Temas de TCC de Análise e Desenvolvimento de Sistemas em Inteligência Artificial
Equipe editorial TCC Pronto · atualizado em
Inteligência Artificial virou o assunto mais pedido nas orientações de ADS, e o desafio é transformar entusiasmo em pergunta mensurável. Organizamos temas de TCC de Análise e Desenvolvimento de Sistemas em Inteligência Artificial com base de dados acessível, métrica definida e custo computacional compatível com um notebook ou uma GPU gratuita.
Temas de TCC: 12 ideias em Inteligência Artificial
Ideias de temas para TCC e monografia em Inteligência Artificial, cada uma já delimitada: problema de pesquisa, objetivo e metodologia para levar ao orientador.
1. Classificação automática de chamados de suporte de TI de uma universidade por categoria e urgência
- Problema:
- Chamados chegam sem categoria correta, e a triagem manual atrasa o atendimento dos casos urgentes.
- Objetivo:
- Treinar e comparar classificadores de texto para categorizar chamados e estimar a urgência.
- Metodologia:
- Base histórica anonimizada com autorização, rotulagem revisada, comparação de modelos clássicos e de transformadores e análise de erros.
2. Recuperação aumentada por geração para responder dúvidas sobre o regulamento acadêmico de uma faculdade
- Problema:
- Estudantes não encontram respostas no regulamento extenso, e modelos de linguagem genéricos inventam regras inexistentes.
- Objetivo:
- Construir um assistente com recuperação de trechos do regulamento e medir a correção e a fidelidade das respostas.
- Metodologia:
- Indexação do documento, busca vetorial, conjunto de perguntas de teste com respostas de referência e avaliação por especialistas.
3. Detecção de doenças em folhas de café com redes neurais convolucionais e imagens de celular
- Problema:
- Produtores familiares identificam doenças tarde, quando as perdas já são grandes, por falta de assistência técnica frequente.
- Objetivo:
- Treinar um modelo leve de classificação de imagens de folhas e avaliar seu desempenho em fotos de campo.
- Metodologia:
- Uso de base pública de imagens, transferência de aprendizado, teste com fotos coletadas em propriedades parceiras e matriz de confusão.
4. Previsão de evasão em cursos tecnológicos com dados acadêmicos anonimizados
- Problema:
- A coordenação só percebe a evasão quando o aluno já abandonou, sem tempo para ações de permanência.
- Objetivo:
- Comparar modelos de previsão de risco de evasão e identificar as variáveis mais associadas ao abandono.
- Metodologia:
- Dados anonimizados com autorização institucional e parecer do CEP, comparação de algoritmos com validação cruzada e análise de importância.
5. Análise de sentimentos em avaliações de restaurantes em português com modelos pré-treinados
- Problema:
- Modelos treinados em inglês erram ironias e gírias comuns nas avaliações escritas por brasileiros.
- Objetivo:
- Comparar modelos multilíngues e modelos treinados em português na classificação de sentimento de avaliações.
- Metodologia:
- Base pública de avaliações, ajuste fino de modelos, métricas de precisão, revocação e F1 e análise qualitativa dos erros.
6. Viés de gênero em modelos de linguagem ao gerar descrições de profissões em português
- Problema:
- Modelos de linguagem podem reproduzir estereótipos ao associar profissões a um gênero gramatical específico.
- Objetivo:
- Medir a frequência de associações estereotipadas em textos gerados sobre profissões em português.
- Metodologia:
- Conjunto de prompts controlados, geração em modelos abertos executados localmente, contagem sistemática e análise estatística.
7. Previsão de demanda de refeições no restaurante universitário com séries temporais
- Problema:
- O restaurante universitário desperdiça comida em dias de baixa procura e falta prato em dias de pico.
- Objetivo:
- Comparar modelos de séries temporais para prever o número diário de refeições e estimar a redução de desperdício.
- Metodologia:
- Dados históricos de catracas, variáveis de calendário acadêmico, comparação de modelos estatísticos e de aprendizado de máquina.
8. Reconhecimento de placas de veículos em estacionamento de campus com visão computacional embarcada
- Problema:
- O controle de acesso ao estacionamento é manual, gera filas e não registra quem entrou.
- Objetivo:
- Desenvolver um protótipo de leitura de placas em hardware de baixo custo e medir taxa de acerto e tempo de leitura.
- Metodologia:
- Detecção de placas com modelo pré-treinado, OCR, teste em diferentes horários e iluminação e cuidados de privacidade previstos na LGPD.
9. Assistente de código por IA na correção de exercícios de programação introdutória
- Problema:
- Professores não conseguem dar retorno individual rápido a turmas grandes de lógica de programação.
- Objetivo:
- Avaliar a qualidade do retorno gerado por modelo de linguagem em exercícios, comparado ao retorno de monitores.
- Metodologia:
- Amostra de submissões anonimizadas, geração de comentários, avaliação cega por professores e aprovação do CEP.
10. Explicabilidade de modelos de crédito com SHAP em uma base pública de concessão de empréstimos
- Problema:
- Modelos de crédito que negam pedidos sem justificativa dificultam a revisão humana e podem esconder discriminação.
- Objetivo:
- Aplicar técnicas de explicabilidade a um modelo de crédito e analisar se as explicações são coerentes e úteis.
- Metodologia:
- Treinamento em base pública, cálculo de valores SHAP, análise de variáveis sensíveis e avaliação das explicações por especialistas.
11. Transcrição automática de reuniões de colegiado com modelos de reconhecimento de fala em português
- Problema:
- Atas de reuniões levam dias para ficar prontas, e trechos importantes se perdem na digitação manual.
- Objetivo:
- Comparar modelos abertos de reconhecimento de fala quanto à taxa de erro de palavras em gravações de reuniões.
- Metodologia:
- Gravações autorizadas pelos participantes, transcrição de referência manual, cálculo da taxa de erro e análise por tipo de falha.
12. Detecção de notícias falsas sobre saúde em português com aprendizado de máquina
- Problema:
- Boatos sobre vacinas e tratamentos circulam rapidamente, e a checagem manual não acompanha o volume.
- Objetivo:
- Treinar classificadores para distinguir notícias verdadeiras e falsas sobre saúde e analisar seus limites.
- Metodologia:
- Uso de corpus público rotulado em português, comparação de modelos, validação cruzada e discussão de vieses do conjunto.
Do tema ao TCC: próximos passos
Escolhido o tema, transforme-o em estrutura: o gerador de sumário de TCC monta os capítulos a partir do problema e do objetivo. O passo a passo de como fazer monografia mostra cada etapa até a defesa, e as referências ABNT saem formatadas a partir das obras com DOI. Para entender o que a IA faz e o que continua sendo seu, veja TCC com IA.
Como escolher um tema de TCC em Inteligência Artificial
Comece pelos dados, não pelo algoritmo. Pergunte se existe uma base pública, rotulada e com licença de uso, ou se você consegue montar uma com autorização. Kaggle, repositórios acadêmicos e portais de dados abertos são bons pontos de partida.
Avalie o custo computacional. Treinar modelos grandes do zero está fora do alcance de uma graduação. Prefira transferência de aprendizado, modelos menores e ambientes como notebooks com GPU gratuita. Se usar APIs pagas de modelos de linguagem, calcule o gasto antes.
Defina também o uso real. Um classificador com boa acurácia em laboratório, mas sem pensar em quem vai usá-lo, rende uma discussão fraca. Ligue o modelo a uma decisão concreta: triagem, alerta, recomendação.
Linhas de pesquisa em alta em Inteligência Artificial
Modelos de linguagem dominam o debate, mas há espaço para temas clássicos com dados brasileiros. As frentes abaixo equilibram atualidade e viabilidade.
- Recuperação aumentada por geração e assistentes com documentos próprios
- Processamento de linguagem natural em português
- Visão computacional embarcada em hardware de baixo custo
- Aprendizado de máquina aplicado à educação
- Viés, equidade e explicabilidade de modelos
- IA no apoio ao desenvolvimento de software
- Séries temporais para previsão de demanda
Metodologias mais usadas em Inteligência Artificial
A metodologia experimental é a regra. Ela inclui descrição da base, pré-processamento, divisão entre treino, validação e teste, escolha de modelos de referência e métricas. O roteiro CRISP-DM organiza bem essas etapas e é conhecido pelas bancas.
Compare sempre com uma linha de base simples, como um modelo de regressão logística ou uma regra fixa. Reporte métricas adequadas ao problema: com classes desbalanceadas, F1 e revocação dizem mais que acurácia. Para sistemas com modelos de linguagem, monte um conjunto de perguntas de teste e avalie correção e fidelidade às fontes.
Como fazer o TCC de Inteligência Artificial: passo a passo
A revisão pode partir dos anais da Brazilian Conference on Intelligent Systems, a BRACIS, e do Encontro Nacional de Inteligência Artificial e Computacional, ambos ligados à SBC. Para PLN em português, procure os trabalhos do STIL e do PROPOR. Na base internacional, a ACL Anthology reúne artigos de linguagem natural com acesso aberto.
Registre a origem e a licença de cada base. Se os dados tiverem informações pessoais, aplique a LGPD: anonimize, use apenas o necessário e justifique a finalidade. O debate sobre regulação de IA, no Brasil e na União Europeia, pode compor a discussão ética.
O sumário típico tem introdução, fundamentação sobre as técnicas, trabalhos relacionados, materiais e métodos, experimentos, resultados, discussão e conclusão. Tabelas comparativas de métricas e matrizes de confusão sustentam a análise. Publique os notebooks com sementes aleatórias fixas para permitir reprodução.
Bases com dados de estudantes, pacientes ou funcionários, e avaliações feitas por pessoas, passam pelo CEP via Plataforma Brasil. As Resoluções CNS 466/2012 e 510/2016 orientam consentimento e sigilo.
- Encontre uma base com licença de uso ou obtenha autorização para montar a sua.
- Revise BRACIS, ENIAC e STIL na SBC OpenLib e complete a busca na ACL Anthology.
- Defina a métrica principal e a linha de base antes de treinar qualquer modelo.
- Faça a análise exploratória e documente limpeza e pré-processamento.
- Treine e compare modelos com validação cruzada e sementes fixas.
- Analise os erros por categoria e discuta vieses da base.
- Submeta ao CEP coletas ou avaliações com pessoas e registre a conformidade com a LGPD.
Erros comuns no TCC de Inteligência Artificial
Os erros abaixo derrubam resultados que pareciam excelentes. Revise cada item antes de levar os números para a banca.
- Vazamento de dados entre treino e teste. Separe os conjuntos antes de qualquer transformação.
- Reportar só acurácia em classes desbalanceadas. Inclua precisão, revocação e F1.
- Não ter linha de base. Compare com um modelo simples para mostrar o ganho real.
- Escolher tema que exige GPU cara. Use modelos menores e transferência de aprendizado.
- Ignorar vieses da base. Descreva quem está representado nos dados e quem ficou de fora.
- Confiar nas respostas de modelos de linguagem sem conferência. Avalie com perguntas de referência e revisão humana.
Obras para começar a pesquisa
Artigos em português sobre Inteligência Artificial publicados desde 2019, encontrados nas bases abertas OpenAlex e Crossref. Cada DOI foi conferido em 16/11/2026.
- GEMA, Juliano Augusto Anselmo; FILHO, João De Lucca. ÉTICA NA INTELIGÊNCIA ARTIFICIAL. Revista Interface Tecnológica, 2025. DOI: 10.31510/infa.v21i1.1954
- PERONDI, Lucas de Moura; PINTO, Giuliano Scombatti. O PAPEL DA INTELIGÊNCIA ARTIFICIAL NA ANÁLISE E DESENVOLVIMENTO DE SISTEMAS. Revista Interface Tecnológica, 2026. DOI: 10.31510/infa.v22i2.2301
- LINO, Adriano Del Pino; SIZO, Amanda. A integração dos Sistemas Informáticos à Inteligência Artificial. RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação, 2021. DOI: 10.17013/risti.42.0
- SOUZA, Ana Beatriz Campos de; JÚNIOR, Demétrio de Mendonça. Análise da relação entre Inteligência Artificial e adoção de sistemas de CRM em empresas brasileiras.. Revista E&S, 2026. DOI: 10.22167/2675-6528-202600518
- LEMOS, Lelles de Paula. A Transformação de Máquinas em Seres Pensantes, Uma Análise da Inteligência Artificial – IA como Propulsora do Desenvolvimento dos Negócios. COGNITIONIS Scientific Journal, 2026. DOI: 10.38087/2595.8801.795
Perguntas frequentes
Preciso saber muita matemática para fazer TCC de IA?
O suficiente para entender as métricas e o funcionamento geral dos modelos. Bibliotecas como scikit-learn e PyTorch fazem os cálculos; o trabalho exige saber escolher, avaliar e interpretar.
Posso usar a API de um modelo de linguagem no trabalho de conclusão?
Pode, mas controle custos, não envie dados pessoais e registre versão do modelo e parâmetros. Considere modelos abertos executados localmente para garantir reprodutibilidade.
Onde encontrar bases de dados em português?
Em portais de dados abertos do governo, no Kaggle, no Hugging Face e em corpora publicados por grupos de PLN brasileiros. Confira sempre a licença antes de usar.
Quais temas de TCC de Análise e Desenvolvimento de Sistemas em Inteligência Artificial cabem em um semestre?
Classificação de textos ou imagens com base pública e transferência de aprendizado, além de assistentes com recuperação sobre um documento específico. Ambos têm escopo controlado e métricas claras.
Como montamos esta página
Os temas foram redigidos pela equipe do TCC Pronto como ponto de partida e precisam da aprovação do seu orientador. As obras vêm de bases acadêmicas abertas (OpenAlex e Crossref) e o DOI de cada uma foi conferido antes da publicação. Leia a obra antes de citá-la no seu trabalho.