Logo Passei Direto
Buscar
Material
páginas com resultados encontrados.
páginas com resultados encontrados.

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Escolha uma das opções e acesse esse e outros materiais sem bloqueio. 🤩

Cadastre-se ou realize login

Ao continuar, você aceita os Termos de Uso e Política de Privacidade

Prévia do material em texto

IA generativa para devs
Você vai explorar como a inteligência artificial generativa pode ser útil no desenvolvimento de softwares.
Serão abordados conceitos e exemplos práticos utilizando linguagem Python e modelos como o Gemini no
Google Colab. Aprender a utilizar a IA no desenvolvimento de software auxilia na otimização do trabalho e
viabiliza habilidades relevantes e exigidas no mercado de trabalho.
Prof. Sérgio Monteiro
1. Itens iniciais
Preparação
Para acompanhar os exemplos práticos, tenha uma conta Gmail para acessar o ambiente gratuito do Google
Colab. Crie também sua própria chave de API (gratuita) na plataforma Google AI Studio para utilizar os
modelos Gemini nos projetos.
Objetivos
Reconhecer os fundamentos da IA generativa e a configuração de um ambiente para experimentos
iniciais.
 
Utilizar modelos generativos para planejar projetos e automatizar tarefas rotineiras.
 
Reconhecer os usos da IA generativa para identificação de vulnerabilidades em código e interpretação
de logs de sistemas.
Introdução 
Olá! Para começar, apresentamos uma visão geral de como a inteligência artificial generativa está
revolucionando o ciclo de vida do desenvolvimento de software. Assista ao vídeo!
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
• 
• 
• 
1. Fundamentos da IA generativa
IA generativa: conceitos básicos, aplicações e comparações
Imagine criar uma ferramenta que escreve histórias, sugere trechos de código ou propõe ideias inovadoras
para projetos em poucos segundos! A IA generativa, como o modelo Gemini-Flash, é uma área fascinante da
inteligência artificial, pois permite isso: gerar conteúdos novos e criativos a partir de dados aprendidos. Neste
estudo, você vai compreender como a IA generativa funciona, suas aplicações práticas e como ela se
diferencia de outros tipos, abrindo portas para soluções criativas no desenvolvimento de software. 
 
No vídeo a seguir, você verá exemplos de como a IA generativa se distingue da IA tradicional e como vem
sendo aplicada na criação de código e no apoio a projetos mais inovadores na área de software. Vamos lá!
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
A IA generativa é um ramo da inteligência artificial que cria conteúdos novos — como textos, imagens ou até
códigos — a partir de padrões aprendidos em dados. Diferentemente da IA discriminativa, que foca classificar
ou prever (ex.: identificar spam em e-mails), a IA generativa, como o Gemini-Flash, produz algo original, como
um poema ou uma sugestão de funcionalidade para um aplicativo. Essa capacidade a torna ideal para tarefas
criativas, como brainstorming ou automação de conteúdo.
 
A principal diferença entre IA generativa e discriminativa está no objetivo. Acompanhe!
Essa distinção é valiosa para desenvolvedores, pois determina quando usar cada tipo de modelo. 
As aplicações da IA
generativa são vastas
e úteis para
desenvolvedores. Por
exemplo, o Gemini-
Flash pode gerar
documentação
automática e trechos
de código em Python
para acelerar o
desenvolvimento,
criar textos para
interfaces de usuário
ou sugerir ideias para
novos projetos. 
 Modelos como o
Gemini-Flash,
acessíveis via
APIs ou
plataformas,
como o Google
Colab, permitem
que pessoas
desenvolvedoras
integrem essas
funcionalidades
em seus projetos,
economizando
tempo e
estimulando a
criatividade.
 No contexto de
desenvolvimento, a IA
generativa pode transformar a
forma como trabalhamos.
Imagine usar o Gemini-Flash
para criar automaticamente
descrições de funções ou
sugerir melhorias em um
aplicativo. Com ferramentas
acessíveis no Google Colab,
você pode começar a explorar
essas possibilidades sem
custos, aplicando IA generativa
em cenários reais do dia a dia
de um desenvolvedor.
Atividade 1
IA generativa 
Cria algo novo (ex.: uma frase ou
imagem).
IA discriminativa 
Analisa dados existentes para tomar
decisões (ex.: classificar uma imagem
como gato ou cachorro). 
Uma equipe de desenvolvedores está criando um aplicativo de organização de tarefas e deseja usar IA para
acelerar o processo. Eles consideram implementar uma funcionalidade que sugere nomes criativos para listas
de tarefas e outra que classifica tarefas por prioridade. Com essas informações, analise as alternativas a
seguir e assinale a opção correta.
A A IA generativa é ideal para classificar tarefas por prioridade, enquanto a IA discriminativa gera nomes
criativos.
B O Gemini-Flash pode sugerir nomes criativos para listas de tarefas, enquanto a IA discriminativa é mais
adequada para classificar prioridades.
C Ambos os tipos de IA são eficazes para gerar nomes e classificar tarefas.
D O Gemini-Flash é usado apenas para gerar imagens, não sendo útil para textos ou ideias. Por isso não
é útil a esse projeto.
E A IA generativa é ideal para classificar tarefas por prioridade, enquanto a IA discriminativa gera nomes
criativos.
A alternativa B está correta.
Como modelo de IA generativa, o Gemini-Flash é ideal para criar conteúdos novos, pois gera texto original
com base em padrões aprendidos. Já a IA discriminativa é mais adequada para classificar tarefas por
prioridade, pois analisa dados e faz previsões ou classificações. 
Assim, as demais opções estão erradas, pois a IA generativa cria nomes, e não classifica, enquanto a IA
discriminativa não gera conteúdos novos. Os tipos de IA têm finalidades distintas, não sendo eficazes para
as mesmas tarefas. Além disso, o Gemini-Flash não se limita a imagens, pois inclui textos e ideias. 
Instalação de bibliotecas gratuitas no Google Colab 
Você já imaginou ter acesso a ferramentas poderosas de IA sem gastar nada, direto no seu navegador? O
Google Colab é uma plataforma gratuita que permite rodar código Python e usar bibliotecas como NumPy,
TensorFlow e a Google Gemini API para criar projetos com o Gemini-Flash. Vamos aprender a configurar esse
ambiente, instalando tudo de que precisamos para começar a explorar modelos de IA de forma prática e
acessível.
 
Assista ao vídeo e veja como preparar seu ambiente de desenvolvimento no Google Colab, com a instalação
das principais bibliotecas gratuitas necessárias para começar a criar projetos com o Gemini-Flash.
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
O Google Colab é uma ferramenta gratuita que roda na nuvem, oferecendo acesso a recursos computacionais,
como CPUs e GPUs, sem necessidade de configuração local. Porém, para usar o Gemini-Flash, você precisa
instalar bibliotecas como NumPy (para cálculos numéricos), TensorFlow (para aprendizado de máquina) e
Google Gemini API (para acessar modelos generativos). Essas bibliotecas ajudam a manipular dados e rodar
modelos generativos.
Conteúdo interativo
Acesse a versão digital para ver mais detalhes da imagem
abaixo.
Página inicial do Google Colab.
A instalação de pacotes no Colab é simples e feita no notebook com comandos como !pip install. Vamos
conhecer quais são esses pacotes e suas utilidades.
Google Gemini API 
Permite acessar o Gemini-Flash, que gera texto
de forma eficiente. 
NumPy
É útil para pré-processamento de dados.
TensorFlow
Suporta o treinamento e a execução de
modelos. 
Configurar o ambiente de modo certo faz toda a diferença. No Colab, você pode verificar se as bibliotecas
estão instaladas com import no Python, e o ambiente mantém as instalações durante a sessão. Isso é ideal
para experimentos rápidos, como testar o Gemini-Flash para criar sugestões de código ou texto, permitindo
que você foque a lógica do projeto.
 
A praticidade do Colab torna a IA generativa acessível para estudantes. Com algumas linhas de código, você
pode carregar o Gemini-Flash e gerar conteúdo, como nomes de projetos ou descrições. Pensando nisso, este
estudo é o ponto de partida para explorarmos o potencial da IA generativa, usando ferramentas gratuitas e
prontas para uso no desenvolvimento.
Atividade 2
A configuração correta de um ambiente de desenvolvimento é um passo crítico para evitar erros e otimizar o
fluxo de trabalhogeneration_config = {
 "temperature": 0.6,
 "top_p": 0.95,
 "max_output_tokens": 500
}
# Passo 5: Definir um prompt para gerar um guia ético
prompt = """Você é um especialista em ética e privacidade em tecnologia. Crie um guia 
em português do Brasil para análise de logs de um sistema de consultas a uma base de 
livros sobre tecnologia em geral. Siga este formato:
# Guia Ético para Análise de Logs
## Princípios Éticos
[Liste princípios como anonimização de dados]
## Proteção de Dados
[Explique como proteger dados sensíveis]
## Boas Práticas
[Forneça práticas para uso ético]
Use Markdown, tom profissional para GitHub e inclua emojis."""
# Passo 6: Gerar três guias com chamadas repetidas
textos = []
for i in range(3):
 try:
 resultado = model.generate_content(prompt, generation_config=generation_config)
 textos.append(resultado.text.strip())
 print(f"? Geração {i+1} concluída")
 except Exception as e:
 textos.append(f"Erro na geração: {str(e)}")
 print(f"? Erro na geração {i+1}: {str(e)}")
# Passo 7: Avaliar e salvar guias consistentes
saidas_validas = []
for i, texto in enumerate(textos):
 if len(texto.split()) > 10 and "princípios" in texto.lower(): # Critérios 
flexíveis
 saidas_validas.append({"id": i+1, "texto": texto})
# Passo 8: Salvar e exibir o melhor guia
if saidas_validas:
 melhor_guia = saidas_validas[0] # Escolher o primeiro válido
 with open('guia_tecnologia.md', 'w', encoding='utf-8') as f:
 f.write(f"# Guia ɴico - TechBooks\n")
 f.write(f"# Gerado em: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}\n\n")
 f.write(melhor_guia['texto'])
 print(f"\n?? MELHOR GUIA (ID: {melhor_guia['id']}):")
 print("=" * 60)
 print(melhor_guia['texto'][:500] + "..." if len(melhor_guia['texto']) > 500 else 
melhor_guia['texto'])
else:
 print("? Nenhuma saída atendeu aos critérios de consistência.") 
Veja o arquivo guia_tecnologia.md no Google Colab.
4. Conclusão
Considerações finais
O que você aprendeu neste conteúdo?
Diferença entre IA generativa (criação de conteúdo) e discriminativa (classificação de dados).
 
Instalação e uso de bibliotecas gratuitas e experimentos com modelos, como o Gemini-Flash.
 
Estruturação de prompts claros para gerar saídas relevantes.
 
Estruturação de parâmetros de controle para ajustar criatividade e precisão.
 
Uso de IA para gerar documentação técnica, templates de código e scripts Python.
 
Identificação de vulnerabilidades em código (ex: injeção SQL).
 
Análise de logs para detectar erros, padrões anormais ou tentativas de acesso não autorizado.
 
Métodos para avaliar saídas geradas, salvar em formatos estruturados e integrar com sistemas.
Considerações sobre anonimização de dados, proteção de informações sensíveis e boas práticas em
análises de segurança e logs.
Explore +
Não pare por aqui! Confira o material que separamos para você!
 
Acesse o site oficial do Google AI e pesquise por Generative AI for Developers. Nele, você encontrará
documentações, tutoriais e exemplos práticos de como usar modelos como o Gemini para criar
aplicações, desde a geração de texto até a análise de segurança.
 
Acesse o site oficial da OpenAI e procure por API Reference ou Prompt engineering. Lá, você vai
encontrar guias detalhados e as melhores práticas para construir prompts eficazes e integrar modelos
de linguagem avançados em seus projetos, explorando o potencial da IA generativa.
Referências
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Cambridge: MIT Press, 2016.
 
OLIVEIRA, A. A Inteligência Artificial Generativa. Lisboa: Fundação Francisco Manuel dos Santos, 2025.
 
RASCHKA, S.; MIRJALILI, V.; BHAMBANI, D. Machine Learning with PyTorch and Scikit-Learn: Develop machine
learning and deep learning models with Python. Birmingham: Packt Publishing, 2022.
 
YONEYAMA, T.; NASCIMENTO JR., C. L. Inteligência artificial em controle e automação. São Paulo: Blucher,
2000.
 
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 
• 
ZHANG, A. et al. Dive into Deep Learning. 2024. 
	IA generativa para devs
	1. Itens iniciais
	Preparação
	Objetivos
	Introdução
	Conteúdo interativo
	1. Fundamentos da IA generativa
	IA generativa: conceitos básicos, aplicações e comparações
	Conteúdo interativo
	Atividade 1
	Instalação de bibliotecas gratuitas no Google Colab
	Conteúdo interativo
	Conteúdo interativo
	Google Gemini API
	NumPy
	TensorFlow
	Atividade 2
	Uso do Gemini-Flash para geração de texto
	Conteúdo interativo
	Temperature
	Max_tokens
	Atividade 3
	Prompting para criar ideias de projetos ou funcionalidades
	Conteúdo interativo
	Roteiro de prática
	Atividade 4
	Estruturação de prompts e organização de saídas geradas
	Conteúdo interativo
	Roteiro de prática
	Conteúdo interativo
	Atividade 5
	2. Planejamento e automação com modelos
	Geração de cronogramas ou listas de tarefas usando modelos
	Conteúdo interativo
	Conteúdo interativo
	Atividade 1
	Criação de documentação técnica com IA
	Conteúdo interativo
	Dica
	Conteúdo interativo
	Atenção
	Atividade 2
	Scripts Python no Google Colab para tarefas repetitivas
	Conteúdo interativo
	Conteúdo interativo
	Atividade 3
	Exploração de modelos pré-treinados
	Conteúdo interativo
	Roteiro de prática
	Atividade 4
	Métodos para avaliar e refinar os resultados gerados
	Conteúdo interativo
	Roteiro de prática
	Atividade 5
	3. Segurança e análise de logs com IA generativa
	Detecção de vulnerabilidades em código
	Conteúdo interativo
	Atenção
	Atividade 1
	Análise de logs com IA
	Conteúdo interativo
	Conteúdo interativo
	Atividade 2
	Automação de alertas
	Conteúdo interativo
	Exemplo
	Atividade 3
	Validação de resultados
	Conteúdo interativo
	Roteiro de prática
	Atividade 4
	Ética e privacidade
	Conteúdo interativo
	Roteiro de prática
	Atividade 5
	4. Conclusão
	Considerações finais
	O que você aprendeu neste conteúdo?
	Explore +
	Referênciasem projetos de IA. No contexto do Google Colab e o uso do Gemini-Flash, qual ação
possibilita que as bibliotecas necessárias estejam prontas para uso?
A Realizar o download de cada biblioteca do site oficial e descompactá-las na pasta raiz do projeto. 
B Compilar, de forma manual, o código-fonte das bibliotecas antes de cada execução do notebook.
C Reiniciar o computador a cada nova instalação de biblioteca para aplicar as alterações no sistema
operacional. 
D Ajustar as variáveis de ambiente do sistema operacional para cada biblioteca instalada. 
E Utilizar comandos como !pip install no próprio notebook do Colab para instalar cada uma das
bibliotecas.
A alternativa E está correta.
No Google Colab, a maneira mais eficiente e padronizada de instalar bibliotecas é usando comandos como !
pip install dentro do notebook. Isso permite que as bibliotecas sejam baixadas e configuradas para uso
imediato na sessão, sem a necessidade de downloads manuais complexos, reinícios de sistema ou ajustes
de variáveis de ambiente.
Uso do Gemini-Flash para geração de texto
Além de estar disponível gratuitamente via Google Gemini API, Gemini-Flash também permite gerar frases,
sugestões ou trechos de código em português do Brasil de forma prática. Aqui você aprenderá a carregar e
usar esse modelo para explorar o poder da IA generativa sem precisar de hardware avançado ou custos
adicionais.
 
Assista ao vídeo para entender como usar o Gemini-Flash no Google Colab e aproveitar seus recursos para
geração de textos em português, sem depender de infraestrutura complexa.
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
O Gemini-Flash é um modelo leve e otimizado para rodar em ambientes com recursos limitados, como o
Google Colab. Treinado para o português do Brasil, ele gera textos coerentes, como ideias de projetos ou
descrições de funcionalidades, com configuração mínima. Devido a tais características, é ideal para
estudantes que buscam resultados rápidos e práticos sem custos.
 
A Google Gemini API facilita o uso do Gemini-Flash. Com poucas linhas de código, você pode configurar o
modelo e fornecer um prompt, como “Sugira uma ideia para um aplicativo”, para gerar respostas criativas em
português do Brasil. O modelo é eficiente, exige menos memória que modelos maiores e permite
experimentações sem preocupações com desempenho.
 
No Google Colab, o Gemini-Flash pode ser usado para gerar muitas possibilidades, aproveitando os recursos
gratuitos do Colab. Portanto, dominar o Gemini-Flash é um passo indispensável para explorar IA generativa.
Para utilizar o Gemini, precisamos gerar uma API Key no Google AI Studio, conforme a imagem a seguir.
Geração de API Key.
Vejamos um exemplo de configuração do modelo Gemini-1.5-Flash utilizado em uma API em Python:
 
model = genai.GenerativeModel('gemini-1.5-flash')
No modelo Gemini-Flash — assim como em outros grandes modelos de linguagem —, os parâmetros
temperature e max_tokens permitem controlar a natureza e o tamanho da resposta gerada pela IA. 
Entenda melhor a seguir.
Temperature
Controla o nível de "criatividade" ou
"aleatoriedade" da resposta, influenciando a
forma como o modelo escolhe a próxima
palavra ao construir uma frase. 
Max_tokens 
Define o comprimento máximo da resposta que
o modelo pode gerar, sendo importante
entender que a contagem não é por palavras,
mas por tokens.
Ao experimentar diferentes prompts e parâmetros, você aprende a controlar a qualidade do texto gerado,
preparando-se para aplicações mais avançadas, como chatbots ou assistentes de código, usando apenas
ferramentas gratuitas disponíveis no Colab.
Atividade 3
O uso de modelos de inteligência artificial generativa requer interação com APIs para que as funcionalidades
sejam acessadas de forma programática. A Google Gemini API simplifica o uso do Gemini-Flash, de modo que
desenvolvedores e estudantes integrem esse modelo em suas aplicações. Para começar a utilizar o Gemini,
qual é o primeiro passo para se conectar à API?
A Instalar um IDE específico.
B Adquirir uma licença de software de IA para uso comercial.
C Configurar um servidor local com grande capacidade de processamento.
D Gerar uma API Key no Google AI Studio para autenticação.
E Dominar linguagens de programação para otimização do modelo.
A alternativa D está correta.
A API Key funciona como uma credencial de segurança, permitindo que as requisições feitas à API sejam
autenticadas e associadas a uma conta específica. Sem essa chave, o acesso ao serviço é impossível.
Prompting para criar ideias de projetos ou funcionalidades
Com técnicas de prompting, você pode "conversar" com modelos de IA, como o Gemini-1.5-flash, para criar
sugestões de funcionalidades, nomes de aplicativos ou soluções para problemas de desenvolvimento. Vamos
aprender a criar prompts eficazes no Google Colab, transformando a IA generativa em uma aliada prática e
gratuita para brainstorming!
 
Assista ao vídeo e veja como aplicar técnicas de prompting no Gemini-Flash para gerar ideias criativas, nomes
e funcionalidades de projetos. Aprenda a ajustar os comandos e parâmetros para tornar a IA uma aliada no
seu processo de criação. 
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
Roteiro de prática 
Vamos usar o modelo Gemini-1.5-flash no Google Colab para gerar uma funcionalidade inovadora para um
aplicativo de organização de tarefas. Com poucas linhas de código, vamos configurar o ambiente, criar um
prompt claro e obter uma sugestão de forma gratuita. Não se preocupe: ao longo do código, estão as
explicações dos trechos principais separados em passos. Vamos lá!
python
# Passo 1: Instalar as bibliotecas necessárias
!pip install google-generativeai
# Passo 2: Importar as bibliotecas
import google.generativeai as genai
import os
# Passo 3: Configurar a API Key (substituir pela sua chave)
os.environ['GOOGLE_API_KEY'] = 'SUA_CHAVE_API_AQUI'
genai.configure(api_key=os.environ['GOOGLE_API_KEY'])
# Passo 4: Listar modelos disponíveis para verificação
print("Modelos disponíveis:")
for model in genai.list_models():
 print(model.name)
# Passo 5: Configurar o modelo Gemini-1.5-Flash
model = genai.GenerativeModel('gemini-1.5-flash')
# Passo 6: Definir um prompt claro e específico
prompt = "Sugira uma funcionalidade inovadora e prática para um aplicativo de organização 
de tarefas em português brasileiro:"
# Passo 7: Gerar a sugestão com parâmetros ajustados
response = model.generate_content(
 prompt,
 generation_config=genai.types.GenerationConfig(
 max_output_tokens=100,
 temperature=0.7,
 )
)
# Passo 8: Processar e exibir a sugestão
texto_gerado = response.text.strip()
print(f"Funcionalidade sugerida: {texto_gerado}") 
O exemplo demonstra como um prompt bem estruturado pode gerar ideias úteis com o modelo Gemini-1.5-
flash. Ao ajustar parâmetros como temperature e max_output_tokens, você controla a criatividade e a
relevância da saída, tornando a IA valiosa para brainstorming. Por fim, tente modificar o prompt para explorar
outras ideias e veja como a IA pode acelerar seus projetos!
Atividade 4
Usando o código de exemplo, modifique o prompt para gerar três ideias de funcionalidades para um aplicativo
de estudos voltado para revisar conteúdos de provas. Execute o código no Google Colab, ajustando para
gerar três respostas. 
Chave de resposta
Para realizar a atividade utilizando o código apresentado, você precisará alterar o prompt conforme
solicitado e incluir os parâmetros para que sejam produzidas 3 ideias (passo 7).
python
# Passo 1: Instalar as bibliotecas necessárias
!pip install google-generativeai
# Passo 2: Importar as bibliotecas
import google.generativeai as genai
import os
# Passo 3: Configurar a API Key (substituir pela sua chave)
os.environ['GOOGLE_API_KEY'] = 'SUA_CHAVE_API_AQUI'
genai.configure(api_key=os.environ['GOOGLE_API_KEY'])
# Passo 4: Listar modelos disponíveis para verificação.
print("Modelos dispononíveis:")for model in genai.list_models():
 print(model.name)
# Passo 5: Configurar o modelo Gemini-1.5-Flash
model = genai.GenerativeModel('gemini-1.5-flash')
# Passo 6: Definir um prompt específico para estudantes
prompt = "Sugira uma funcionalidade inovadora e prática para um aplicativo de estudos 
que ajude estudantes a revisarem conteúdos de provas em português do Brasil:"
# Passo 7: Gerar três sugestões com parâmetros ajustados
responses = []
for _ in range(3):
 response = model.generate_content(
 prompt,
 generation_config=genai.types.GenerationConfig(
 max_output_tokens=30,
 temperature=0.7,
 )
 )
 responses.append(response.text.strip())
# Passo 8: Processar e salvar as sugestões
with open('ideias_estudo.txt', 'w') as f:
 for i, texto_gerado in enumerate(responses):
 f.write(f"Ideia {i+1}: {texto_gerado}\n")
# Passo 9: Exibir as sugestões
with open('ideias_estudo.txt', 'r') as f:
 print(f.read()) 
Estruturação de prompts e organização de saídas geradas 
Criar prompts claros e organizar as respostas de um modelo de IA pode transformar ideias vagas em soluções
úteis. Veja agora como obter saídas relevantes do modelo Gemini-1.5-flash e organizar os textos gerados no
Google Colab, usando formatos como JSON. Essas habilidades transformam a IA generativa em uma
ferramenta prática no desenvolvimento.
 
Neste vídeo, vamos além da geração de texto e aprenderemos a estruturar as saídas da IA em formatos úteis
como JSON. Você verá como criar um prompt que solicita um formato específico e como processar a resposta
para facilitar a integração em outros sistemas. Assista!
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
Roteiro de prática 
Vamos criar agora um prompt estruturado para gerar descrições de funcionalidades e organizar as saídas em
um arquivo JSON no Google Colab. Usando o modelo Gemini-1.5-flash, você verá como processar respostas
de forma eficiente, a fim de que elas sejam fáceis de analisar e utilizar em projetos reais. Ao longo do código,
confira as explicações dos trechos principais separados em passos. Vamos lá!
python
# Passo 1: Instalar as bibliotecas necessárias
!pip install google-generativeai
# Passo 2: Importar as bibliotecas
import google.generativeai as genai
import json
import os
# Passo 3: Configurar a API Key (substituir pela sua chave)
os.environ['GOOGLE_API_KEY'] = 'SUA_CHAVE_API_AQUI'
genai.configure(api_key=os.environ['GOOGLE_API_KEY'])
# Passo 4: Listar modelos disponíveis para verificação
print("Modelos disponíveis:")
for model in genai.list_models():
 print(model.name)
# Passo 5: Configurar o modelo Gemini-1.5-Flash
model = genai.GenerativeModel('gemini-1.5-flash')
# Passo 6: Criar um prompt estruturado
prompt = "Forneça uma descrição curta e prática de uma funcionalidade para um aplicativo 
de planejamento financeiro em português do Brasil:"
# Passo 7: Gerar três saídas com parâmetros ajustados
responses = []
for _ in range(3):
 response = model.generate_content(
 prompt,
 generation_config=genai.types.GenerationConfig(
 max_output_tokens=30,
 temperature=0.7,
 )
 )
 responses.append(response.text.strip())
# Passo 8: Organizar e salvar as saídas em um arquivo JSON
saidas = [{"id": i+1, "texto": texto} for i, texto in enumerate(responses)]
with open('funcionalidades_financeiro.json', 'w') as f:
 json.dump(saidas, f, indent=2)
# Passo 9: Exibir as saídas organizadas
for saida in saidas:
 print(f"Saída {saida['id']}: {saida['texto']}") 
Os arquivos gerados podem ser visualizados no Google Colab, como ilustra a imagem a seguir.
Conteúdo interativo
Acesse a versão digital para ver mais detalhes da imagem
abaixo.
Arquivos gerados no Google Colab.
O exemplo anterior mostra como prompts bem estruturados e a organização de saídas em JSON podem
facilitar o uso de IA generativa em projetos reais. Com o modelo Gemini-1.5-flash, você pode gerar e
armazenar ideias de forma prática, preparando-as para integração em aplicativos ou documentação. Que tal
ajustar o prompt ou o formato de saída para explorar novas possibilidades? Tente!
Atividade 5
Com base no código visto, crie um prompt estruturado para gerar três descrições curtas de funcionalidades
para um aplicativo de gestão de tempo. Execute o código no Google Colab, salvando as saídas em um arquivo
JSON chamado funcionalidades_tempo.json. 
Chave de resposta
Para obter a saída esperada, você precisará ajustar o prompt (passo 6), os parâmetros (passo 7) e as
orientações para salvamento das saídas (passo 8), utilizando o título adequado.
python
# Passo 1: Instalar as bibliotecas necessárias
!pip install google-generativeai
# Passo 2: Importar as bibliotecas
import google.generativeai as genai
import json
import os
# Passo 3: Configurar a API Key (substituir pela sua chave)
os.environ['GOOGLE_API_KEY'] = 'SUA_CHAVE_API_AQUI'
genai.configure(api_key=os.environ['GOOGLE_API_KEY'])
# Passo 4: Listar modelos disponíveis para verificação
print("Modelos disponíveis:")
for model in genai.list_models():
 print(model.name)
# Passo 5: Configurar o modelo Gemini-1.5-Flash
model = genai.GenerativeModel('gemini-1.5-flash')
# Passo 6: Criar um prompt estruturado
prompt = "Forneça uma descrição curta e prática de uma funcionalidade para um 
aplicativo de gestão de tempo em português do Brasil:"
# Passo 7: Gerar três saídas com parâmetros ajustados
responses = []
for _ in range(3):
 response = model.generate_content(
 prompt,
 generation_config=genai.types.GenerationConfig(
 max_output_tokens=30,
 temperature=0.7,
 )
 )
 responses.append(response.text.strip())
# Passo 8: Organizar e salvar as saídas em um arquivo JSON
saidas = [{"id": i+1, "texto": texto} for i, texto in enumerate(responses)]
with open('funcionalidades_tempo.json', 'w') as f:
 json.dump(saidas, f, indent=2)
# Passo 9: Exibir as saídas organizadas
for saida in saidas:
 print(f"Saída {saida['id']}: {saida['texto']}") 
Como resultado, o arquivo JSON deve estar disponível em seu Google Colab, com o título indicado.
2. Planejamento e automação com modelos
Geração de cronogramas ou listas de tarefas usando
modelos
Para criarmos um cronograma de projeto ou uma lista de tarefas em minutos, sem esforço manual, podemos
usar modelos generativos, que criam planos estruturados para seus projetos no Google Colab. Vamos
descobrir usos da IA para organizar tarefas de forma prática, economizando tempo e trazendo eficiência ao
desenvolvimento.
 
Explore neste vídeo como usar modelos generativos para automatizar o planejamento de projetos. Você
aprenderá a criar prompts que transformam uma ideia em uma lista de tarefas estruturada ou em um
cronograma semanal, agilizando seu fluxo de trabalho. Confira!
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
Modelos generativos, como o Gemini-Flash, podem criar cronogramas ou listas de tarefas ao receber prompts,
como “Liste tarefas para um projeto de aplicativo”. Otimizado para gerar texto em português, esse modelo
produz respostas coerentes que podem ser adaptadas para planejar atividades, desde prazos de
desenvolvimento até entregas de equipes, e o melhor: usando os recursos gratuitos do Google Colab. 
 
Para gerar cronogramas eficazes, prompts claros, que especifiquem o contexto, como o tipo de projeto ou o
prazo, são indispensáveis. Por exemplo, um prompt como “Crie um cronograma de uma semana para
desenvolver um app de notas” pode gerar uma lista de tarefas com etapas práticas, que podem ser refinadas
para atender às necessidades do desenvolvedor. 
 
Vejamos um exemplo de prompt:
 
Você é gerente de projetos sênior. Sua tarefa é criar um cronograma de projeto detalhado.
 
Objetivo do projeto: lançamento de um novo website de e-commerce.
Data de início do projeto: 1 de setembro de 2025.
Equipe: 1 designere 2 desenvolvedores.
Principais fases e tarefas:
Fase de planejamento e descoberta:
 
 Reunião de kickoff.
 
Definição de requisitos e escopo.
 
Pesquisa de mercado e concorrentes.
 
Criação de personas de usuário.
 
Fase de design (UI/UX):
 
Criação de wireframes.
 
Design do layout visual (mockups).
 
Criação do guia de estilo.
 
Protótipo clicável para feedback.
 
Fase de desenvolvimento:
 
Configuração do ambiente de desenvolvimento.
 
Desenvolvimento do front-end.
 
Desenvolvimento do back-end e integração com banco de dados.
 
Integração de gateway de pagamento.
 
Desenvolvimento do painel de administração.
 
Fase de testes e lançamento:
 
Testes de funcionalidade e QA (Quality Assurance).
 
Testes de responsividade (mobile e tablet).
 
Correção de bugs.
 
Configuração do servidor de produção e deploy.
 
Lançamento oficial.
 
Instrução de formato:
Por favor, gere o cronograma em uma tabela Markdown com as seguintes colunas: Fase, Tarefa, Duração
estimada (dias úteis), Data de início e Data de fim. Considere uma semana de 5 dias úteis e organize as
tarefas em sequência lógica.
 
• 
◦ 
◦ 
◦ 
◦ 
• 
◦ 
◦ 
◦ 
◦ 
• 
◦ 
◦ 
◦ 
◦ 
◦ 
• 
◦ 
◦ 
◦ 
◦ 
◦ 
Vejamos o resultado do prompt:
Conteúdo interativo
Acesse a versão digital para ver mais detalhes da imagem
abaixo.
Exemplo de geração de cronograma utilizando o Gemini-flash.
A vantagem de usar IA no planejamento é a automação de tarefas repetitivas. No Google Colab, você pode
integrar o Gemini-Flash com scripts Python para gerar listas de tarefas com rapidez, salvando-as em arquivos
para revisão ou compartilhamento. Isso reduz o trabalho manual e permite focar a execução do projeto. 
 
A prática com o Gemini-Flash para planejamento prepara você para gerenciar projetos reais. Ao experimentar
diferentes prompts e ajustar parâmetros, você aprende a obter saídas mais precisas e aplicáveis a cenários,
como organização de sprints ou definição de prioridades em equipes de desenvolvimento.
Atividade 1
A utilização de inteligência artificial em projetos, conforme o uso de modelos generativos, proporciona ganho
significativo de eficiência. Qual é uma das principais otimizações que a IA oferece no fluxo de trabalho de
planejamento?
A Necessidade de verificação manual em todas as etapas do projeto. 
B Aumento da complexidade na elaboração de relatórios de progresso. 
C Redução do trabalho manual, permitindo foco na execução das atividades. 
D Duplicação de tarefas para haver maior controle de qualidade. 
E Demanda por conhecimentos avançados em infraestrutura de rede para o uso.
A alternativa C está correta.
Uma das grandes vantagens da IA no planejamento é a capacidade de automatizar tarefas que, de outra
forma, exigiriam esforço manual. Assim, a IA libera o tempo e a atenção da equipe para a execução
estratégica do projeto.
Criação de documentação técnica com IA
Produzir documentação técnica, como READMEs e comentários de código, costuma tomar tempo. Com o
modelo gpt2-small-portuguese no Google Colab, é possível gerar textos claros e bem estruturados em
português do Brasil. Neste conteúdo, você verá como a IA generativa pode agilizar essa tarefa e contribuir
para a qualidade do desenvolvimento.
 
No vídeo a seguir mostramos como automatizar a criação de READMEs e comentários com o apoio da IA,
reduzindo esforço e ganhando consistência na documentação dos seus projetos. Confira!
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
A IA generativa consegue produzir documentação técnica, como READMEs ou comentários de código, a partir
de prompts específicos. Por exemplo, um prompt como “Escreva um README para um app de tarefas” pode
gerar uma descrição clara do projeto, incluindo instalação e funcionalidades. 
Dica
Todas essas possibilidades são gratuitas no Google Colab. 
Para obter documentação útil, o prompt deve detalhar o contexto, como o objetivo do projeto ou o público-
alvo. O Gemini-Flash gera textos naturais, que podem ser usados ou ajustados, economizando tempo em
tarefas repetitivas de escrita técnica. Veja o exemplo! 
Conteúdo interativo
Acesse a versão digital para ver mais detalhes da imagem
abaixo.
Exemplo de README criado com IA generativa.
No Google Colab, a integração do Gemini-Flash com scripts Python permite automatizar a criação de
documentos. Você pode, por exemplo, gerar comentários de código para funções Python ou um README
completo, salvando os resultados em arquivos para uso em repositórios, facilitando a colaboração em equipe. 
Atenção
Os resultados da IA demandam supervisão humana para que as informações contidas na documentação
estejam coerentes com o projeto e sejam comunicadas de forma adequada. 
Usar IA para documentação técnica prepara você para fluxos de trabalho mais eficientes. Ao experimentar
prompts e parâmetros, você aprende a refinar saídas para que sejam claras e profissionais, além de aplicáveis
a projetos reais, como descrever APIs ou documentar bibliotecas de código. 
Atividade 2
Uma equipe de desenvolvimento, seguindo as diretrizes de eficiência, usou o Gemini-Flash para gerar a
primeira versão da documentação de uma nova API. O resultado foi um texto bem estruturado sobre os
endpoints e métodos, o que acelerou o início do processo de documentação técnica para o projeto.
Para que a documentação gerada por IA atinja padrão profissional de qualidade e precisão, qual ação a equipe
de desenvolvimento deve priorizar como próximo passo?
A Realizar uma revisão técnica detalhada por um membro da equipe para validar a precisão das
informações e ajustar o tom.
B Automatizar a publicação imediata do documento na plataforma de desenvolvedores para agilizar o
processo de deployment.
C Experimentar diferentes valores para o parâmetro temperature para gerar versões criativas
alternativas do texto.
D
Traduzir o documento para outros idiomas utilizando a mesma ferramenta para ampliar o alcance
global do projeto.
E Integrar o script de geração a um pipeline de CI/CD para documentar futuras alterações de código de
forma automática.
A alternativa A está correta.
A IA generativa é uma ferramenta poderosa para criar rascunhos e acelerar tarefas, mas a responsabilidade
pela precisão técnica, clareza e adequação ao contexto do projeto permanece humana. A revisão por um
especialista garante que a documentação final seja confiável e profissional, corrigindo possíveis
imprecisões ou "alucinações" do modelo. As outras opções são ações válidas em outros momentos do ciclo
de vida do projeto, mas a validação humana é o passo crítico imediato após a geração do conteúdo.
Scripts Python no Google Colab para tarefas repetitivas
Veja como usar o modelo Gemini-Flash no Google Colab para automatizar a criação de templates e acelerar
tarefas comuns no desenvolvimento, ganhando tempo e eficiência.
 
A seguir mostramos como combinar Python e IA generativa para gerar estruturas de código ou arquivos de
forma automática, facilitando o início de novos projetos. Assista ao vídeo!
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
Modelos generativos, como o Gemini-Flash, podem ser integrados a scripts Python no Google Colab para
automatizar a criação de templates, como estruturas de código ou relatórios. Por exemplo, um script pode
gerar um template de função Python com comentários, pronto para uso, usando prompts simples e gratuitos
no Colab. Veja!
Conteúdo interativo
Acesse a versão digital para ver mais detalhes da imagem
abaixo.
Trecho de Código em Python no Google Colab.
A automação de tarefas repetitivas depende de prompts bem estruturados. Por exemplo, um prompt como
“Crie um template de função Python para calcular médias” pode gerar código comentado, que o script Python
salva ou processa. Assim, o Gemini-Flash é ideal por ser eficiente e produzir texto em português do Brasil. 
 
No Google Colab, scripts Python podem combinar a geração de texto do modelo com manipulação de
arquivos, permitindo salvar templatesem formatos como .py ou .txt. Isso é útil para criar estruturas repetitivas,
como cabeçalhos de scripts ou modelos de relatórios, otimizando o fluxo de trabalho. 
 
Desenvolver scripts para automação com IA generativa é uma habilidade valiosa para desenvolvedores. Ao
ajustar parâmetros como temperature e experimentar prompts, você criará templates personalizados e
aplicáveis a projetos reais, como automação de documentos ou geração de código inicial.
Atividade 3
No ambiente do Google Colab, a geração de texto por um modelo generativo e a manipulação de arquivos via
scripts Python facilitam a otimização do fluxo de trabalho. De que forma essa combinação auxilia na criação
de estruturas repetitivas para projetos?
A Apagando automaticamente arquivos antigos e redundantes do sistema. 
B Convertendo formatos de imagem para texto para analisar o conteúdo. 
C Gerenciando complexos bancos de dados para armazenamento de informações sensíveis. 
D Realizando cálculos estatísticos complexos para análise de grandes volumes de dados.
E Permitindo salvar os templates gerados em formatos de arquivo, como .py ou .txt, para reutilização. 
A alternativa E está correta.
A sinergia entre a geração de texto por um modelo de IA e a manipulação de arquivos por scripts Python no
Google Colab permite que os templates criados (como estruturas de código ou modelos de relatórios)
sejam salvos em formatos de arquivo (como .py ou .txt). Isso é indispensável para a reutilização dessas
estruturas, otimizando o desenvolvimento de projetos que exigem repetição.
Exploração de modelos pré-treinados 
Com o modelo Gemini-2.0-flash-exp, é possível gerar um README claro e bem organizado para um sistema de
consultas a uma base de dados sobre compras de livros de IA generativa. Aqui você vai entender como
configurar e usar o modelo no Google Colab para criar textos prontos para publicação, com praticidade e
qualidade.
 
No vídeo, mostramos como gerar um README para um projeto de portfólio usando prompts detalhados com
exemplo em Markdown. A proposta é criar uma documentação profissional sem complicação. Confira!
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
Roteiro de prática 
Veja como usar o modelo Gemini-2.0-flash-exp no Google Colab para gerar um README profissional para o
projeto 'LivrosAI', um sistema de consultas a uma base de livros sobre IA generativa. Com um prompt
detalhado, incluindo um exemplo de Markdown, você obterá uma documentação clara, com seções bem
definidas. Ao longo do código, acompanhe as explicações dos principais trechos separados em passos.
Vamos lá!
python
# Passo 1: Instalar as dependências necessárias
!pip install google-generativeai
# Passo 2: Importar as bibliotecas
import google.generativeai as genai
# Passo 3: Configurar a API do Gemini (insira sua chave gratuita de https://
aistudio.google.com/app/apikey)
GOOGLE_API_KEY = "Sua Chave Aqui" # Substitua pela sua chave
genai.configure(api_key=GOOGLE_API_KEY)
# Passo 4: Configurar o modelo Gemini 2.0 Flash
model = genai.GenerativeModel('gemini-2.0-flash-exp')
generation_config = {
 "temperature": 0.6, # Criatividade balanceada
 "top_p": 0.95, # Diversidade controlada
 "max_output_tokens": 500 # Saída detalhada
}
# Passo 5: Definir um prompt estruturado com exemplo de README
prompt = """Você é um especialista em documentação técnica. Crie um README em português 
do Brasil para o projeto 'LivrosAI', um sistema de consultas a uma base de compras de 
livros sobre inteligência artificial generativa. Siga este formato:
# LivrosAI
## Descrição
Sistema para consultar livros sobre IA generativa, retornando títulos, preços e autores.
## Instalação
1. Clone o repositório: `git clone `
2. Instale dependências: `pip install -r requirements.txt`
## Uso
Execute: `python main.py --tema "machine learning"`
## Benefícios
Facilita a busca por livros especializados.
**Requisitos**:
- Use Markdown com seções claras
- Mantenha tom profissional para GitHub
- Inclua emojis para melhor visualização
Gere uma documentação que impressione desenvolvedores!"""
# Passo 6: Gerar o README
try:
 resultado = model.generate_content(prompt, generation_config=generation_config)
 texto_gerado = resultado.text.strip()
except Exception as e:
 texto_gerado = f"Erro na geração: {str(e)}"
# Passo 7: Salvar e exibir o README
with open('readme_livrosai.md', 'w', encoding='utf-8') as f:
 f.write(f"# README - LivrosAI\n\n{texto_gerado}")
print(f"# README - LivrosAI\n\n{texto_gerado}") 
O exemplo mostra como o Gemini-2.0-flash-exp cria um README profissional. O prompt com modelo em
Markdown garante saídas claras e bem formatadas. Experimente adicionar seções como 'Contribuição' ou
'Pré-requisitos' ao prompt para personalizar ainda mais a documentação e destacar seus projetos!
Atividade 4
Com base no código visto, modifique o prompt para gerar um README para um projeto chamado 'TechBooks',
um sistema de consultas a uma base de compras de livros sobre tecnologia em geral. Siga o mesmo formato
(# TechBooks, Descrição, Instalação, Uso, Benefícios) com tom profissional para GitHub e emojis. Execute o
código no Google Colab, gerando duas versões com chamadas repetidas ao modelo. 
Chave de resposta
Para realizar a atividade utilizando o código apresentado, você precisará alterar o prompt, conforme
solicitado, e incluir os parâmetros para que sejam produzidas duas versões com chamadas repetidas ao
modelo, selecionando e exibindo a melhor versão (passos 6 a 8). Veja!
python
# Passo 1: Instalar as dependências necessárias
!pip install google-generativeai
# Passo 2: Importar as bibliotecas
import google.generativeai as genai
# Passo 3: Configurar a API do Gemini (insira sua chave gratuita de https://
aistudio.google.com/app/apikey)
GOOGLE_API_KEY = "Sua Chave Aqui" # Substituir pela sua chave
genai.configure(api_key=GOOGLE_API_KEY)
# Passo 4: Configurar o modelo Gemini 2.0 Flash
model = genai.GenerativeModel('gemini-2.0-flash-exp')
generation_config = {
 "temperature": 0.6,
 "top_p": 0.95,
 "max_output_tokens": 500
}
# Passo 5: Definir um prompt estruturado com exemplo de README
prompt = """Você é um especialista em documentação técnica. Crie um README em 
português do Brasil para o projeto 'TechBooks', um sistema de consultas a uma base de 
compras de livros sobre tecnologia em geral. Siga este formato:
# TechBooks
## Descrição
Sistema para consultar livros sobre tecnologia, retornando títulos, preços e autores.
## Instalação
1. Clone o repositório: `git clone `
2. Instale dependências: `pip install -r requirements.txt`
## Uso
Execute: `python main.py --tema "programação"`
## Benefícios
Facilita a busca por livros técnicos.
**Requisitos**:
- Use Markdown com seções claras
- Mantenha tom profissional para GitHub
- Inclua emojis para melhor visualização
Gere uma documentação que impressione desenvolvedores!"""
# Passo 6: Gerar duas versões do README
textos = []
for _ in range(2): # Gerar duas saídas com chamadas repetidas
 try:
 resultado = model.generate_content(prompt, generation_config=generation_config)
 textos.append(resultado.text.strip())
 except Exception as e:
 textos.append(f"Erro na geração: {str(e)}")
# Passo 7: Selecionar e salvar a melhor versão
melhor_texto = ""
melhor_id = 0
for i, texto in enumerate(textos):
 if i == 0 or len(texto.split()) > len(melhor_texto.split()): # Escolhe o mais 
longo
 melhor_texto = texto
 melhor_id = i + 1
with open('readme_techbooks.md', 'w', encoding='utf-8') as f:
 f.write(f"# README - TechBooks\n\n{melhor_texto}")
# Passo 8: Exibir a melhor versão
print(f"# README - TechBooks (Versão{melhor_id})\n\n{melhor_texto}") 
Métodos para avaliar e refinar os resultados gerados 
Quer criar códigos Python funcionais e profissionais para seus projetos? Aprenda a usar o modelo gemini-2.0-
flash-exp no Google Colab para gerar e avaliar um templatede aplicação Python para consultar uma base de
livros sobre IA generativa. Com prompts claros e validação robusta, você obterá códigos prontos, mantendo a
simplicidade e eficiência.
 
Neste vídeo, vamos gerar um sistema Python completo com IA e aprender a avaliar a qualidade do código
gerado. Você verá como definir critérios de validação para selecionar a melhor versão e refinar o resultado
para garantir um código funcional e profissional. Confira!
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
Roteiro de prática 
Veja como usar o gemini-2.0-flash-exp no Google Colab para gerar e avaliar um template de aplicação Python,
especificamente uma classe para consultar uma base de livros sobre IA generativa. Com um prompt claro,
exemplo de estrutura e critérios de validação, você obterá um código funcional e comentado, ideal para
projetos profissionais. Ao longo do código, estão as explicações dos principais trechos separados em passos.
Vamos lá!
python
# Passo 1: Instalar as dependências necessárias
!pip install google-generativeai pandas matplotlib
# Passo 2: Importar as bibliotecas
import google.generativeai as genai
import pandas as pd
import json
from datetime import datetime
# Passo 3: Configurar a API do Gemini (insira sua chave gratuita de https://
aistudio.google.com/app/apikey)
GOOGLE_API_KEY = "Sua Chave Aqui" # Substituir pela sua chave
genai.configure(api_key=GOOGLE_API_KEY)
# Passo 4: Configurar o modelo Gemini 2.0 Flash
model = genai.GenerativeModel('gemini-2.0-flash-exp')
generation_config = {
 "temperature": 0.4, # Precisão Técnica
 "top_p": 0.9, # Diversidade controlada
 "max_output_tokens": 800 # Código mais extenso
}
# Passo 5: Definir um prompt estruturado com exemplo de sistema completo
prompt = """Você é um especialista em análise de dados e programação em Python. Crie um 
sistema completo de análise de vendas para uma plataforma de e-commerce de livros sobre 
IA generativa. Siga este formato:
```python
class AnalisadorVendas:
 def __init__(self, dados_vendas: list):
 self.dados = dados_vendas
 self.metricas = {}
 
 def calcular_receita_total(self) -> float:
 # Calcula receita total das vendas
 return sum(venda['preco'] * venda['quantidade'] for venda in self.dados)
 
 def livro_mais_vendido(self) -> dict:
 # Identifica o livro com maior volume de vendas
 vendas_por_livro = {}
 for venda in self.dados:
 titulo = venda['titulo']
 vendas_por_livro[titulo] = vendas_por_livro.get(titulo, 0) + 
venda['quantidade']
 return max(vendas_por_livro.items(), key=lambda x: x[1])
"""
#Passo 6: Gerar cinco saídas com chamadas repetidas
textos = []
for i in range(5):
 try:
 resultado = model.generate_content(prompt, generation_config=generation_config)
 textos.append(resultado.text.strip())
 print(f"? Geração {i+1} concluída")
 except Exception as e:
 textos.append(f"Erro na geração: {str(e)}")
 print(f"? Erro na geração {i+1}: {str(e)}")
#Passo 7: Avaliar e salvar saídas consistentes com critérios robustos
saidas_validas = []
for i, texto in enumerate(textos):
 # Critérios de qualidade mais rigorosos
 tem_classe = "class " in texto.lower()
 tem_metodos = "def " in texto.lower()
 tem_docstring = '"""' in texto or "'''" in texto
Veja no Google Colab o arquivo gerado analisador_vendas.py.
 
O exemplo demonstra como o `gemini-2.0-flash-exp` gera templates de aplicações Python profissionais,
prontos para GitHub ou LinkedIn. O prompt traz uma estrutura modelo e critérios claros, o que resulta em
códigos úteis e comentados. Experimente ajustar o prompt para incluir métodos adicionais ou formatos como
JSON e crie códigos ainda mais alinhados às suas necessidades!
Atividade 5
Modifique o prompt do exemplo para gerar três templates de aplicações Python para consultar uma base de
livros sobre tecnologia em geral, usando a classe `ConsultorLivrosTech`. Inclua um exemplo de estrutura no
prompt, similar ao fornecido, com o método `consultar_por_tema`. Ajuste os critérios de validação para incluir
saídas com classe, método e mais de 10 palavras. Salve a melhor saída em `consultor_tecnologia.py` e o
relatório de qualidade em `relatorio_tecnologia.json`. 
Chave de resposta
Para realizar a atividade com o código apresentado, você precisará alterar o prompt conforme solicitado,
gerando o arquivo consultor_tecnologia.py. Veja!
python
# Passo 1: Instalar as dependências necessárias
!pip install google-generativeai pandas
# Passo 2: Importar as bibliotecas
import google.generativeai as genai
import pandas as pd
import json
from datetime import datetime
# Passo 3: Configurar a API do Gemini (insira sua chave gratuita de https://
aistudio.google.com/app/apikey)
GOOGLE_API_KEY = "Sua Chave Aqui" # Substituir pela sua chave
genai.configure(api_key=GOOGLE_API_KEY)
# Passo 4: Configurar o modelo Gemini 2.0 Flash
model = genai.GenerativeModel('gemini-2.0-flash-exp')
generation_config = {
 "temperature": 0.4,
 "top_p": 0.9,
 "max_output_tokens": 800
}
# Passo 5: Definir um prompt estruturado com exemplo de aplicação
prompt = """Você é um especialista em programação Python. Crie um template de 
aplicação Python em português do Brasil para consultar uma base de livros sobre 
tecnologia em geral. Siga este formato:
```python
class ConsultorLivrosTech:
 def __init__(self, dados_livros: list):
 # Inicializa a base de livros
 self.dados = dados_livros
 
 def consultar_por_tema(self, tema: str) -> list:
 # Consulta livros por tema
 # Parâmetro: tema (ex.: 'programação')
 # Retorna: lista de livros com títulos e preços
 return [livro for livro in self.dados if tema.lower() in livro['tema'].lower()]
Inclua: 
Classe 'ConsultorLivrosTech'
Método 'consultar_por_tema' com parâmetro 'tema'
Comentários explicativos
Estrutura de consulta retornando uma lista. Use um tom profissional para GitHub e 
código válido."""
#Passo 6: Gerar três saídas com chamadas repetidas
textos = []
for i in range(3):
 try: 
 resultado = model.generate_content(prompt, 
generation_config=generation_config) 
 textos.append(resultado.text.strip()) 
 print(f"? Geração {i+1} concluída") 
 except Exception as e: 
 textos.append(f"Erro na geração: {str(e)}") 
 print(f"? Erro na geração {i+1}: {str(e)}")
#Passo 7: Avaliar e salvar saídas consistentes com critérios robustos
saidas_validas = []
for i, texto in enumerate(textos): 
 tem_classe = "class " in texto.lower() 
 tem_metodo = "def consultar_por_tema" in texto.lower() 
 tem_comentarios = "#" in texto or '"""' in texto or "'''" in texto 
 tamanho_adequado = len(texto.split()) > 10 
 if tem_classe and tem_metodo and tamanho_adequado: 
 Veja no Google Colab o arquivo gerado: consultor_tecnologia.py
3. Segurança e análise de logs com IA generativa 
Detecção de vulnerabilidades em código
Já imaginou usar IA para identificar falhas de segurança no seu código antes que causem problemas? Com
modelos generativos, como o gemini-2.0-flash-exp, você pode analisar trechos de código em busca de
vulnerabilidades, como injeções SQL ou validações fracas. Vejamos como IA generativa pode ser aplicada no
Google Colab para detectar riscos, tornando seus projetos mais seguros e confiáveis.
 
Explore neste vídeo como a IA generativa pode atuar como uma primeira linha de defesa, analisando trechos
de código para encontrar vulnerabilidades comuns, como injeção de SQL, e sugerindo correções para tornar
suas aplicações mais seguras.
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
A segurança de software é uma das maiores preocupações no desenvolvimento de aplicações modernas.
Falhas como injeções de SQL, manipulação inadequada de entradas de usuário e configurações de servidor
inseguraspodem levar a violações de dados catastróficas.
 
Nesse cenário desafiador, a IA generativa surge como uma poderosa aliada para os desenvolvedores,
oferecendo nova camada de defesa proativa. Modelos avançados, como o Gemini-Flash, podem funcionar
como um analista de segurança virtual, processando trechos de código para identificar vulnerabilidades com
uma eficiência notável. Utilizando plataformas acessíveis, como o Google Colab, qualquer desenvolvedor com
uma chave de API pode começar a explorar essa tecnologia gratuitamente.
Atenção
A eficácia da análise de segurança depende da qualidade dos prompts fornecidos ao modelo. Um
comando genérico pode gerar resultados úteis, mas a verdadeira força da IA é desbloqueada com
instruções detalhadas e contextualizadas. Por exemplo, em vez de um simples "Analise este código", um
prompt mais interessante seria: “Analise esta função em Python, que processa um formulário de login, e
identifique potenciais vulnerabilidades de segurança, como XSS (Cross-Site Scripting) ou falta de
sanitização de entradas. Sugira correções de código aplicando as melhores práticas”. 
Essa abordagem permite que o modelo não apenas aponte a linha problemática, mas também explique o risco
associado e forneça um snippet de código corrigido, transformando a ferramenta em um mentor de
segurança.
 
A integração no Google Colab torna esse processo muito prático. Um desenvolvedor pode criar um ambiente
de testes em que trechos de código são enviados para a API do Gemini, que retorna um relatório detalhado
sobre os riscos encontrados. Esse relatório pode ser salvo, documentado e compartilhado com a equipe,
servindo como base sólida para auditorias de segurança e facilitando a colaboração durante revisões de
código (code reviews). Esse fluxo de trabalho automatizado permite que as verificações de segurança sejam
incorporadas de forma contínua ao ciclo de desenvolvimento, em vez de serem uma etapa tardia e onerosa.
 
Adotar a IA generativa para a detecção de vulnerabilidades é mais do que uma conveniência; é o
desenvolvimento de uma habilidade valiosa para o futuro da programação. Ao experimentar com diferentes
tipos de código e refinar os prompts, pessoas desenvolvedoras treinam tanto o modelo como a si mesmas,
aprendendo a identificar e mitigar falhas de forma mais intuitiva. Essa prática contínua fomenta uma
mentalidade de "segurança desde a concepção" (security by design), resultando em softwares mais
confiáveis, estáveis e preparados para os desafios de um ambiente digital cada vez mais hostil.
Atividade 1
A IA generativa tem se mostrado uma ferramenta valiosa para aprimorar a segurança de softwares. Qual das
opções a seguir representa um tipo de falha que essa tecnologia é capaz de apontar?
A Desempenho lento em consultas de banco de dados complexas. 
B Falta de comentários em seções críticas do código-fonte. 
C Injeções SQL ou manipulação inadequada de entradas. 
D Variações na sintaxe de diferentes linguagens de programação. 
E Conflitos de versão entre bibliotecas de desenvolvimento.
A alternativa C está correta.
A IA generativa é utilizada para escanear e processar códigos, detectando padrões que indicam falhas de
segurança e oferecendo orientações para mitigá-las, tornando o software mais confiável. Entre as falhas
que ela pode identificar, estão vulnerabilidades a injeções SQL e à manipulação inadequada de entradas.
Análise de logs com IA 
Usando o modelo gemini-2.0-flash-exp, você pode analisar logs de maneira rápida, identificando erros ou
padrões suspeitos no Google Colab. Vamos ver como a IA generativa pode ser usada para interpretar logs,
tornando a depuração mais eficiente e prática para desenvolvedores.
 
Neste vídeo, você aprenderá a usar a IA generativa para interpretar grandes volumes de logs, facilitando a
identificação de erros e padrões suspeitos. Veja como a análise automatizada pode simplificar a depuração e
otimizar o monitoramento de sistemas.
 
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
A IA generativa, como o gemini-2.0-flash-exp, pode processar logs de sistemas para identificar erros, falhas
de segurança ou padrões anormais, como tentativas de acesso não autorizado. No Google Colab, você pode
fornecer trechos de logs via prompts e receber análises detalhadas, usando apenas uma chave de API
gratuita. 
 
Confira a imagem a seguir!
Conteúdo interativo
Acesse a versão digital para ver mais detalhes da imagem
abaixo.
Exemplo de gráfico de logs gerado por IA.
Prompts específicos são determinantes para análise de logs. Por exemplo, “Analise este log de servidor e
identifique erros críticos” permite que o modelo destaque problemas, como falhas de conexão, e sugira
possíveis causas ou soluções, facilitando a resolução de problemas em sistemas reais. 
 
No Google Colab, a integração com a API do Gemini permite salvar análises de logs em arquivos para revisão
ou documentação. Isso é útil para equipes que precisam monitorar sistemas sempre, garantindo que
problemas sejam identificados e corrigidos depressa, sem ferramentas pagas. 
 
A análise de logs com IA generativa é uma habilidade prática para desenvolvedores. Ao experimentar
diferentes prompts e logs, você aprende a interpretar saídas complexas, aplicando a IA para melhorar a
manutenção de sistemas e a segurança em projetos profissionais.
Atividade 2
A IA generativa, ao processar logs de sistemas, vai além da simples detecção de erros, pois identifica
comportamentos atípicos. Ao analisar logs de sistemas com IA generativa, qual tipo de padrão anormal essa
tecnologia é capaz de identificar, além de erros e falhas de segurança?
A Aumento constante no volume de dados de log.
B Tentativas de acesso não autorizado.
C Ocorrência de atualizações de software de rotina.
D Redução na utilização da capacidade do servidor.
E Variações mínimas no tempo de resposta do servidor.
A alternativa B está correta.
A IA generativa não se limita a identificar falhas operacionais; ela é muito eficaz em detectar padrões
anormais, como tentativas de acesso não autorizado. Essa habilidade permite que a ferramenta atue como
um sistema de alerta precoce para potenciais brechas de segurança, auxiliando na proteção contra
atividades maliciosas em ambientes digitais.
Automação de alertas 
Imagine receber alertas automáticos sobre problemas no seu sistema antes que eles escalem? Com o modelo
gemini-2.0-flash-exp, você pode criar scripts Python no Google Colab para gerar alertas com base em logs ou
vulnerabilidades. Vejamos como a IA generativa pode ser usada para automatizar alertas, aumentando a
eficiência na monitoração de sistemas.
 
Assista ao vídeo e descubra como usar a IA para interpretar logs e gerar alertas automáticos. Você verá como
montar um script em Python capaz de identificar problemas e produzir mensagens claras, prontas para
integração com sistemas de notificação.
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
A manutenção de sistemas de software modernos gera um volume massivo de dados de logs, um fluxo
contínuo de informações que pode ser desafiador para equipes humanas monitorarem com eficácia. Dentro
desse oceano de dados, diferenciar o ruído operacional de um sinal de alerta crítico é uma tarefa complexa e
demorada. 
 
É aqui que a automação de alertas com IA generativa, como o modelo Gemini-Flash, representa uma evolução
fundamental, transformando o monitoramento reativo em uma vigilância proativa e inteligente. Por meio de
plataformas como Google Colab, desenvolvedores podem programar uma "sentinela" virtual capaz de ler logs
ou código e gerar notificações precisas e contextualizadas.
 
O verdadeiro poder dessa abordagem reside na criação de prompts bem elaborados. Um comando genérico é
útil, mas um prompt específico transforma a IA em um engenheiro de confiabilidade assistente. 
Exemplo
Imagine que seu sistema registre a seguinte linha de log: [ERROR] [payment-gateway] API connection
timed out after 3000ms. Em vezde apenas ser alertado sobre um "erro", você pode instruir o modelo
com um prompt como: “A partir da linha de log fornecida, crie uma mensagem de alerta em formato
JSON para ser enviada a um canal do Slack. A mensagem deve conter os campos: 'level' (nível de
criticidade), 'service' (serviço afetado), 'summary' (resumo do problema) e 'suggested_action' (ação
sugerida para a equipe de plantão).” O modelo pode, então, gerar uma saída estruturada, pronta para ser
consumida por outros sistemas. 
No ambiente prático do Google Colab, essa capacidade é integrada a scripts Python com facilidade. Um
desenvolvedor pode criar um fluxo de trabalho no qual o script lê sempre novos logs, envia qualquer linha
contendo "ERROR" ou "CRITICAL" para a API do Gemini com o prompt de formatação e, em seguida, usa a
resposta JSON para postar uma notificação em um canal de engenharia no Slack ou enviar um e-mail para
uma lista de distribuição. 
 
Esse ciclo automatizado garante que problemas sejam identificados, classificados e comunicados em tempo
real, reduzindo (e muito!) o tempo de resposta a incidentes sem a necessidade de ferramentas de
monitoramento pagas e complexas.
 
Dominar a automação de alertas com IA é uma habilidade estratégica para qualquer profissional de tecnologia.
Ao praticar a criação de prompts e a integração das saídas em fluxos de trabalho, os desenvolvedores
aprendem a construir sistemas de monitoração mais eficientes, seguros e resilientes. Essa competência é
aplicável em projetos reais, permitindo que as equipes se concentrem em resolver problemas em vez de
procurá-los, conferindo maior estabilidade e confiabilidade às aplicações que desenvolvem.
Atividade 3
Uma equipe de SRE (engenharia de confiabilidade de sites) percebe que seu sistema de alerta, que apenas
encaminha linhas de log com "ERROR", é ineficiente. Para otimizar a resposta a incidentes, ela decide
implementar novo fluxo de trabalho utilizando uma IA generativa para processar esses logs antes de notificar
a equipe. Para que a IA generativa transforme os logs brutos em alertas de fato acionáveis, qual abordagem a
equipe deve priorizar na construção de seus prompts?
A Instruir o modelo a formatar a saída em JSON, incluindo um resumo do problema, o serviço afetado e
uma sugestão de ação inicial.
B Configurar o script para enviar o maior volume de logs possível ao modelo, de modo que nenhum erro
passe despercebido pela análise.
C Solicitar ao modelo que reescreva a linha de log original em uma linguagem mais técnica para
enriquecer a documentação interna.
D Ajustar o parâmetro temperature do modelo para obter diferentes variações de mensagens de alerta a
cada nova execução.
E
Desenvolver um painel de visualização para exibir a contagem de alertas gerados por categoria ao
longo do tempo.
A alternativa A está correta.
O objetivo principal de usar IA para alertas é reduzir a carga cognitiva e acelerar a resolução, fornecendo
contexto e estrutura. A alternativa correta é a única que foca transformar um log bruto em uma notificação
rica e acionável, com dados estruturados (JSON) e informações valiosas (resumo, serviço e ação
sugerida). 
As outras opções, embora plausíveis, desviam do objetivo principal: a alternativa B foca volume em vez de
qualidade; a C foca documentação, e não resposta a incidentes; a alternativa D introduz uma variabilidade
indesejada para alertas que precisam ser consistentes; e a alternativa E é uma atividade de análise
secundária, não a melhoria do alerta em si.
Validação de resultados 
Como avaliar se as respostas da IA servem para seus projetos? Agora você vai aprender a validar as saídas do
modelo gemini-2.0-flash-exp no Google Colab, com foco na análise de código e logs de um sistema de
consultas a uma base de livros sobre IA generativa. Técnicas simples de validação ajudam a tornar os
resultados mais consistentes e utilizáveis.
 
No vídeo, vamos gerar um relatório de vulnerabilidades em um código Python e mostrar como verificar a
consistência das análises feitas pela IA. Você verá como definir critérios objetivos para avaliar a utilidade do
conteúdo gerado. Confira!
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
Roteiro de prática 
A seguir, vamos demonstrar como usar o gemini-2.0-flash-exp no Google Colab para gerar e validar um
relatório de vulnerabilidades para um sistema de consultas a uma base de livros sobre IA generativa. Com
prompt claro e critérios de validação simples, você obterá resultados confiáveis, ideais para documentação
profissional. Ao longo do código, estão as explicações dos trechos principais separados em passos. Vamos lá!
python
# Passo 1: Instalar as dependências necessárias
!pip install google-generativeai
# Passo 2: Importar as bibliotecas
import google.generativeai as genai
import json
from datetime import datetime
# Passo 3: Configurar a API do Gemini (insira sua chave gratuita de https://
aistudio.google.com/app/apikey)
GOOGLE_API_KEY = "Sua Chave Aqui" # Substituir pela sua chave
genai.configure(api_key=GOOGLE_API_KEY)
# Passo 4: Configurar o modelo Gemini 2.0 Flash
model = genai.GenerativeModel('gemini-2.0-flash-exp')
generation_config = {
 "temperature": 0.6,
 "top_p": 0.95,
 "max_output_tokens": 500
}
# Passo 5: Definir um prompt para gerar um relatório de vulnerabilidades
prompt = """Você é um especialista em segurança de software. Analise o seguinte código 
Python para um sistema de consultas a uma base de livros sobre IA generativa e gere um 
relatório de vulnerabilidades:
```python
def consultar_livros(tema):
 query = f"SELECT FROM livros WHERE tema = '{tema}'"
 return executar_query(query)
Inclua:
Identificação de vulnerabilidades (ex.: injeção de SQL)
Sugestões de correções
Impacto potencial
Use um tom profissional para GitHub."""
#Passo 6: Gerar cinco relatórios com chamadas repetidas
textos = []
for i in range(5): 
 try: 
 resultado = model.generate_content(prompt, 
generation_config=generation_config) 
 textos.append(resultado.text.strip()) 
 print(f"? Geração {i+1} concluída") 
 except Exception as e: 
 textos.append(f"Erro na geração: {str(e)}") 
 print(f"? Erro na geração {i+1}: {str(e)}")
#Passo 7: Avaliar e salvar relatórios consistentes
saidas_validas = []
for i, texto in enumerate(textos): 
 if len(texto.split()) > 10 and "vulnerabilidade" in texto.lower(): # Critérios 
flexíveis 
 saidas_validas.append({"id": i+1, "texto": texto})
#Passo 8: Salvar e exibir o melhor relatório
if saidas_validas: 
 melhor_relatorio = saidas_validas[0] # Escolhe o primeiro válido 
 with open('relatorio_vulnerabilidades.md', 'w', encoding='utf-8') as f: 
 f.write(f"# Relatório de Vulnerabilidades - LivrosAI\n") 
 f.write(f"# Gerado em: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}\n\n") 
 f.write(melhor_relatorio['texto']) 
 print(f"\n?? MELHOR RELATÓRIO (ID: {melhor_relatorio['id']}):") 
 print("=" * 60) 
 if len(melhor_relatorio['texto']) > 500: 
 print(melhor_relatorio['texto'][:500] + "...") 
Após finalizado, veja o arquivo relatório_vulnerabilidades.md no Google Colab.
 
O exemplo mostra como o `gemini-2.0-flash-exp` gera relatórios de vulnerabilidades profissionais. O prompt
claro e os critérios flexíveis garantem saídas úteis e confiáveis. Experimente ajustar o prompt para incluir mais
detalhes, como métricas de impacto, e crie relatórios ainda mais completos para seus projetos!
Atividade 4
Com base no código da prática, modifique o prompt para gerar um relatório de vulnerabilidades para um
sistema de consultas a uma base de livros sobre tecnologia em geral, analisando o seguinte código: 
python
```python
def buscar_livros(tema):
 query = f"SELECT FROM livros WHERE tema = '{tema}'"
 return executar_query(query) 
Inclua as mesmas seções (vulnerabilidades, correções e impacto) e mantenha o tom profissional.Execute o
código no Google Colab, gerando três relatórios. 
Chave de resposta
Para realizar a atividade utilizando o código apresentado, você precisará alterar o prompt conforme
solicitado e incluir os parâmetros para que sejam gerados três relatórios (passo 6), salvando o melhor
relatório no arquivo relatório_tecnologia.md.
python
# Passo 1: Instalar as dependências necessárias
!pip install google-generativeai
# Passo 2: Importar as bibliotecas
import google.generativeai as genai
import json
from datetime import datetime
# Passo 3: Configurar a API do Gemini (insira sua chave gratuita de https://
aistudio.google.com/app/apikey)
GOOGLE_API_KEY = "Sua Chave Aqui" # Substituir pela sua chave
genai.configure(api_key=GOOGLE_API_KEY)
# Passo 4: Configurar o modelo Gemini 2.0 Flash
model = genai.GenerativeModel('gemini-2.0-flash-exp')
generation_config = {
 "temperature": 0.6,
 "top_p": 0.95,
 "max_output_tokens": 500
}
# Passo 5: Definir um prompt para gerar um relatório de vulnerabilidades
prompt = """Você é um especialista em segurança de software. Analise o seguinte código 
Python para um sistema de consultas a uma base de livros sobre tecnologia em geral e 
gere um relatório de vulnerabilidades:
```python
def buscar_livros(tema):
 query = f"SELECT FROM livros WHERE tema = '{tema}'"
 return executar_query(query)
Inclua:
Identificação de vulnerabilidades (ex.: injeção SQL)
Sugestões de correções
Impacto potencial
Use um tom profissional para GitHub."""
#Passo 6: Gerar três relatórios com chamadas repetidas
textos = []
for i in range(3): 
 try: 
 resultado = model.generate_content(prompt, 
generation_config=generation_config) 
 textos.append(resultado.text.strip()) 
 print(f"? Geração {i+1} concluído") 
 except Exception as e: 
 textos.append(f"Erro na geração: {str(e)}") 
 print(f"? Erro na geração {i+1}: {str(e)}")
#Passo 7: Avaliar e salvar relatórios consistentes
saidas_validas = []
for i, texto in enumerate(textos): 
 if len(texto.split()) > 10 and "vulnerabilidade" in texto.lower(): # Critérios 
flexíveis 
 saidas_validas.append({"id": i+1, "texto": texto})
#Passo 8: Salvar e exibir o melhor relatório
if saidas_validas: 
 melhor_relatorio = saidas_validas[0] # Escolher o primeiro válido 
 with open('relatorio_tecnologia.md', 'w', encoding='utf-8') as f: 
 f.write(f"# Relatório de Vulnerabilidades - TechBooks\n") 
 f.write(f"# Gerado em: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}\n\n") 
 f.write(melhor_relatorio['texto']) 
 print(f"\n?? MELHOR RELATÓRIO (ID: {melhor_relatorio['id']}):") 
 print("=" * 60) 
 if len(melhor_relatorio['texto']) > 500:
 print(melhor_relatorio['texto'][:500] + "..." )
Veja o arquivo relatório_tecnologia.md no Google Colab.
Ética e privacidade 
Vamos aprender a considerar questões éticas e de privacidade ao usar o modelo `gemini-2.0-flash-exp` no
Google Colab para analisar código ou logs. Com prompts que respeitam dados sensíveis, você garantirá que
suas análises sejam seguras e éticas, prontas para projetos profissionais.
 
Usar IA em dados de segurança exige responsabilidade. Neste vídeo prático, vamos gerar um guia de boas
práticas éticas para a análise de logs, focando princípios como anonimização de dados e proteção da
privacidade do usuário. Assista!
Conteúdo interativo
Acesse a versão digital para assistir ao vídeo.
Roteiro de prática 
Veja a seguir como usar o `gemini-2.0-flash-exp` no Google Colab para gerar um guia ético para análise de
logs de um sistema de consultas a uma base de livros sobre IA generativa. Com um prompt focado em
privacidade e critérios de validação, você obterá um texto profissional. Ao longo do código, confira as
explicações dos trechos principais separados em passos.
python
# Passo 1: Instalar as dependências necessárias
!pip install google-generativeai
# Passo 2: Importar as bibliotecas
import google.generativeai as genai
import json
from datetime import datetime
# Passo 3: Configurar a API do Gemini (insira sua chave gratuita de https://
aistudio.google.com/app/apikey)
GOOGLE_API_KEY = "Sua Chave Aqui" # Substituir pela sua chave
genai.configure(api_key=GOOGLE_API_KEY)
# Passo 4: Configurar o modelo Gemini 2.0 Flash
model = genai.GenerativeModel('gemini-2.0-flash-exp')
generation_config = {
 "temperature": 0.6,
 "top_p": 0.95,
 "max_output_tokens": 500
}
# Passo 5: Definir um prompt para gerar um guia ético
prompt = """Você é um especialista em ética e privacidade em tecnologia. Crie um guia em 
português do Brasil para análise de logs de um sistema de consultas a uma base de livros 
sobre IA generativa. Siga este formato:
# Guia Ético para Análise de Logs
## Princípios Éticos
[Liste princípios como anonimização de dados]
## Proteção de Dados
[Explique como proteger dados sensíveis]
## Boas Práticas
[Forneça práticas para uso ético]
Use Markdown, tom profissional para GitHub e inclua emojis."""
# Passo 6: Gerar cinco guias com chamadas repetidas
textos = []
for i in range(5):
 try:
 resultado = model.generate_content(prompt, generation_config=generation_config)
 textos.append(resultado.text.strip())
 print(f"? Geração {i+1} concluída")
 except Exception as e:
 textos.append(f"Erro na geração: {str(e)}")
 print(f"? Erro na geração {i+1}: {str(e)}")
# Passo 7: Avaliar e salvar guias consistentes
saidas_validas = []
for i, texto in enumerate(textos):
 if len(texto.split()) > 10 and "princípios" in texto.lower(): # Critérios flexíveis
 saidas_validas.append({"id": i+1, "texto": texto})
# Passo 8: Salvar e exibir o melhor guia
if saidas_validas:
 melhor_guia = saidas_validas[0] # Escolher o primeiro válido
 with open('guia_etico.md', 'w', encoding='utf-8') as f:
 f.write(f"# Guia Ético - LivrosAI\n")
 f.write(f"# Gerado em: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}\n\n")
 f.write(melhor_guia['texto'])
 print(f"\n?? MELHOR GUIA (ID: {melhor_guia['id']}):")
 print("=" * 60)
 print(melhor_guia['texto'][:500] + "..." if len(melhor_guia['texto']) > 500 else 
melhor_guia['texto'])
 print(f"\n?? Arquivo salvo: guia_etico.md")
else:
 print("? Nenhuma saída atendeu aos critérios de consistência.") 
Veja o arquivo guia_etico.md no Google Colab.
 
O exemplo demonstra como o gemini-2.0-flash-exp gera guias éticos profissionais, prontos para seu projeto.
O prompt com formato Markdown e critérios flexíveis garante saídas claras e éticas. Tente também ajustar o
prompt para incluir práticas específicas, como conformidade com a Lei Geral da Proteção de Dados (LGPD), e
crie guias ainda mais completos para seus projetos!
Atividade 5
Modifique o prompt do código da prática anterior para gerar um guia ético para análise de logs de um sistema
de consultas a uma base de livros sobre tecnologia em geral. Siga o mesmo formato (# Guia Ético, Princípios
Éticos, Proteção de Dados, Boas Práticas) com tom profissional e emojis. Execute o código no Google Colab,
gerando três guias. Salve o melhor em guia_tecnologia.md. 
Chave de resposta
Para realizar a atividade utilizando o código apresentado, altere o prompt conforme solicitado (passo 5) e
inclua os parâmetros para que sejam produzidos 3 (três) guias éticos (passo 6), salvando o melhor no
arquivo guia_tecnologia.md.
python
# Passo 1: Instalar as dependências necessárias
!pip install google-generativeai
# Passo 2: Importar as bibliotecas
import google.generativeai as genai
import json
from datetime import datetime
# Passo 3: Configurar a API do Gemini (insira sua chave gratuita de https://
aistudio.google.com/app/apikey)
GOOGLE_API_KEY = "Sua Chave Aqui" # Substituir pela sua chave
genai.configure(api_key=GOOGLE_API_KEY)
# Passo 4: Configurar o modelo Gemini 2.0 Flash
model = genai.GenerativeModel('gemini-2.0-flash-exp')

Mais conteúdos dessa disciplina