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 de Análise e Desenvolvimento de Sistemas em Inteligência Artificial: ideias com problema de pesquisa e fontes reais

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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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.

Escolheu o tema? Comece pelo sumário.