GREENMKT ACADEMY — CURSO 003
INTELIGÊNCIA ARTIFICIAL
Do Zero ao Profissional
Este curso avança módulo a módulo: vê o vídeo da aula, lê o conteúdo com atenção, e completa a avaliação com todas as respostas certas para desbloquear o módulo seguinte.
Módulo 1 — Introdução à Inteligência Artificial e LLMs
(o professor substitui esta caixa por um vídeo real)
Objetivos da aula
- Perceber o que são Modelos de Linguagem (LLMs)
- Conhecer a diferença entre IA na cloud e IA local
- Identificar os requisitos de hardware para correr modelos localmente
- Compreender conceitos-chave: tokens, contexto e parâmetros
Aula
Um Modelo de Linguagem (LLM, Large Language Model) é um sistema de inteligência artificial treinado em enormes quantidades de texto, capaz de compreender e gerar linguagem natural de forma coerente. Modelos como o GPT, Claude, Llama ou Mistral são exemplos de LLMs, cada um com diferentes tamanhos, capacidades e licenças de utilização.
Existem duas formas principais de usar IA: através de serviços na cloud (como a API da OpenAI ou Anthropic, onde o processamento acontece em servidores remotos e pagas por utilização), ou correndo modelos localmente no teu próprio hardware — o foco principal deste curso. Correr localmente dá-te controlo total, privacidade dos dados, e elimina custos recorrentes por pedido, mas exige hardware capaz e alguma configuração técnica.
Os “tokens” são a unidade básica de processamento de um LLM — aproximadamente uma palavra ou parte de uma palavra. O “tamanho de contexto” (context window) determina quantos tokens o modelo consegue “lembrar” numa conversa antes de começar a esquecer informação anterior. Os “parâmetros” (medidos em biliões, como 7B ou 70B) indicam o tamanho do modelo — mais parâmetros geralmente significam mais capacidade, mas também mais exigência de hardware.
Para correr modelos localmente com boa performance, uma placa gráfica com bastante VRAM é o fator mais importante (8GB é um mínimo funcional para modelos pequenos, 16-24GB permite modelos maiores e mais capazes). Também é possível correr em CPU e RAM apenas, mas com velocidade muito mais reduzida — funcional para experimentar, mas pouco prático para uso intensivo.
Avaliação do Módulo 1
1. O que significa LLM?
2. Qual é a principal vantagem de correr IA localmente em vez de na cloud?
3. O que é um “token” num LLM?
4. O que indicam os “parâmetros” de um modelo (ex: 7B)?
5. Qual componente de hardware é mais importante para correr LLMs localmente com boa performance?
Módulo 2 — Modelos de IA Locais com Ollama
(o professor substitui esta caixa por um vídeo real)
Objetivos da aula
- Instalar o Ollama no teu sistema
- Descarregar e correr o primeiro modelo local
- Perceber as diferentes famílias de modelos disponíveis
- Usar o Ollama via linha de comandos e API
Aula
O Ollama é uma ferramenta de código aberto que simplifica drasticamente a instalação e execução de LLMs localmente — trata automaticamente do descarregamento, otimização e gestão de memória dos modelos, com um único comando. Está disponível para Windows, macOS e Linux.
Depois de instalado, correr um modelo é tão simples como `ollama run llama3` no terminal — o Ollama descarrega automaticamente o modelo (se ainda não o tiveres) e abre uma sessão de conversa interativa diretamente na linha de comandos.
Existem várias famílias de modelos disponíveis através do Ollama, cada uma com características diferentes: Llama (da Meta) é uma escolha popular e equilibrada; Mistral é conhecido por boa eficiência em hardware modesto; modelos especializados como o CodeLlama são otimizados especificamente para programação. Vale a pena experimentar diferentes modelos para a mesma tarefa e comparar resultados.
Além da linha de comandos, o Ollama expõe automaticamente uma API local (normalmente em http://localhost:11434), compatível em grande parte com o formato da API da OpenAI. Isto significa que muitas ferramentas e integrações construídas originalmente para a OpenAI funcionam também com o Ollama, apenas mudando o endereço de destino.
Avaliação do Módulo 2
1. O que faz o Ollama?
2. Qual comando básico corre um modelo no Ollama?
3. Em que porta expõe o Ollama a sua API local, por predefinição?
4. Porque é útil a API do Ollama ser compatível com o formato OpenAI?
5. CodeLlama é um modelo especializado em quê?
Módulo 3 — Interfaces de Utilizador (OpenWebUI)
(o professor substitui esta caixa por um vídeo real)
Objetivos da aula
- Instalar o OpenWebUI para uma interface gráfica de chat
- Ligar o OpenWebUI ao Ollama
- Gerir conversas, histórico e múltiplos modelos
- Configurar utilizadores e permissões
Aula
Embora a linha de comandos seja funcional, a maioria dos utilizadores prefere uma interface gráfica semelhante ao ChatGPT para interagir com modelos locais. O OpenWebUI é a solução open-source mais popular para isso, oferecendo uma experiência de chat completa, moderna e familiar.
A instalação mais comum do OpenWebUI é via Docker, com um único comando que descarrega e arranca o contentor, ligando-se automaticamente ao Ollama que já tens a correr. Depois de arrancado, acede-se normalmente em http://localhost:3000 através do browser.
O OpenWebUI permite manter várias conversas separadas e organizadas, trocar entre diferentes modelos instalados sem sair da interface, e mantém um histórico persistente pesquisável. Também suporta carregamento de documentos para consulta (RAG — Retrieval Augmented Generation), permitindo que o modelo responda com base em ficheiros que forneces.
Para uso em equipa ou com múltiplos clientes, o OpenWebUI suporta contas de utilizador individuais com diferentes níveis de permissão (administrador, utilizador normal), possibilitando montar um serviço de IA interno partilhado com controlo de acesso adequado.
Avaliação do Módulo 3
1. Para que serve o OpenWebUI?
2. Como se instala normalmente o OpenWebUI?
3. Em que porta se acede tipicamente ao OpenWebUI?
4. O que é RAG (Retrieval Augmented Generation)?
5. Porque é útil ter contas de utilizador individuais no OpenWebUI?
Módulo 4 — Automação com n8n
(o professor substitui esta caixa por um vídeo real)
Objetivos da aula
- Perceber o que é automação de fluxos de trabalho
- Instalar e configurar o n8n
- Criar o primeiro fluxo (workflow) automatizado
- Integrar LLMs em automações
Aula
O n8n é uma plataforma de automação de fluxos de trabalho (workflow automation), de código aberto, que permite ligar diferentes serviços e aplicações entre si visualmente, sem escrever código — por exemplo, receber um email, extrair informação com IA, e guardar automaticamente numa base de dados.
Tal como o OpenWebUI, o n8n instala-se facilmente via Docker, e a interface web (normalmente em http://localhost:5678) permite construir fluxos arrastando e ligando “nós” (nodes) — cada nó representa uma ação ou integração específica (enviar email, consultar API, ler ficheiro, etc.).
Um fluxo típico começa com um “trigger” (gatilho) — um evento que inicia a automação, como receber um webhook, um horário agendado, ou uma nova linha numa folha de cálculo — seguido de uma sequência de ações que processam essa informação.
O n8n tem nós dedicados para integração com LLMs (incluindo Ollama e APIs de IA na cloud), permitindo criar automações inteligentes: por exemplo, resumir automaticamente emails recebidos, classificar pedidos de suporte por urgência, ou gerar respostas automáticas com revisão humana antes de enviar.
Avaliação do Módulo 4
1. Para que serve o n8n?
2. Em que porta se acede tipicamente à interface do n8n?
3. O que é um “trigger” num fluxo do n8n?
4. O n8n pode integrar-se com:
5. Como se representa uma ação específica num fluxo do n8n?
Módulo 5 — Fluxos Inteligentes com FlowiseAI
(o professor substitui esta caixa por um vídeo real)
Objetivos da aula
- Perceber a diferença entre n8n e FlowiseAI
- Construir um chatbot com memória usando FlowiseAI
- Conhecer o conceito de “chains” e “agents”
- Publicar um fluxo como API ou widget de chat
Aula
Enquanto o n8n é uma ferramenta de automação geral, o FlowiseAI é especializado especificamente na construção de aplicações de IA — chatbots, assistentes com memória, e agentes que podem usar ferramentas externas — também através de uma interface visual de arrastar e ligar.
Um dos blocos fundamentais do FlowiseAI é a “chain” (cadeia): uma sequência de passos que processa a entrada do utilizador, opcionalmente consulta uma base de conhecimento, e gera uma resposta usando um LLM. As chains podem incluir memória de conversa, para o chatbot lembrar-se do contexto de mensagens anteriores.
Os “agents” (agentes) são um passo mais avançado: em vez de seguirem sempre a mesma sequência fixa, os agentes podem decidir dinamicamente que ferramentas usar (pesquisar na web, consultar uma base de dados, fazer cálculos) com base no pedido do utilizador, tornando o comportamento muito mais flexível e capaz de resolver tarefas complexas.
Depois de construído e testado, um fluxo do FlowiseAI pode ser publicado como endpoint de API (para integrares no teu próprio site ou aplicação) ou como widget de chat embutível diretamente numa página web — útil, por exemplo, para adicionares um assistente de apoio ao cliente com IA num site de um cliente.
Avaliação do Módulo 5
1. Qual é a especialização do FlowiseAI, em comparação com o n8n?
2. O que é uma “chain” no FlowiseAI?
3. O que torna um “agent” diferente de uma chain simples?
4. Como se pode publicar um fluxo do FlowiseAI?
5. Um chatbot com “memória” no FlowiseAI consegue:
Módulo 6 — Bases de Dados Vetoriais (Qdrant)
(o professor substitui esta caixa por um vídeo real)
Objetivos da aula
- Perceber o que são embeddings e bases de dados vetoriais
- Instalar e configurar o Qdrant
- Perceber como funciona a pesquisa semântica
- Ligar o Qdrant a fluxos de RAG
Aula
Uma base de dados vetorial armazena informação na forma de “embeddings” — representações numéricas (vetores) do significado de um texto, gerados por um modelo de IA. Ao contrário de uma pesquisa tradicional por palavras exatas, a pesquisa vetorial encontra conteúdo semanticamente semelhante, mesmo que use palavras diferentes.
O Qdrant é uma base de dados vetorial de código aberto, rápida e fácil de correr via Docker, muito usada em projetos de IA para implementar RAG (Retrieval Augmented Generation) — a técnica de dar a um LLM acesso a informação específica e atualizada que não fazia parte do seu treino original.
O processo típico de RAG funciona assim: divides os teus documentos em pedaços (“chunks”), geras um embedding para cada pedaço, guardas esses embeddings no Qdrant; quando um utilizador faz uma pergunta, geras também um embedding da pergunta, procuras no Qdrant os pedaços mais semelhantes, e passas esses pedaços como contexto extra ao LLM antes de gerar a resposta final.
Esta técnica é extremamente poderosa para criar assistentes especializados no conhecimento de uma empresa específica — por exemplo, um chatbot que responde com precisão sobre os produtos e políticas de uma loja, sem precisar de re-treinar todo o modelo, apenas atualizando os documentos na base vetorial.
Avaliação do Módulo 6
1. O que é um “embedding”?
2. Qual é a vantagem da pesquisa vetorial sobre a pesquisa tradicional por palavras?
3. Para que serve o Qdrant?
4. O que significa RAG?
5. Qual é uma boa aplicação prática de RAG?
Módulo 7 — Integração com Docker
(o professor substitui esta caixa por um vídeo real)
Objetivos da aula
- Perceber porque o Docker é central em projetos de IA local
- Organizar múltiplos serviços com Docker Compose
- Gerir volumes e persistência de dados
- Isolar e atualizar serviços de forma segura
Aula
Praticamente todas as ferramentas vistas neste curso — Ollama, OpenWebUI, n8n, FlowiseAI, Qdrant — podem ser corridas via Docker, uma tecnologia de contentorização que embala cada aplicação com todas as suas dependências, garantindo que funciona de forma consistente independentemente do sistema por baixo.
Em vez de instalar e configurar manualmente cada ferramenta uma a uma, o Docker Compose permite definir um ficheiro único (docker-compose.yml) que descreve todos os serviços que queres correr, as suas ligações de rede entre si, e as portas expostas — depois basta um comando (`docker compose up -d`) para arrancar toda a stack de uma vez.
Os “volumes” do Docker garantem que os dados importantes (modelos descarregados, conversas guardadas, bases de dados vetoriais) persistem mesmo que reinicies ou atualizes os contentores — sem volumes configurados corretamente, arriscas perder tudo ao atualizar uma imagem.
Uma das grandes vantagens do Docker é a facilidade de atualizar ou reverter serviços de forma isolada e segura: se uma atualização de uma ferramenta causar problemas, basta voltar à versão anterior da imagem sem afetar as outras ferramentas da tua stack, algo muito mais complexo de fazer com instalações tradicionais no sistema operativo.
Avaliação do Módulo 7
1. Porque é o Docker central em projetos de IA local?
2. O que faz o Docker Compose?
3. Para que servem os “volumes” no Docker?
4. Qual é uma vantagem de atualizar serviços via Docker?
5. Qual comando arranca uma stack definida em docker-compose.yml?
Módulo 8 — Projetos Práticos e Deploy
(o professor substitui esta caixa por um vídeo real)
Objetivos da aula
- Planear um projeto de IA de ponta a ponta
- Combinar Ollama, OpenWebUI, n8n, FlowiseAI e Qdrant num único sistema
- Considerar segurança e acesso remoto
- Apresentar e entregar um projeto de IA a um cliente
Aula
Com as ferramentas dos módulos anteriores, já tens tudo o que precisas para montar sistemas de IA completos: por exemplo, um assistente virtual para uma empresa que responde com base nos documentos internos (RAG via Qdrant), automatiza tarefas repetitivas (n8n), e disponibiliza tudo através de uma interface amigável (OpenWebUI ou um widget do FlowiseAI).
Um bom projeto começa sempre por definir claramente o problema a resolver e o público-alvo: um chatbot de apoio ao cliente tem requisitos muito diferentes de um assistente interno para a equipa de vendas consultar preços e stock. Define primeiro o “porquê” antes de escolheres as ferramentas técnicas.
Para expor os teus serviços de IA de forma segura fora da tua rede local, considera sempre usar um proxy reverso com HTTPS (como o Nginx Proxy Manager ou Traefik), autenticação adequada, e nunca exponhas diretamente portas de administração (como a do Qdrant ou n8n) à internet sem proteção — a mesma disciplina de segurança que aplicaste ao Proxmox aplica-se aqui.
Ao entregares um projeto de IA a um cliente, documenta claramente: que dados o sistema usa e onde ficam guardados (importante para questões de privacidade e RGPD), como atualizar o conhecimento do assistente no futuro, e um plano básico de manutenção. Isto separa um projeto amador de um serviço verdadeiramente profissional — e é exatamente isso que te vai permitir cobrar por este tipo de trabalho com confiança.
Avaliação do Módulo 8
1. Qual é o primeiro passo recomendado ao planear um projeto de IA?
2. Porque não se deve expor diretamente portas de administração à internet?
3. O que é recomendado usar para expor serviços de forma segura?
4. Porque é importante documentar onde os dados ficam guardados?
5. O que distingue um projeto profissional de um amador, segundo este módulo?
🎓 Conclusão do Curso
Parabéns por completares o Curso 003 — Inteligência Artificial! Já tens as bases para instalar modelos locais, construir automações e agentes, usar bases de dados vetoriais, e entregar projetos de IA profissionais a clientes.
GreenMKT Academy — Formação de qualidade para criar, aprender e evoluir.