Currículo

Inteligência Artificial para os Negócios 04918

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

OA1: Reconhecer criticamente as vantagens e limitações de métodos de IA (Machine Learning, PLN), identificando contextos de aplicação adequados. OA2: Selecionar e justificar algoritmos de aprendizagem (supervisionada e não supervisionada) e técnicas de engenharia de prompts, considerando eficiência, aplicabilidade e ética. OA3: Conceber soluções de IA para cenários empresariais, envolvendo recolha, preparação e análise de dados. OA4: Implementar protótipos com recurso a plataformas de análise preditiva e a ferramentas de IA Generativa, validando os resultados em situações reais. OA5: Integrar princípios de proteção de dados e conformidade legal, garantindo transparência e governance nos sistemas de IA. OA6: Colaborar em equipas multidisciplinares para analisar casos de uso, desenvolver soluções e comunicar resultados de forma eficaz. OA7: Demonstrar reflexão sobre implicações éticas e sociais, orientando práticas responsáveis na adoção de IA.

Programa

CP1: Introdução à IA e IA Generativa: conceitos, evolução histórica, mitos e realidades. CP2: Machine Learning: aprendizagem supervisionada e não supervisionada (regressão, árvores de decisão, k-means), exemplos em previsão de vendas e segmentação de clientes. CP3: Processamento de Linguagem Natural: definições e conceitos base, análise de sentimentos, engenharia de prompts, criação de chatbots personalizados. CP4: Ferramentas de IA para Negócios: Power BI com funcionalidades de previsão, Microsoft Co-pilot, ChatGPT, automatização de relatórios e apresentações. CP5: Legislação e Políticas de IA: ética, regulamentação (GDPR, Regulamento IA), governance e práticas responsáveis. CP6: Aplicações em diversos setores (marketing, gestão de operações, RH), contemplando geração de campanhas, análises preditivas e controlo de risco.

Método de Avaliação

Esta UC segue a modalidade de Avaliação ao Longo do Semestre (ALS), prevista em RGACC, e é composta por dois blocos de avaliação (BA), cada um reunindo diferentes instrumentos: -- Avaliação ao Longo do Semestre (ALS): - BA1 (40%): Dois mini-testes escritos (20% cada) realizados individualmente em momentos distintos, cobrindo conteúdos teóricos e práticos de IA. Cada mini-teste tem nota mínima de 8,5 valores. - BA2 (60%): Projeto prático de IA para os Negócios, desenvolvido em grupo ou individualmente, que inclui pesquisa, implementação de uma solução baseada em IA (por exemplo, um chatbot ou modelo de previsão) e relatório escrito. Este projeto pode envolver uma apresentação oral individual ou em grupo para clarificar a autoria e aferir conhecimentos. A nota mínima deste bloco é de 8,5 valores. Em qualquer BA, poderá ser necessária uma discussão oral individual para confirmação de autoria e/ou aferir o domínio dos conhecimentos, em qualquer momento no decorrer do semestre. A aprovação na unidade curricular requer uma nota final mínima de 10 valores, resultante da soma ponderada dos BAs, e o cumprimento das notas mínimas em cada componente. -- Avaliação por Exame: Existem duas épocas de exame (1.ª e 2.ª), cada uma com ponderação de 100%. O exame incide sobre todos os conteúdos da UC, incluindo aspetos teóricos e práticos, bem como casos de estudo. Os estudantes que optem por esta modalidade ou não cumpram as condições de aprovação na ALS podem realizar o exame. Neste caso, a aprovação requer, igualmente, uma classificação mínima de 10 valores. A assiduidade nas aulas não é obrigatória, embora a participação ativa seja recomendada para consolidar conhecimentos e acompanhar de perto as orientações dos docentes. A presença física do aluno é obrigatória em todos os elementos de avaliação, sob pena de reprovação à UC e/ou de atribuição de 0 valores ao elemento de avaliação.

Carga Horária

Bibliografia

Principal

• 1. Appio, F. P., La Torre, M., Lazzeri, G., Masri, R., & Schiavone, F. (2024). Impact of Artificial Intelligence in Business and Society: Opportunities and Challenges. 2. Ozdemir, S. (2023). Quick Start Guide to Large Language Models: Strategies and Best Practices for Using ChatGPT and Other LLMs. Addison-Wesley Professional. 3. T. H., & Mittal, N. (2023). All In on AI: How Smart Companies Win Big with Artificial Intelligence. Harvard Business Review Press. 4. Hemachandran, K., & V., R. R. (2023). Artificial intelligence for business: An implementation guide containing practical and industry-specific case studies (K. Hemachandran & R. V. Rodriguez, Eds.; 1.a ed.). Taylor & Francis.:

Secundária

• 5. Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, And Tensorflow : Concepts, Tools, And Techniques to Build Intelligent Systems. Sebastopol, CA: O'Reilly Media, Inc. 6. Ller, A. & Guido, S. (2017). Introduction To Machine Learning with Python: A Guide for Data Scientists. Sebastopol, CA: O'Reilly Media, Inc. 7. VanderPlas, J. (2016). Python Data Science Handbook. O’Reilly Media.:

Disciplinas de Execução

2025/2026 - 1º Semestre