NOTAS DO PROFESSOR
- Enfatizar: pensamento computacional não é "saber programar", é o raciocínio que vem antes.
- Erro comum: os alunos saltam direto para a ferramenta de IA sem decompor o problema.
- Analogia: uma receita de cozinha é um algoritmo; separar ingredientes é decomposição.
NOTAS DO PROFESSOR
- Enfatizar que a escolha do modelo vem depois, não antes, do raciocínio.
- Erro comum: escolher a ferramenta "da moda" sem decompor o problema primeiro.
- Pedir à turma que decomponha, em conjunto, "reconhecer se alguém usa capacete".
NOTAS DO PROFESSOR
- Enfatizar que os conceitos matemáticos existem há décadas; o que mudou foi o hardware e a quantidade de dados.
- Erro comum: achar que IA é sinónimo só de ChatGPT ou de imagens geradas.
- Curiosidade: as GPU foram criadas para jogos e acabaram por acelerar o treino de redes neuronais.
NOTAS DO PROFESSOR
- Enfatizar que "IA" é o termo guarda-chuva; machine learning é uma das suas técnicas.
- Erro comum: confundir "algoritmo genético" com genética biológica real, é só inspiração.
- Analogia: PLN é a IA a "ler e escrever"; visão computacional é a IA a "ver".
NOTAS DO PROFESSOR
- Enfatizar a expressão "garbage in, garbage out" aplicada a dados de treino.
- Erro comum: achar que mais dados resolvem sempre um modelo mal desenhado.
- Pergunta à turma: dar um exemplo do dia a dia de aprendizagem por reforço (ex.: recomendações de vídeos).
NOTAS DO PROFESSOR
- Enfatizar: classificação = "que categoria é isto"; regressão = "qual é o número".
- Erro comum: usar regressão quando o problema é, na verdade, uma classificação.
- Exemplo local: prever a nota de um aluno é regressão; prever se passa ou reprova é classificação.
NOTAS DO PROFESSOR
- Enfatizar: "deep" refere-se ao número de camadas, não a "profundidade de inteligência".
- Erro comum: pensar que uma rede neuronal "pensa" como um humano. É otimização matemática.
- Analogia: cada camada é como um filtro que refina a informação, dos traços simples aos conceitos complexos.
NOTAS DO PROFESSOR
- Enfatizar que, na prática profissional, raramente se treina uma CNN do zero: usa-se um modelo pré-treinado.
- Erro comum: achar que é preciso saber a matemática toda da CNN para a usar bem.
- Curiosidade: as CNN foram inspiradas em como o córtex visual processa imagens em camadas.
NOTAS DO PROFESSOR
- Enfatizar a divisão treino/validação/teste como boa prática inegociável.
- Erro comum: avaliar o modelo com os mesmos dados usados para o treinar.
- Analogia: um aluno que decora as respostas do teste-modelo mas não sabe resolver um problema novo.
NOTAS DO PROFESSOR
- Ligar diretamente ao critério de desempenho "avaliando o consumo de recursos... para garantir eficiência".
- Erro comum: escolher o modelo só pela precisão, ignorando o custo computacional.
- Pergunta à turma: porque é que um hospital exige um modelo que explique as suas decisões?
NOTAS DO PROFESSOR
- Enfatizar que "planear a conceção" é uma realização avaliada, não um passo opcional.
- Erro comum: começar pela API e só depois pensar no problema que se quer resolver.
- Exemplo: uma app de museu que reconhece um quadro e lê a legenda em voz alta, planear cada etapa.
NOTAS DO PROFESSOR
- Enfatizar a diferença entre "o modelo funciona" e "a aplicação funciona para o utilizador".
- Erro comum: nunca testar com um utilizador fora da equipa antes de entregar.
- Ligar às atitudes do referencial: sentido estético e sentido crítico no desenho da interação.
NOTAS DO PROFESSOR
- Enfatizar que "ver" para um computador é sempre processar números (pixéis), não uma perceção humana.
- Erro comum: confundir classificação (uma etiqueta para a imagem toda) com deteção (várias caixas na imagem).
- Exemplo real: uma app de inventário que conta caixas numa prateleira usa deteção de objetos.
NOTAS DO PROFESSOR
- Fazer a turma identificar, neste fluxo, onde entra o pensamento computacional (decomposição em passos).
- Erro comum: ignorar o grau de confiança e tratar toda a deteção como certa.
- Perguntar: o que acontece se a iluminação da obra for fraca? (mais falhas de deteção).
NOTAS DO PROFESSOR
- Enfatizar a diferença: deteção dá uma caixa, segmentação dá o contorno exato do objeto.
- Erro comum: usar segmentação onde uma simples deteção de objetos já chegaria (mais custo computacional sem necessidade).
- Exemplo do dia a dia: o "fundo desfocado" das videochamadas usa segmentação para separar a pessoa do fundo.
NOTAS DO PROFESSOR
- Ligar explicitamente este slide ao bloco de RA/RV, para os alunos verem a progressão do curso.
- Erro comum: achar que segmentação e deteção de objetos são a mesma técnica.
- Demonstração sugerida: mostrar um "remover fundo" de uma app de videoconferência em direto.
NOTAS DO PROFESSOR
- Enfatizar a distinção entre identificação (quem é) e verificação (é mesmo esta pessoa).
- Erro comum: achar que o reconhecimento facial é 100% infalível; há falsos positivos e negativos.
- Perguntar à turma onde já usaram reconhecimento facial no dia a dia (desbloqueio de telemóvel).
NOTAS DO PROFESSOR
- Ligar às normas de proteção de dados e à atitude de responsabilidade do referencial.
- Erro comum: tratar isto como um "extra" ético e não como parte central da competência técnica.
- Debate rápido: um exemplo de uso aceitável e um de uso problemático de reconhecimento facial.
NOTAS DO PROFESSOR
- Enfatizar que "generativo" significa que o modelo cria conteúdo novo, não só classifica o existente.
- Erro comum: usar imagem gerada por IA sem verificar direitos de autor e sem o assinalar quando exigido.
- Analogia: o modelo generativo é como um artista que "aprendeu" um estilo a partir de milhares de exemplos.
NOTAS DO PROFESSOR
- Fazer a turma listar os passos deste fluxo como um algoritmo, ligando ao Bloco 1.
- Erro comum: esquecer o tempo de resposta da API no desenho da experiência (o visitante não pode esperar minutos).
- Perguntar: que dados pessoais estão em causa aqui e como se protegem?
NOTAS DO PROFESSOR
- Enfatizar que o reconhecimento de voz é um caso de PLN aplicado ao áudio.
- Erro comum: testar o sistema só em ambiente silencioso e assumir que funciona sempre assim.
- Demonstração sugerida: comparar a precisão do reconhecimento num ambiente calmo e num ambiente com ruído de fundo.
NOTAS DO PROFESSOR
- Ligar diretamente à acessibilidade como valor do produto final, não só como requisito técnico.
- Erro comum: publicar legendas automáticas sem revisão humana, sobretudo em vocabulário técnico.
- Exercício sugerido: gerar a legenda de um pequeno vídeo e contar quantos erros a revisão apanha.
NOTAS DO PROFESSOR
- Enfatizar que processar vídeo é, na prática, "aplicar imagem muitas vezes por segundo" com mais desafios de desempenho.
- Erro comum: processar todos os frames a alta resolução sem necessidade, desperdiçando recursos.
- Pergunta: porque é que "seguir" uma pessoa entre frames é mais difícil que detetá-la numa só imagem?
NOTAS DO PROFESSOR
- Ligar este slide diretamente ao critério de desempenho sobre consumo de recursos.
- Erro comum: só testar num computador potente e nunca no dispositivo final (tablet, telemóvel de gama baixa).
- Exemplo: uma instalação interativa de museu que corre 8 horas por dia não pode aquecer nem travar.
NOTAS DO PROFESSOR
- Enfatizar a diferença: RA soma ao real, RV substitui o real.
- Erro comum: confundir RA com um simples filtro de câmara, quando na verdade envolve compreensão espacial.
- Exemplo do dia a dia: filtros de redes sociais são RA simples; um jogo com óculos VR é RV.
NOTAS DO PROFESSOR
- Fazer a turma identificar, neste fluxo, quais blocos anteriores da UC estão a ser reutilizados (7, 9, 11).
- Erro comum: subestimar o custo computacional do seguimento em tempo real numa aplicação de RA.
- Se possível, demonstrar uma aplicação de RA simples no telemóvel da turma.
NOTAS DO PROFESSOR
- Enfatizar a diferença entre treinar um modelo (raro, no dia a dia profissional) e usar um já treinado (comum).
- Erro comum: instalar um framework de treino pesado quando só é preciso correr inferência.
- Perguntar: porque é que uma app móvel usa um modelo "otimizado" e não o modelo de treino original?
NOTAS DO PROFESSOR
- Ligar à realização "planear a conceção" do Bloco 6: esta decisão faz parte do planeamento.
- Erro comum: escolher API na nuvem sem considerar onde a aplicação vai realmente correr (ex.: sem internet).
- Discussão: que dados sensíveis não deveriam nunca sair para uma API externa?
NOTAS DO PROFESSOR
- Enfatizar que treino intensivo de modelos gera calor e consumo elétrico elevado, exige ventilação e cuidado.
- Erro comum: ignorar avisos de sobreaquecimento do equipamento durante treinos longos.
- Ligar à sinalização de câmaras ativas como boa prática de transparência com o público.
NOTAS DO PROFESSOR
- Ligar este slide ao critério de desempenho sobre consumo de recursos, já visto no Bloco 12.
- Erro comum: tratar sustentabilidade como assunto à parte da engenharia, e não como critério de escolha do modelo.
- Fechar com a pergunta: qual foi, ao longo da UC, a decisão mais "amiga do ambiente" que tomaram num exemplo?