Sebenta · Criar aplicações interativas com recurso a inteligência artificial (UC04378)

Introdução

Esta sebenta ensina a planear, integrar e testar inteligência artificial (IA) dentro de aplicações interativas: instalações de museu, apps móveis, quiosques, experiências de realidade aumentada. Não vamos construir modelos de IA de raiz, isso é trabalho de investigação especializada, vamos integrar modelos já treinados em produtos reais, através de bibliotecas e APIs, com rigor técnico e responsabilidade ética.

O percurso segue a lógica do referencial: primeiro os fundamentos (pensamento computacional, evolução da IA, machine learning, deep learning, treino e avaliação de modelos), depois cada tipo de integração concreta (reconhecimento de objetos, reconhecimento facial, geração de arte e vídeo, legendas automáticas, realidade aumentada e virtual) e por fim as ferramentas transversais (frameworks, bibliotecas, APIs, segurança e ambiente).

Objetivos de aprendizagem (referencial): planear a conceção de aplicações interativas com IA; integrar modelos de IA para reconhecimento de objetos, reconhecimento facial, criação de arte, imagens e vídeos; criar legendas automáticas; integrar IA em aplicações de realidade aumentada e realidade virtual.

1. Pensamento computacional

O pensamento computacional é o método de raciocínio que precede qualquer solução técnica, incluindo uma aplicação com IA. Assenta em quatro pilares que se repetem em todos os projetos desta UC:

• Decomposição: dividir o problema (ex.: "reconhecer produtos numa prateleira") em partes menores (captar imagem, detetar produtos, identificar cada um, mostrar informação).
• Reconhecimento de padrões: perceber que problemas diferentes partilham uma estrutura semelhante (deteção facial e deteção de objetos usam o mesmo tipo de raciocínio).
• Abstração: ignorar detalhes irrelevantes (a cor exata do fundo) e concentrar-se no que importa (a forma do objeto).
• Algoritmos: descrever a solução como uma sequência clara de passos, testável e repetível.

Exemplo resolvido: decompor um problema real

Uma loja quer uma aplicação que avisa quando uma prateleira está vazia, através de uma câmara fixa.

1. Decompor: captar imagem periodicamente → detetar a prateleira → contar os produtos visíveis → comparar com o stock mínimo → alertar se abaixo do limite.
2. Padrão: é o mesmo raciocínio de "contar objetos numa imagem" usado noutras aplicações (contagem de pessoas, de veículos).
3. Abstração: não interessa a marca exata do produto, só se o espaço está ocupado ou vazio.
4. Algoritmo: um ciclo que corre a cada 5 minutos, chama o modelo de deteção, compara a contagem e dispara o alerta.

Este raciocínio, feito antes de escolher qualquer ferramenta, poupa retrabalho e evita escolher um modelo desadequado ao problema.

2. Evolução e conceitos da inteligência artificial

A inteligência artificial (IA) é a capacidade de um sistema realizar tarefas que, tipicamente, exigiam inteligência humana: reconhecer, decidir, gerar, comunicar.

Uma linha do tempo resumida

Os conceitos centrais que sustentam esta UC

• Machine learning: o sistema aprende padrões a partir de dados, em vez de seguir regras escritas à mão.
• Redes neuronais: modelo matemático inspirado, de forma simplificada, no funcionamento do cérebro, organizado em camadas de neurónios artificiais.
• Algoritmos genéticos: técnicas de otimização inspiradas na evolução biológica, por seleção, cruzamento e mutação de soluções candidatas.
• Processamento de linguagem natural (PLN): permite ao sistema compreender e gerar linguagem humana, base do reconhecimento de voz e das legendas automáticas.

Estes quatro conceitos combinam-se, em proporções diferentes, em todas as aplicações de IA que a UC estuda.

3. Machine learning: princípios e algoritmos

Em machine learning, o modelo aprende a partir de exemplos (dados). Distinguem-se três formas de aprendizagem:

• Supervisionada: os dados de treino já trazem a resposta certa (ex.: milhares de fotos rotuladas "capacete" ou "sem capacete"). É a mais usada nas aplicações desta UC.
• Não supervisionada: o sistema encontra padrões sem rótulos prévios (ex.: agrupar visitantes de uma exposição por comportamento).
• Por reforço: o sistema aprende por tentativa e erro, recebendo recompensas por decisões corretas.

Tipos de algoritmo, por objetivo

Exemplo resolvido: escolher o algoritmo certo

Uma galeria de arte quer saber, a partir de sensores de movimento, quantos grupos distintos de visitantes passam pela exposição num dia, sem saber à partida quantos tipos existem.

Resolução: trata-se de agrupamento (clustering), não classificação, porque não há categorias definidas antecipadamente; o algoritmo é que descobre os grupos a partir dos dados de movimento recolhidos.

4. Deep learning e redes neuronais

Deep learning é machine learning com redes neuronais de muitas camadas. É a técnica por trás da visão computacional, da geração de imagem e dos assistentes de voz modernos.

• Camada de entrada: recebe os dados brutos (pixéis de uma imagem, amostras de áudio).
• Camadas escondidas: extraem características cada vez mais abstratas, de traços simples a conceitos complexos.
• Camada de saída: produz o resultado final (a classe, o valor, o texto).

Da rede totalmente ligada à rede convolucional

• Rede totalmente ligada: cada neurónio liga-se a todos os da camada seguinte; adequada a dados tabulares simples.
• Rede neuronal convolucional (CNN): usa filtros que "varrem" a imagem, é a arquitetura especializada em imagem e vídeo, e a base da maior parte dos modelos de visão computacional desta UC.
• Rede recorrente e variantes: guardam "memória" de dados anteriores na sequência, adequadas a voz e texto.

Na prática profissional, raramente se desenha uma rede de raiz: usam-se modelos pré-treinados, disponibilizados por bibliotecas ou APIs, que já resolveram este desenho.

5. Treinar e avaliar modelos de IA

Treinar um modelo é ajustar os seus parâmetros até acertar o máximo possível, sem "decorar" os dados de treino (overfitting).

Passo a passo do treino

1. Preparar os dados: recolher, limpar e rotular, depois dividir em conjuntos de treino, validação e teste.
2. Escolher a arquitetura: o tipo de rede ou algoritmo adequado ao problema.
3. Treinar: o modelo ajusta os pesos ao longo de várias iterações (épocas).
4. Validar: testar em dados que o modelo não viu, para detetar overfitting.
5. Ajustar hiperparâmetros e repetir até o desempenho estabilizar.

Avaliar desempenho e generalização

Critério de desempenho da UC: verificar a capacidade dos modelos de IA em generalizar para diferentes conjuntos de dados.

• Precisão (accuracy): percentagem total de acertos.
• Precisão e revocação (precision/recall): essenciais quando as classes estão desequilibradas, por exemplo detetar defeitos raros numa linha de produção.
• Consumo de recursos: tempo de resposta, memória e energia gastos a correr o modelo, medido para garantir eficiência.
• Explicabilidade: capacidade de explicar as decisões tomadas pelo modelo, cada vez mais exigida por lei e por confiança do utilizador.

Exemplo resolvido: overfitting

Um modelo de deteção de defeitos numa fábrica acerta 99% nas fotos de treino, mas falha metade das vezes com fotos novas da própria linha.

Resolução: é um caso clássico de overfitting, o modelo memorizou padrões específicos das fotos de treino em vez de aprender características gerais do defeito. A correção passa por mais dados de treino variados, técnicas de regularização e, sobretudo, validar sempre com dados que o modelo nunca viu.

6. Planear uma aplicação interativa com IA

Realização central da UC: planear a conceção de aplicações interativas com inteligência artificial. O planeamento antecede sempre a escolha da ferramenta.

As cinco perguntas do planeamento

1. Que problema resolve a interação? (reconhecer, gerar, legendar, sobrepor conteúdo).
2. Que modalidade de IA serve o problema? (visão, voz, texto, geração de imagem, ou combinações).
3. Que modelo ou serviço integrar? Treinar de raiz é raro; escolhe-se um modelo pré-treinado ou uma API.
4. Como se desenha a interação? Input do utilizador (câmara, microfone, ecrã tátil), tempo de resposta esperado, output.
5. Que recursos são necessários? Dispositivo, ligação à internet, licenças, limites de uso da API, orçamento.

Do protótipo ao produto interativo

• Protótipo: testar o modelo isoladamente, num script ou numa ferramenta online, antes de o integrar na aplicação final.
• Integração: ligar o modelo à aplicação através de uma API ou biblioteca, dentro do fluxo de dados do produto.
• Desenho da interface: como o utilizador interage (câmara, microfone, gestos, ecrã tátil).
• Testes com utilizadores reais: um modelo tecnicamente correto pode ser mau de usar se a interação não for clara.

Uma aplicação interativa com IA só está pronta quando o modelo, a interface e a experiência funcionam como um todo coerente.

7. Integrar reconhecimento de objetos em imagens

Realização da UC: integrar modelo de IA para reconhecimento de objetos em imagens. A visão computacional ensina o computador a interpretar imagens.

Tarefas de visão computacional

Exemplo resolvido: deteção de equipamento de proteção

Uma app de segurança numa obra deve identificar, pela câmara, trabalhadores sem capacete.

1. Escolher um modelo pré-treinado de deteção de objetos (ex.: uma família de modelos de deteção em tempo real, ou um serviço de visão em nuvem).
2. Ligar a câmara ao fluxo da aplicação e enviar cada imagem (ou frame) ao modelo, via API ou biblioteca.
3. Receber a resposta: lista de objetos detetados, com classe, posição na imagem e grau de confiança.
4. Desenhar as caixas e etiquetas sobre a imagem na interface da aplicação.
5. Aplicar uma regra de negócio: alertar se for detetada uma pessoa sem capacete.
6. Registar o grau de confiança de cada deteção e definir um limite mínimo para disparar o alerta, evitando falsos positivos.

8. Segmentação semântica em redes convolucionais

A segmentação semântica vai além da deteção de objetos: em vez de uma caixa à volta do objeto, classifica cada pixel da imagem segundo a classe a que pertence. Aptidão da UC: usar algoritmos de segmentação para isolar objetos.

• Baseia-se em redes neuronais convolucionais (CNN) especializadas em segmentação.
• O resultado é uma "máscara" que separa, pixel a pixel, por exemplo "pessoa", "fundo" e "objeto".
• Permite isolar um objeto com precisão para o recortar, trocar de fundo, ou medir uma área.

Onde a segmentação aparece nesta UC

• Trocar o fundo de uma imagem ou vídeo numa aplicação interativa (ex.: efeitos de videochamada).
• Isolar uma pessoa para a sobrepor a outro cenário, base de muitas aplicações de realidade aumentada.
• Medir ou destacar uma zona de interesse, por exemplo uma peça defeituosa numa linha de produção.

A segmentação liga, tecnicamente, o reconhecimento de objetos (Capítulo 7) à realidade aumentada e virtual (Capítulo 11): primeiro localiza-se o objeto, depois separa-se pixel a pixel para o manipular.

9. Integrar reconhecimento facial

Realização da UC: integrar modelo de IA para reconhecimento facial. Aptidão associada: aplicar algoritmos de IA para identificar e analisar características faciais.

Como funciona, passo a passo

1. Deteção da face: localizar a região da cara dentro da imagem.
2. Extração de características: medir pontos-chave (olhos, nariz, boca, contorno) e representá-los como um vetor numérico.
3. Comparação: comparar esse vetor com uma base de dados de rostos conhecidos.
4. Decisão: identificar a pessoa entre várias (1:N) ou verificar se é quem diz ser (1:1), sempre com um grau de confiança associado.

Ética e limites do reconhecimento facial

• Viés (bias): modelos treinados com dados pouco diversos reconhecem pior determinados grupos de pessoas.
• Privacidade: recolher e guardar rostos exige consentimento explícito e cuidado redobrado com dados pessoais.
• Contexto de uso importa: aceitável desbloquear um telemóvel pessoal, muito mais sensível vigilância em espaço público sem aviso.

Atitude da UC diretamente ligada a este tema: responsabilidade pelas suas ações. Um técnico competente sabe implementar reconhecimento facial e sabe também reconhecer quando não o deve usar.

Exemplo resolvido: identificação vs verificação

Um museu quer que os visitantes com bilhete "amigo" sejam reconhecidos automaticamente à entrada, sem cartão.

Resolução: é um problema de verificação (1:1), não de identificação aberta (1:N): o sistema compara o rosto captado com o rosto associado ao bilhete específico que a pessoa apresenta (por QR code, por exemplo), em vez de o comparar com toda a base de visitantes. Isto reduz falsos positivos e limita a quantidade de dados pessoais tratados.

10. Criação de arte, imagens e vídeo com IA generativa

Realização da UC: integrar modelo de IA para criação de arte, imagens e vídeos. Aptidão associada: incorporar modelos generativos.

Tipos de geração

• Geração de imagem a partir de texto (text-to-image): o modelo cria uma imagem nova a partir de uma descrição escrita.
• Geração de vídeo: extensão da geração de imagem ao longo do tempo, quadro a quadro ou por segmentos.
• Transferência de estilo: aplicar o estilo visual de uma imagem (ex.: uma pintura conhecida) a outra imagem.
• Edição generativa: preencher, substituir ou expandir partes de uma imagem já existente.

Exemplo resolvido: retrato interativo num museu

Um quiosque de museu deve gerar, em segundos, um retrato do visitante "no estilo" de uma das obras em exposição.

1. O visitante tira uma fotografia na câmara do quiosque.
2. A aplicação envia a fotografia e um pedido (prompt) de estilo ao modelo generativo, via API.
3. O modelo devolve a imagem gerada, tipicamente em poucos segundos.
4. A aplicação mostra o resultado e oferece a opção de o visitante o descarregar.
5. Informa-se sempre o visitante de que a imagem foi gerada por IA, e o rosto original não é guardado sem consentimento.

11. Voz: reconhecimento e legendas automáticas

Os sistemas de reconhecimento de voz convertem fala em texto (speech-to-text), base dos assistentes de voz e das legendas automáticas. Realização da UC ligada a este tema: criar legendas automáticas.

Como funciona o reconhecimento de voz

1. Captura de áudio: o microfone recolhe o sinal sonoro.
2. Pré-processamento: remoção de ruído, normalização do volume.
3. Modelo de reconhecimento: converte o áudio em texto, com técnicas de processamento de sequência.
4. Pós-processamento: pontuação, capitalização e correção de erros frequentes.

Exemplo resolvido: gerar legendas automáticas para um vídeo

Uma escola quer legendar automaticamente os vídeos das aulas gravadas, para acessibilidade.

1. Extrair o áudio do vídeo.
2. Enviar o áudio a um serviço de reconhecimento de voz, via API.
3. Receber o texto já com marcas de tempo (timestamps) associadas a cada trecho.
4. Gerar o ficheiro de legendas, num formato compatível (por exemplo .srt), sincronizado com o vídeo.
5. Rever manualmente termos técnicos e nomes próprios, que o modelo erra com mais frequência.

Legendas automáticas melhoram diretamente a acessibilidade da aplicação para pessoas surdas ou com dificuldade auditiva, mas exigem sempre revisão humana antes de publicar.

12. Sistemas de processamento de vídeo

Um vídeo é uma sequência de imagens (frames) no tempo, muitas vezes com áudio associado. O processamento de vídeo combina as técnicas de imagem já estudadas, aplicadas repetidamente.

• Deteção e segmentação frame a frame: aplicar o modelo de imagem a cada quadro do vídeo.
• Seguimento (tracking): manter a identidade de um objeto ou de uma pessoa entre quadros consecutivos.
• Amostragem: processar apenas alguns frames por segundo, para poupar recursos sem perder qualidade de deteção.
• Sincronização com áudio: legendas e eventos têm de coincidir exatamente com o quadro correto.

Desempenho e recursos

Critério de desempenho da UC: avaliar o consumo de recursos durante a execução de modelos de IA para garantir eficiência. Vídeo em direto exige processar dezenas de frames por segundo em tempo real. Trocas possíveis para ganhar velocidade: menor resolução, menos frames por segundo, ou um modelo mais leve. Mede-se sempre tempo de resposta, uso de memória e, em dispositivos móveis, consumo de bateria.

13. Realidade aumentada e realidade virtual com IA

Realização da UC: integrar IA em aplicações de realidade aumentada (RA) e de realidade virtual (RV).

RA vs RV

• Realidade aumentada (RA): sobrepõe elementos digitais ao mundo real, visto através da câmara de um telemóvel ou de óculos.
• Realidade virtual (RV): substitui totalmente o ambiente real por um ambiente digital imersivo.
• Ambas dependem de IA para perceber o mundo (visão computacional) e para reagir a ele em tempo real.

Como a IA entra numa aplicação de RA/RV

1. Deteção e segmentação: reconhecer superfícies, objetos ou pessoas no ambiente real (essencial em RA).
2. Seguimento (tracking): manter o elemento digital "colado" ao ponto certo enquanto a câmara ou a cabeça do utilizador se move.
3. Reconhecimento de gestos ou de voz: permitir interação sem teclado nem rato.
4. Geração de conteúdo: criar texturas, avatares ou cenários com IA generativa para enriquecer a experiência virtual.

Exemplo resolvido: provador virtual

Uma loja quer um provador virtual de óculos: o cliente vê, na câmara do telemóvel, como ficaria com cada modelo.

Resolução: o fluxo combina deteção facial (Capítulo 9) para localizar os pontos-chave da cara, seguimento (tracking) para manter o modelo 3D dos óculos ajustado enquanto o cliente se mexe, e renderização em tempo real para sobrepor a imagem. É um exemplo direto de como as técnicas anteriores da UC se combinam numa única aplicação de realidade aumentada.

14. Frameworks, bibliotecas e APIs

Um framework de IA é um conjunto de ferramentas de software que facilita construir, treinar e usar modelos. Aptidão da UC: utilizar diferentes tipos de bibliotecas e APIs.

Treino vs inferência

Na maioria dos projetos desta UC, usa-se inferência: o modelo já vem treinado por terceiros, a aplicação só o consome através de uma biblioteca ou de uma API.

Biblioteca local vs API na nuvem

A escolha certa depende sempre do contexto do planeamento (Capítulo 6): uma instalação sem internet exige modelo local; um protótipo rápido beneficia de uma API na nuvem.

15. Segurança, saúde no trabalho e proteção ambiental

Normas de segurança e saúde no trabalho

Trabalhar com câmaras, sensores e computação intensiva (treino e inferência de modelos) exige atenção redobrada:

• Postura e ecrãs: pausas regulares, boa iluminação, monitor à altura dos olhos.
• Equipamento elétrico: cabos e ligações em bom estado, sobretudo em sessões longas de treino ou de teste.
• Uso de câmara e sensores em espaço público: sinalizar sempre que há captura de imagem ou de voz.

Normas de proteção ambiental

Modelos de IA, sobretudo no treino, consomem energia e recursos computacionais significativos:

• Preferir modelos pré-treinados em vez de treinar de raiz sempre que o problema o permita.
• Escolher a inferência mais leve que cumpra o objetivo, sem sobredimensionar o hardware.
• Desligar equipamento em desuso e monitorizar o consumo energético de servidores e postos de trabalho.
• Reciclar equipamento eletrónico obsoleto segundo as normas locais.

Atitudes da UC que atravessam todo este capítulo: rigor, responsabilidade e respeito pelas regras e normas definidas.

Erros comuns

• Escolher a ferramenta de IA antes de decompor o problema com pensamento computacional.
• Avaliar um modelo com os mesmos dados que serviram para o treinar, escondendo o overfitting.
• Confundir deteção de objetos (caixas) com segmentação semântica (pixel a pixel).
• Tratar o reconhecimento facial como infalível, ignorando viés e falsos positivos.
• Publicar legendas automáticas sem revisão humana, sobretudo em vocabulário técnico.
• Testar uma aplicação de vídeo só num computador potente e nunca no dispositivo final.
• Ignorar o consumo de recursos e de energia ao escolher um modelo, ou o seu impacto ambiental.
• Enviar dados sensíveis (rostos, voz) para uma API externa sem avaliar a privacidade envolvida.

Glossário

• IA (inteligência artificial): capacidade de um sistema realizar tarefas que exigiam inteligência humana.
• Machine learning: técnica de IA em que o sistema aprende padrões a partir de dados.
• Deep learning: machine learning com redes neuronais de muitas camadas.
• Rede neuronal convolucional (CNN): rede especializada em imagem e vídeo, baseada em filtros.
• Overfitting: quando o modelo memoriza os dados de treino em vez de generalizar.
• Visão computacional: capacidade de um sistema interpretar imagens e vídeo.
• Deteção de objetos: localizar e identificar vários objetos numa imagem, com caixas delimitadoras.
• Segmentação semântica: classificar cada pixel de uma imagem segundo a sua classe.
• Reconhecimento facial: identificar ou verificar uma pessoa a partir do rosto.
• IA generativa: técnica que cria conteúdo novo (imagem, vídeo, texto) em vez de só o classificar.
• PLN (processamento de linguagem natural): capacidade de compreender e gerar linguagem humana.
• Framework: conjunto de ferramentas de software para construir, treinar ou usar modelos de IA.
• API: interface que permite a uma aplicação usar um serviço ou modelo externo.
• Inferência: usar um modelo já treinado para obter resultados, sem o treinar de novo.
• Realidade aumentada (RA): sobrepor conteúdo digital ao mundo real.
• Realidade virtual (RV): substituir o ambiente real por um ambiente digital imersivo.
• Tracking (seguimento): manter a identidade de um objeto ou pessoa entre quadros consecutivos.

Síntese

Criar aplicações interativas com IA segue sempre a mesma lógica: pensamento computacional e fundamentos de IA (machine learning, deep learning, treino e avaliação) dão a base; planear a conceção vem sempre antes de escolher modelo ou API; depois integram-se técnicas concretas, visão (objetos, segmentação, faces), geração (arte, imagens, vídeo), voz (reconhecimento, legendas) e vídeo; a realidade aumentada e virtual combina várias destas técnicas em tempo real; e tudo assenta em frameworks, bibliotecas e APIs, escolhidos com rigor, segurança e responsabilidade ambiental.

Exercícios resolvidos

1. Uma app deve contar quantas pessoas entram numa loja através de uma câmara à entrada. Qual a primeira coisa a fazer, antes de escolher qualquer modelo de IA?

Resolução: aplicar pensamento computacional: decompor o problema (captar imagem, detetar pessoas, contar entradas únicas, evitar contar a mesma pessoa duas vezes), reconhecer que é semelhante a outros problemas de contagem, e só depois de todo esse raciocínio escolher o modelo de deteção adequado.

2. Que tipo de aprendizagem automática se usa quando os dados de treino já trazem a resposta certa, como fotos rotuladas "com capacete" e "sem capacete"?

Resolução: aprendizagem supervisionada. Os dados de treino incluem o rótulo correto para cada exemplo, permitindo ao modelo aprender a associação entre a imagem e a categoria.

3. Um modelo de deteção de defeitos acerta 99% nas fotos de treino, mas falha metade das vezes com fotos novas. Que problema é este e como se resolve?

Resolução: é overfitting: o modelo memorizou as fotos de treino em vez de aprender características gerais do defeito. Resolve-se com mais dados de treino variados, técnicas de regularização, e validando sempre com dados que o modelo nunca viu.

4. Diferencia deteção de objetos e segmentação semântica, e dá um exemplo de uso de cada uma numa aplicação interativa.

Resolução: a deteção de objetos localiza e identifica objetos com uma caixa delimitadora (ex.: assinalar onde está cada pessoa numa imagem de segurança). A segmentação semântica classifica cada pixel (ex.: separar exatamente o contorno de uma pessoa para lhe trocar o fundo numa videochamada). A segmentação é mais precisa e mais exigente em recursos.

5. Uma app de museu gera um retrato do visitante "no estilo" de um quadro da exposição. Que tipo de modelo de IA está a ser usado, e que cuidado ético deve ter?

Resolução: um modelo generativo (geração de imagem a partir de texto/imagem, com transferência de estilo). Cuidado ético: informar o visitante de que a imagem é gerada por IA e não guardar o rosto original sem o seu consentimento explícito.

6. Porque é que legendas automáticas nunca devem ser publicadas sem revisão humana?

Resolução: porque os sistemas de reconhecimento de voz erram com mais frequência em vocabulário técnico, nomes próprios e ambientes com ruído, e legendas erradas prejudicam diretamente quem depende delas para aceder ao conteúdo, sobretudo pessoas surdas ou com dificuldade auditiva.

7. Uma aplicação de realidade aumentada para provar óculos precisa de que combinação de técnicas de IA vistas na UC?

Resolução: deteção/reconhecimento facial para localizar os pontos-chave da cara, seguimento (tracking) para manter o modelo 3D ajustado enquanto o utilizador se mexe, e processamento em tempo real com atenção ao consumo de recursos, para não travar nem aquecer o dispositivo.

8. Uma instalação interativa vai funcionar num local sem ligação à internet. Deve integrar um modelo local ou uma API na nuvem, e porquê?

Resolução: modelo local, porque uma API na nuvem exige ligação à internet para funcionar. Esta decisão faz parte do planeamento da conceção da aplicação, feito antes de escolher a ferramenta técnica concreta.