeline reprodutível para desenvolvimento de modelos de aprendizagem automática, incluindo gestão de experiências, versionamento de dados e modelos, configuração do projeto e automatização parcial do ciclo de treino. -- Mini-Projeto 2 (60%): Consiste na evolução da solução anterior para um sistema completo de operacionalização de modelos inteligentes, integrando deployment, serving, monitorização, observabilidade e princípios de LLMOps (se aplicável). Cada elemento de avaliação possui uma nota mínima de 8,5 valores. Em qualquer elemento de avaliação, o docente ou coordenador da UC poderá solicitar, em qualquer momento durante o semestre, uma discussão oral individual destinada à confirmação da autoria dos trabalhos apresentados e/ou à aferição dos conhecimentos e competências demonstrados pelo estudante. A utilização de ferramentas de inteligência artificial generativa é permitida apenas como instrumento de apoio ao processo de aprendizagem, não podendo, em momento algum, substituir a autoria intelectual e a responsabilidade individual do estudante sobre qualquer elemento de avaliação entregue. O estudante é integralmente responsável pelo conteúdo submetido, devendo ser capaz de o justificar, explicar e defender perante o docente e/ou coordenador. Para esclarecimento adicional, é indispensável a leitura de outros documentos de referência para o processo de avaliação, tais como o Guia para uma Utilização Responsável da Inteligência Artificial em Trabalhos Académicos (Conselho Científico, 21/04/2026), o Código de Conduta Académica (CCA) e o Regulamento Disciplinar de Discentes (RDD). Para obter aprovação na UC, o estudante deverá alcançar uma nota final mínima de 10 valores, resultante da soma ponderada de todos os elementos de avaliação. Um estudante é considerado reprovado nesta UC caso não obtenha aprovação na ALS. A 1ª Época e a 2ª Época poderão ser utilizadas para a realização de momentos de avaliação. A presença nas sessões síncronas não é obrigatória.

Metodologias de Ensino / Teaching methodologies

Esta UC foi desenhada para o Ensino a Distância (EaD), adotando um modelo pedagógico flexível, centrado no estudante e alinhado com os princípios de autonomia, interatividade e colaboração. Os estudantes têm acesso a materiais multimédia, vídeos explicativos, apresentações interativas e estudos de caso, disponibilizados numa plataforma de e-learning. Estas aulas expositivas assíncronas podem ser revistas a qualquer momento, permitindo a cada estudante aprofundar os conteúdos ao seu próprio ritmo. Para fomentar a interação e o feedback contínuo, serão realizadas sessões síncronas por videoconferência, nas quais o docente discute tópicos avançados, esclarece dúvidas e promove debates sobre problemas reais da indústria. Fóruns de discussão, chats, wikis e grupos de trabalho virtuais apoiam a aprendizagem colaborativa, incentivando o intercâmbio de experiências e a resolução conjunta de desafios. A metodologia baseia-se em abordagens ativas, como Aprendizagem Baseada em Projetos (PBL) e Aprendizagem Baseada em Tarefas, aplicadas a cenários práticos de MLOps. Serão propostos miniprojetos e atividades orientadas para o planeamento, implementação e monitorização de pipelines ML, utilizando ferramentas como ModelDB, Kubeflow e MLflow. Estes exercícios práticos permitem aos estudantes ganhar experiência na gestão de experimentação, execução de CI/CD e deployment de modelos, simulando cenários reais da indústria. O Design Thinking é introduzido como método de estruturação de problemas e conceção de soluções criativas. Assim, os estudantes são estimulados a analisar casos reais, aplicar o CRISP-ML(Q) como guia metodológico e propor melhorias contínuas. O docente atua como facilitador, fornecendo feedback formativo contínuo nas plataformas digitais, orientando para a utilização de boas práticas de engenharia de software, documentação, testes automatizados, controlo de versões e monitorização. A articulação com o modelo pedagógico do EaD é evidenciada pela utilização de ferramentas de aprendizagem online, flexibilidade de horários, acesso permanente aos materiais, apoio síncrono e assíncrono e processos de avaliação contínua. Esta abordagem assegura que os estudantes desenvolvam as competências técnicas, analíticas e colaborativas necessárias para dominar os princípios de MLOps, integrando equipas multidisciplinares e respondendo aos desafios complexos da implementação de sistemas ML em produção. Assim, as metodologias de ensino e aprendizagem escolhidas potenciam a motivação, a autonomia e a construção do conhecimento, acompanhando as melhores práticas pedagógicas do EaD.

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes

As metodologias de ensino adotadas encontram-se alinhadas com os objetivos de aprendizagem, promovendo uma evolução progressiva desde a compreensão conceptual até à implementação de soluções completas de MLOps e LLMOps. Os conteúdos teóricos disponibilizados em regime assíncrono e as sessões síncronas suportam o OA1, proporcionando uma compreensão sólida dos princípios de MLOps, do ciclo de vida de modelos inteligentes e da metodologia CRISP-ML(Q). A utilização de exemplos reais facilita a contextualização dos conceitos e a sua aplicação em ambientes profissionais. Os laboratórios práticos desenvolvem os OA2, OA3 e OA4, permitindo aos estudantes implementar pipelines reprodutíveis, automatizar workflows, gerir experimentação e operacionalizar modelos utilizando ferramentas amplamente adotadas pela indústria, como MLflow, DVC, Hydra, Apache Airflow, Docker e FastAPI. O desenvolvimento dos dois mini-projetos promove o OA5 e o OA6, exigindo a integração progressiva dos diferentes componentes do ciclo de vida dos modelos, desde a preparação e treino até ao deployment, monitorização e melhoria contínua. Esta abordagem favorece o pensamento crítico, a capacidade de resolução de problemas complexos e a aplicação das melhores práticas de engenharia de software para Inteligência Artificial. O feedback contínuo do docente, as discussões técnicas e a apresentação oral individual reforçam a autonomia, a capacidade de comunicação e a reflexão crítica sobre as soluções implementadas. Desta forma, a combinação entre aprendizagem autónoma, laboratórios, projetos e acompanhamento tutorial assegura uma forte coerência entre as metodologias de ensino e os objetivos de aprendizagem, preparando os estudantes para desenvolver e operacionalizar modelos inteligentes em contextos reais de investigação e indústria.

Observações / Observations

.

Bibliografia Principal / Main Bibliography

"1. Washizaki, H., Prikladnicki, R., et al. (2022). MLOps Engineering at Scale. O’Reilly. 2. Zweig, K. (2023). Effective MLOps. Manning. 3. Villela, J. A., et al. (2022). Kubeflow Operations Guide. O’Reilly. 4. Lakshmanan, V., Robinson, C., & Munn, M. (2020). Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps. O’Reilly. "

Bibliografia Secundária / Secondary Bibliography

"1. Amershi, S., et al. (2019). Software Engineering for Machine Learning: A Case Study. IEEE/ACM Joint Conference on SE 2. Shevat, A. (2020). Designing ML-Powered Applications: ML Design Patterns for Developer Teams. O’Reilly."

Data da última atualização / Last Update Date

2026-08-27