Currículo

Engenharia de Modelos Inteligentes 04949

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

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.

Programa

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.

Método de Avaliação

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.

Carga Horária

Bibliografia

Principal

• "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. " : . .

Secundária

• "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." : . .

Disciplinas de Execução