Os modelos de linguagem evoluíram, mas o verdadeiro diferencial competitivo está na Engenharia de Contexto. Este curso mergulha fundo nas técnicas avançadas de Retrieval-Augmented Generation (RAG), bancos de dados vetoriais e arquiteturas de memória de longo prazo que transformam IAs genéricas em assistentes especializados, precisos e capazes de lidar com bases de conhecimento massivas sem alucinações.
Você aprenderá a projetar pipelines de ingestão de dados, otimizar estratégias de chunking, implementar re-ranking semântico e construir sistemas multi-agentes que compartilham contexto de forma eficiente. Ideal para desenvolvedores, engenheiros de dados e arquitetos de software que desejam liderar a próxima geração de aplicações corporativas inteligentes, indo muito além do simples envio de prompts.
Este curso incluye 1 módulos, 10 lecciones y 0 horas de material.
Nesta aula você vai entender por que LLMs sozinhos não são suficientes para aplicações corporativas e como o RAG resolve limitações de conhecimento desatualizado, alucinações e custos de contexto. Vamos desmontar a arquitetura RAG, desde embeddings até a injeção de contexto no prompt final.
Nesta aula, você aprenderá a avaliar e escolher o banco de dados vetorial mais adequado para sua aplicação de IA. Abordaremos desde os fundamentos de indexação até configurações avançadas de performance, escalabilidade e integração com pipelines RAG em produção.
Nesta aula, você dominará técnicas avançadas de fragmentação de texto (chunking) que preservam o contexto semântico. Aprenderá a escolher e configurar índices vetoriais para buscas de alta performance e implementará estratégias híbridas essenciais para sistemas RAG robustos em produção.
Nesta aula você vai entender os conceitos, ver exemplos práticos e fixar Técnicas de Embedding: Otimizando a representação dos seus dados (no contexto de Engenharia de Contexto: Dominando RAG e Memória de Longo Prazo para Aplicações com IA) com mapa mental, flashcards e quiz.
Nesta aula, você aprenderá a superar as limitações da busca vetorial pura combinando estratégias de recuperação esparsa e densa. Exploraremos como modelos de cross-encoder atuam no re-ranking para refinar resultados e maximizar a precisão do contexto em pipelines RAG avançados.
Nesta aula, você compreenderá as diferenças fundamentais entre memória de curto e longo prazo em agentes conversacionais. Aprenderá a arquitetar sistemas de retenção de contexto utilizando janelas deslizantes e bancos vetoriais, além de implementar estratégias híbridas para aplicações reais com LLMs.
Nesta aula, você aprenderá como o GraphRAG combina a recuperação de informações baseada em grafos de conhecimento com modelos de linguagem. Exploraremos desde a extração de entidades e relações até a construção de pipelines avançados que resolvem problemas de raciocínio global, superando as limitações do RAG tradicional baseado apenas em similaridade de texto.
Nesta aula, você aprenderá a medir rigorosamente a qualidade das respostas geradas por sistemas RAG. Exploraremos métricas de fidelidade para detectar alucinações e métricas de relevância para garantir que o conteúdo recuperado seja útil. Ao final, você saberá implementar pipelines de avaliação automatizada usando frameworks como RAGAS e DeepEval.
Nesta aula você vai entender os conceitos, ver exemplos práticos e fixar Arquitetura Multi-Agente com Contexto Compartilhado (no contexto de Engenharia de Contexto: Dominando RAG e Memória de Longo Prazo para Aplicações com IA) com mapa mental, flashcards e quiz.
Nesta aula, você aprenderá a projetar arquiteturas de deploy para pipelines de RAG, otimizar cada etapa da recuperação e geração para latência mínima, e implementar estratégias de escalabilidade horizontal. Abordaremos desde o provisionamento de infraestrutura até o monitoramento contínuo em produção.
Responder al comentario