Um TCC de Ciência da Computação sobre Inteligência Artificial em 2026 corre dois riscos opostos: ser tema demais amplo (“aplicações de IA na sociedade”) ou copiar um projeto de curso sem contribuição própria. Os 30 temas abaixo, organizados por subárea, evitam os dois problemas — cada um já vem com uma pergunta de pesquisa formulada e o tipo de artefato/experimento esperado, para você adaptar ao seu contexto e aos dados que consegue acessar.
Como usar esta lista
Cada tema tem três elementos: a pergunta de pesquisa (o que o trabalho responde), o artefato esperado (o que você efetivamente vai construir ou avaliar) e a fonte de dados mais provável. Escolha um tema cujo dataset você já sabe onde encontrar — a maior causa de atraso em TCCs de IA não é a modelagem, é a etapa de conseguir dados de qualidade suficiente a tempo. Antes de comprometer-se com um tema, vale rodar um teste rápido: baixe uma amostra pequena do dataset pretendido e confira se o formato, o volume e a qualidade correspondem ao que o tema exige — descobrir um problema de dados na primeira semana custa muito menos do que descobrir no mês da entrega.
Visão Computacional (6 temas)
- Detecção de defeitos em peças industriais por visão computacional. Pergunta: qual arquitetura de rede convolucional (CNN) atinge melhor acurácia na detecção de defeitos visuais numa linha de produção específica? Artefato: modelo treinado/fine-tuned + relatório comparativo de arquiteturas.
- Classificação de doenças em plantas por imagem de folha. Pergunta: um modelo de classificação de imagens treinado com dataset público (PlantVillage) generaliza para fotos tiradas em condições de campo, fora do laboratório? Artefato: modelo + avaliação de generalização com fotos reais.
- Contagem automática de pessoas em imagens de câmeras de segurança. Pergunta: qual a acurácia de contagem de um modelo de detecção de objetos em cenários de aglomeração densa? Artefato: pipeline de contagem + comparação com contagem manual.
- Reconhecimento de placas veiculares brasileiras (padrão Mercosul). Pergunta: qual a taxa de acerto de OCR (reconhecimento óptico de caracteres) aplicado a placas em condições variadas de iluminação e ângulo? Artefato: pipeline OCR + relatório de acurácia por condição.
- Segmentação de imagens de satélite para monitoramento de desmatamento. Pergunta: um modelo de segmentação semântica treinado com imagens públicas (Sentinel-2) identifica áreas de desmatamento recente com precisão suficiente para uso preliminar? Artefato: modelo + mapa de área identificada comparado a base oficial.
- Detecção de sonolência ao volante por análise facial em vídeo. Pergunta: um modelo de detecção de fechamento de olhos identifica sinais de sonolência com latência aceitável para aplicação em tempo real? Artefato: protótipo funcional + teste de latência.

Processamento de Linguagem Natural (6 temas)
- Classificação de sentimento em avaliações de produtos em português brasileiro. Pergunta: um modelo pré-treinado em português (BERTimbau) supera um modelo clássico de bag-of-words na classificação de sentimento de avaliações de e-commerce? Artefato: comparação de modelos + relatório de métricas.
- Detecção de discurso de ódio em comentários de redes sociais. Pergunta: qual a acurácia de um classificador de discurso de ódio treinado com dataset público em português, e quais categorias de erro (falsos positivos/negativos) são mais frequentes? Artefato: modelo + análise de erros por categoria.
- Resumo automático de acórdãos jurídicos brasileiros. Pergunta: um modelo de sumarização extrativa produz resumos de acórdãos avaliados como úteis por profissionais da área jurídica? Artefato: pipeline de sumarização + avaliação humana estruturada.
- Chatbot de triagem de dúvidas frequentes para um serviço público municipal. Pergunta: um chatbot baseado em recuperação de informação (RAG) responde corretamente a perguntas frequentes de um serviço público específico, comparado a um FAQ estático? Artefato: protótipo funcional + taxa de resolução correta.
- Detecção de fake news em textos jornalísticos brasileiros. Pergunta: quais características textuais (linguísticas, estruturais) mais contribuem para a classificação correta de notícias falsas num dataset em português? Artefato: modelo + análise de importância de características.
- Correção automática de redações do ENEM por critério da matriz de competências. Pergunta: um modelo de linguagem consegue prever a nota de uma competência específica da matriz do ENEM com correlação aceitável em relação à nota humana? Artefato: modelo + análise de correlação por competência.
Sistemas Recomendadores e Análise Preditiva (6 temas)
- Sistema de recomendação de disciplinas eletivas para estudantes de graduação. Pergunta: um sistema de recomendação baseado em filtragem colaborativa sugere disciplinas mais alinhadas ao histórico do estudante do que a lista padrão da coordenação? Artefato: protótipo + avaliação com histórico real (anonimizado).
- Predição de evasão universitária a partir de dados acadêmicos. Pergunta: quais variáveis (frequência, notas, reprovações) mais contribuem para um modelo preditivo de risco de evasão numa instituição específica? Artefato: modelo + ranking de variáveis mais preditivas.
- Previsão de demanda de estoque para pequeno varejo com séries temporais. Pergunta: um modelo de série temporal (Prophet ou ARIMA) reduz o erro de previsão de demanda em comparação com a média móvel simples usada atualmente pelo estabelecimento? Artefato: modelo + comparação de erro (MAE/RMSE) contra o método atual.
- Detecção de fraude em transações de cartão com dados desbalanceados. Pergunta: técnicas de balanceamento de classes (SMOTE) melhoram a detecção de fraude num dataset com forte desbalanceamento entre transações legítimas e fraudulentas? Artefato: comparação de modelos com e sem balanceamento.
- Recomendação de rotas de coleta de resíduos por otimização e aprendizado de máquina. Pergunta: um modelo que combina previsão de volume de resíduos com otimização de rota reduz a distância percorrida em comparação com a rota fixa atual? Artefato: simulação comparativa de rotas.
- Predição de churn (cancelamento) de assinantes de um serviço digital. Pergunta: qual combinação de variáveis comportamentais prediz com maior acurácia o cancelamento de assinatura nos 30 dias seguintes? Artefato: modelo + relatório de variáveis mais preditivas.

IA Aplicada à Saúde e Acessibilidade (6 temas)
- Triagem de risco em imagens dermatológicas com dataset público. Pergunta: um modelo de classificação de lesões de pele treinado com dataset público (HAM10000) atinge sensibilidade suficiente para uso como ferramenta de triagem preliminar, não diagnóstica? Artefato: modelo + relatório de sensibilidade e especificidade.
- Tradução automática de texto para Língua Brasileira de Sinais (Libras) em glosas. Pergunta: um modelo de tradução de texto para glosas de Libras produz sequências avaliadas como compreensíveis por usuários surdos? Artefato: protótipo + avaliação por usuários (com participação da comunidade surda).
- Detecção de quedas de idosos por sensores vestíveis e aprendizado de máquina. Pergunta: um modelo treinado com dados de acelerômetro distingue quedas de atividades cotidianas com taxa de falso positivo aceitável para uso doméstico? Artefato: modelo + teste com simulação de quedas controladas.
- Assistente de leitura por síntese de voz adaptado a textos técnicos em português. Pergunta: um sistema de texto para voz customizado melhora a compreensão de textos técnicos por usuários com deficiência visual, comparado a um leitor de tela genérico? Artefato: protótipo + avaliação de compreensão com usuários.
- Predição de tempo de espera em pronto-socorro com dados históricos de triagem. Pergunta: um modelo preditivo estima o tempo de espera de um paciente com erro aceitável para exibição em painel informativo? Artefato: modelo + comparação com tempo real observado.
- Classificação de exames de raio-X de tórax para triagem preliminar. Pergunta: um modelo de classificação de imagens médicas treinado com dataset público atinge desempenho comparável ao relatado na literatura para o mesmo dataset? Artefato: modelo + replicação de benchmark da literatura.
Ética, Viés e Governança de IA (6 temas)
- Auditoria de viés racial em modelos de reconhecimento facial disponíveis publicamente. Pergunta: um modelo de reconhecimento facial de uso público apresenta diferença de acurácia estatisticamente significativa entre grupos raciais num dataset de teste balanceado? Artefato: relatório de auditoria com métricas desagregadas por grupo.
- Explicabilidade de modelos de crédito: comparação entre modelo caixa-preta e modelo interpretável. Pergunta: um modelo interpretável (árvore de decisão) sacrifica quanta acurácia em relação a um modelo caixa-preta (rede neural) na predição de risco de crédito, e o que se ganha em explicabilidade compensa a diferença? Artefato: comparação de modelos + análise de trade-off.
- Conformidade de sistemas de IA com a LGPD: mapeamento de riscos em um caso de uso simulado. Pergunta: quais pontos de um pipeline de machine learning típico (coleta, treinamento, inferência) apresentam maior risco de não conformidade com a LGPD? Artefato: mapeamento de riscos + recomendações de mitigação.
- Detecção de conteúdo gerado por IA em textos acadêmicos. Pergunta: qual a acurácia de detectores de texto gerado por IA disponíveis publicamente, aplicados a um corpus de textos acadêmicos em português? Artefato: avaliação comparativa de detectores + análise de falsos positivos.
- Percepção de estudantes universitários sobre uso ético de IA generativa nos estudos. Pergunta: como estudantes de graduação percebem os limites éticos do uso de IA generativa em trabalhos acadêmicos? Artefato: survey + análise estatística descritiva das respostas.
- Impacto de dados de treinamento desbalanceados na equidade de modelos preditivos. Pergunta: como o desbalanceamento demográfico num dataset de treinamento afeta a equidade das predições de um modelo de classificação em diferentes subgrupos? Artefato: experimento controlado com datasets sintéticos balanceados e desbalanceados.
Como escolher entre os 30 temas
Três filtros práticos ajudam a decidir: primeiro, o acesso ao dataset — prefira temas com dataset público já disponível, a menos que você já tenha acesso garantido a dados próprios; segundo, o tempo de treinamento computacional — modelos grandes exigem GPU e tempo que nem todo TCC de graduação comporta, então prefira arquiteturas menores ou fine-tuning sobre modelos já treinados; terceiro, a clareza da métrica de avaliação — escolha um tema em que você já consiga imaginar como vai medir “deu certo”, porque isso evita reformular o problema de pesquisa no meio do desenvolvimento.
Um quarto filtro, menos óbvio, é a disponibilidade de poder computacional gratuito: ambientes como Google Colab e Kaggle Notebooks oferecem GPU limitada sem custo, suficiente para a maioria dos temas desta lista, desde que o modelo escolhido não exija treinamento do zero em datasets muito grandes. Verificar esse limite antes de escolher o tema evita descobrir, na metade do desenvolvimento, que o treinamento levaria dias em vez de horas no ambiente gratuito disponível.
Depois de escolher o tema, a próxima etapa costuma ser redigir a proposta de pesquisa e a revisão de trabalhos relacionados no formato exigido pelo curso. O Tesify ajuda a estruturar essas seções e organiza as referências das bases de dados e artigos citados em ABNT.
Perguntas frequentes
Um TCC de Ciência da Computação sobre IA precisa treinar um modelo do zero?
Não necessariamente. Muitos TCCs de graduação usam modelos pré-treinados (fine-tuning ou aplicação direta via API), o que é aceito na maioria dos cursos desde que a contribuição do trabalho esteja clara.
Preciso de um dataset próprio ou posso usar um dataset público?
Datasets públicos (Kaggle, UCI Machine Learning Repository, Hugging Face Datasets) são amplamente aceitos e reduzem o risco do cronograma. Um dataset próprio se justifica quando o problema é específico demais para ter equivalente público.
Como escolher a métrica de avaliação certa para o TCC?
A métrica precisa corresponder ao tipo de problema: acurácia e F1-score para classificação balanceada, precisão e recall separados quando as classes são desbalanceadas, RMSE ou MAE para regressão. Declare a métrica antes de rodar os experimentos.
Para aprofundar, veja a estrutura do TCC de Ciência da Computação capítulo por capítulo, o guia de uso de IA no TCC de Ciência da Computação — o que pode e o que não pode no código e no texto — e as ferramentas de versionamento, modelagem e testes úteis para organizar o desenvolvimento do artefato.
