Processo Seletivo – Intensivo Maker | AI

Bem-vindo(a) à etapa prática do processo seletivo para o Intensivo Maker.

Esta atividade tem como objetivo avaliar competências técnicas relacionadas a Machine Learning, Visão Computacional e Otimização de modelos para sistemas embarcados (Edge AI), a partir da aplicação prática dos conhecimentos adquiridos nos cursos EAD da etapa anterior.

🎯 Importante
O foco deste desafio é avaliar sua capacidade de projetar, treinar e otimizar um modelo de IA.

---

📌 Navegação Rápida

• 🏁 Passo 0 – Antes de Tudo
• ⚙ Passo 1 – Preparando o Ambiente
• 💻 Passo 2 – O Desafio Técnico
  • 🎯 Conjunto de Dados
  • 📂 Estrutura do Projeto
  • 📚 Material de Apoio
  • ⚖️ Critérios de Avaliação
• 📤 Passo 3 – Instruções de Entrega
  • 📝 Relatório do Candidato

---

🏁 Passo 0: Antes de Tudo

Caso você nunca tenha utilizado Git ou GitHub, não se preocupe.
Siga atentamente as etapas abaixo.

1️⃣ Criação de Conta no GitHub

1. Acesse: https://github.com
2. Clique em Sign up
3. Crie sua conta gratuita seguindo as instruções da plataforma

(O GitHub será utilizado para envio, versionamento e correção automática do seu projeto.)

2️⃣ Instalação do Git

O Git é a ferramenta que permite versionar e enviar seu código para o GitHub.

• Windows
  Baixe e instale o Git Bash:
  https://git-scm.com/downloads

• Linux / macOS
  Verifique se o Git já está instalado:

  git --version

---

⚙ Passo 1: Preparando o Ambiente

Para desenvolver o desafio, você deverá criar uma cópia deste repositório.

1️⃣ Fork do Repositório

1. No canto superior direito desta página, clique em Fork
2. Uma cópia deste repositório será criada no seu perfil do GitHub (O Fork permite que você trabalhe de forma independente sem alterar o repositório original.)

2️⃣ Clone do Repositório

No repositório do seu Fork, clique em <> Code, copie a URL e execute:

git clone https://github.com/SEU_USUARIO/nome-do-repositorio.git
cd nome-do-repositorio

(O comando git clone cria uma cópia do repositório.)

3️⃣ Preparação do Ambiente de Execução

Você pode executar o projeto de Três formas. Escolha apenas uma.

Opção A – Ambiente Python Local

Requisitos:

• Python 3.10 ou 3.11
• pip

Instale as dependências com:

pip install -r requirements.txt

Opção B – Dev Container

Este repositório inclui um Dev Container para facilitar a criação de um ambiente Python padronizado.

Requisitos

• VS Code
• Docker instalado
• Extensão Dev Containers

Passos

1. Abra o repositório no VS Code
2. Selecione “Reopen in Container”
3. Aguarde a criação automática do ambiente

➡️ As dependências serão instaladas automaticamente.

Opção C - via browser

Você também pode abrir o container via github codespace

1. Clique em <> Code
2. Clique em Codespaces
3. Clique em Create codespace on image

Será aberto uma instância do VS Code no seu navegador com o container configurado

---

💻 Passo 2: O Desafio Técnico

O desafio consiste em desenvolver um modelo de Visão Computacional capaz de classificar dígitos manuscritos, e posteriormente otimizá-lo para execução em dispositivos Edge, como sistemas embarcados e IoT.

O foco não é apenas obter alta acurácia, mas também compreender o fluxo completo:

treinamento → salvamento → conversão → otimização

🎯 Conjunto de Dados

Será utilizado o dataset MNIST, composto por imagens de dígitos manuscritos de 0 a 9.

✔️ O dataset já está disponível na biblioteca TensorFlow/Keras, não sendo necessário download manual.

📌 O MNIST é amplamente utilizado para introdução à Visão Computacional e Redes Neurais.

✅ Requisitos Obrigatórios

Etapa 1: Treinamento do Modelo (train_model.py)

Implemente no arquivo train_model.py um código que realize:

• Carregamento do dataset MNIST via TensorFlow
• Construção e treinamento de um modelo de classificação baseado em Redes Neurais Convolucionais (CNN)
  (utilizando camadas Conv2D e MaxPooling)
• Treinamento do modelo
• Exibição da acurácia final no terminal
• Salvamento do modelo treinado no formato Keras (.h5)

(O modelo salvo será utilizado na etapa de otimização.)

Etapa 2: Otimização do Modelo (optimize_model.py)

No arquivo optimize_model.py, implemente:

• Carregamento do modelo treinado
• Conversão para TensorFlow Lite (.tflite)
• Aplicação de técnica de otimização, como:
  • Dynamic Range Quantization

(Objetivo: reduzir o tamanho do modelo, mantendo desempenho adequado para aplicações de Edge AI.)

📂 Estrutura do Projeto

⚠️ Atenção:
A estrutura e os nomes dos arquivos não devem ser alterados.

seu-repositorio/
├── .github/
│   └── workflows/
│       └── ci.yml            # 🤖 Pipeline de correção automática (NÃO ALTERAR)
├── .devcontainer/            # 🐳 Dev Container (opcional)
│   └── devcontainer.json
├── train_model.py            # ✏️ Treinamento do modelo
├── optimize_model.py         # ✏️ Conversão e otimização
├── requirements.txt          # 📄 Dependências do projeto
├── model.h5                  # 🤖 Modelo treinado (gerado)
├── model.tflite              # ⚡ Modelo otimizado (gerado)
└── README.md                 # 📝 Relatório final do candidato

⚠️ Restrições e Considerações de Engenharia

Este desafio é avaliado automaticamente por meio de um pipeline de integração contínua (CI), executado em um ambiente controlado e com restrições de recursos computacionais.

Você não precisa conhecer GitHub Actions para realizar o desafio. No entanto, é importante respeitar as diretrizes abaixo.

Diretrizes para o Modelo

• O modelo deve ser uma CNN simples, adequada para Edge AI
• Evite arquiteturas muito profundas ou complexas
• Recomenda-se utilizar até 3 camadas convolucionais
• Não utilize modelos pré-treinados
• Número de épocas limitado (ex: até 5)

Diretrizes de Execução

• Treinamento apenas em CPU
• Tempo total reduzido (compatível com CI)
• Código deve executar do início ao fim sem intervenção manual

Importante:
O objetivo não é obter a maior acurácia possível, mas sim demonstrar engenharia eficiente, compatível com ambientes automatizados e restrições típicas de aplicações reais de Edge AI.

📚 Material de Apoio

Os cursos realizados na etapa anterior devem ser utilizados como referência.

• 📘 Fundamentos de Inteligência Artificial para Sistemas Embarcados
• 👁️ Sistemas de Visão Computacional Embarcada
• ⚙️ Otimização de Modelos em Sistemas Embarcados

(Os exemplos apresentados nesses cursos podem ser adaptados e reutilizados neste desafio.)

⚖️ Critérios de Avaliação

A avaliação considerará:

• Funcionalidade
  Execução correta dos scripts e geração dos arquivos .h5 e .tflite

• Edge AI
  Conversão correta para .tflite e aplicação de técnica de otimização

• Documentação
  Preenchimento adequado do relatório (README.md)

---

📤 Passo 3: Instruções de Entrega

✔️ Validação

Antes do envio, execute os scripts e confirme a geração dos arquivos:

• model.h5
• model.tflite

⬆️ Envio do Código

git add .
git commit -m "Entrega do desafio técnico - Seu Nome"
git push origin main

🔍 Verificação Automática

1. Acesse a aba Actions no GitHub
2. Verifique se o workflow foi executado com sucesso (✅)
3. Em caso de erro (❌), consulte os logs, corrija e envie novamente

📎 Submissão Final

Copie o link do seu repositório e envie conforme orientações do processo seletivo no Moodle.

---

📝 Relatório do Candidato

O arquivo (README.md) deve ser utilizado como relatório final do desafio.

Preencha todas as seções de forma clara e objetiva.

💡 Dica: não é necessário um relatório extenso.
O mais importante é demonstrar clareza nas decisões técnicas.

Exemplo:

👤 Identificação: Nome Completo:

1️⃣ Resumo da Arquitetura do Modelo

Descreva, em palavras, a arquitetura da CNN implementada no arquivo train_model.py.

2️⃣ Bibliotecas Utilizadas

Liste as principais bibliotecas utilizadas no projeto, preferencialmente com suas versões.

3️⃣ Técnica de Otimização do Modelo

Explique qual técnica foi utilizada para otimizar o modelo no arquivo optimize_model.py.

4️⃣ Resultados Obtidos

Informe o principal resultado obtido após o treinamento do modelo.

5️⃣ Comentários Adicionais (Opcional)

Utilize este espaço para comentar:

• Dificuldades encontradas
• Decisões técnicas importantes
• Limitações do modelo
• Aprendizados durante o desafio

🆘 Suporte

Em caso de dúvidas:

• Consulte o material dos cursos EAD
• Leia atentamente este README
• Analise os logs das GitHub Actions
• Utilize os canais oficiais para contato com os instrutores

Boa sorte no processo seletivo.

---