Aprenda a projetar prompts few-shot poderosos que melhoram a precisão e consistência de LLMs em tarefas complexas. Domine técnicas avançadas para reduzir alucinações e integrar few-shot prompting em sistemas de produção.
Nível: Intermediário
Para quem é: Engenheiros de prompt, desenvolvedores de IA, cientistas de dados e profissionais que trabalham com LLMs em ambientes corporativos
Ao concluir, você será capaz de: Capacitar o aluno a projetar, testar e otimizar prompts few-shot para LLMs, melhorando a precisão e consistência de respostas em cenários de produção
8 módulos · 10h · certificado ao final
- Entenda os fundamentos do few-shot prompting e suas vantagens sobre zero-shot
- Selecione exemplos eficazes: critérios de qualidade e diversidade para LLMs
- Estruture prompts few-shot: formatação, ordem e contexto para máxima performance
- Automatize a geração de exemplos com Python e APIs de LLMs
- Valide e refine prompts few-shot usando métricas de qualidade e benchmarks
- Integre few-shot prompting em pipelines de RAG e agentes autônomos
- Otimize prompts few-shot para latência e custo em ambientes de produção
- Projeto Final: Construa um sistema de few-shot prompting para um caso de uso real (ex: atendimento ao cliente, análise jurídica ou geração de código)
Projeto Final
Um notebook Python com prompts few-shot otimizados, métricas de avaliação e um relatório técnico detalhando o processo de refinamento e resultados
Aprenda a modernizar sistemas de busca clássica com técnicas de IA, garantindo precisão e escalabilidade. Ideal para quem precisa otimizar buscas em sistemas legados ou grandes volumes de dados sem migrar para soluções complexas de LLMs.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de dados e profissionais de TI que trabalham com sistemas legados ou precisam otimizar buscas em grandes volumes de dados
Ao concluir, você será capaz de: Capacitar o aluno a implementar sistemas de busca clássica otimizados com técnicas de IA, integrando regex, NER e RAG para performance e escalabilidade
8 módulos · 12h · certificado ao final
- Entenda os fundamentos da busca clássica e seus limites
- Aplique regex avançado para extração de padrões em textos
- Implemente NER para identificação de entidades em dados não estruturados
- Combine busca clássica com embeddings para semântica básica
- Integre RAG para sistemas híbridos de busca e geração de respostas
- Otimize performance com técnicas de caching e indexação inteligente
- Deploye um sistema de busca clássica + IA em ambiente de produção
- Projeto Final: Construa um motor de busca híbrido para um dataset legado
Projeto Final
Um motor de busca híbrido (clássico + IA) implementado em Python, com suporte a regex, NER e RAG, deployado em um ambiente de produção simulado
Domine regex para extrair e validar dados com precisão em sistemas de produção. Aprenda a integrar padrões poderosos com pipelines de IA e automação de tarefas.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de dados, analistas de sistemas e profissionais de TI que trabalham com manipulação de dados textuais
Ao concluir, você será capaz de: Capacitar o aluno a dominar regex para automação de tarefas de processamento de texto, validação de dados e integração com pipelines de IA
8 módulos · 10h · certificado ao final
- Explorando os fundamentos de regex: metacaracteres e quantificadores
- Aplicando grupos e capturas para extração de dados estruturados
- Validando formatos complexos: CPF, CNPJ, e-mails e URLs
- Integrando regex com Python para automação de tarefas
- Combinando regex e NER para enriquecimento de dados
- Otimizando performance em buscas com regex em grandes datasets
- Criando pipelines de pré-processamento para LLMs com regex
- Projeto Final: Construindo um validador de dados inteligente com regex e IA
Projeto Final
Um sistema de validação e extração de dados que combina regex com modelos de NLP para processar documentos não estruturados (ex: contratos, logs)
Aprenda a extrair dados com precisão usando técnicas avançadas de NER, desde regex até LLMs, e implemente um sistema real para análise de documentos. Ideal para quem busca dominar extração de informações em textos complexos
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de dados e cientistas de dados que desejam aprimorar suas habilidades em extração de informações textuais
Ao concluir, você será capaz de: O aluno será capaz de implementar pipelines de NER usando regex, modelos clássicos de NLP e LLMs, além de integrar essas técnicas em sistemas de produção
8 módulos · 12h · certificado ao final
- Explorando os fundamentos do NER: conceitos e aplicações
- Configurando o ambiente: Python, spaCy e bibliotecas essenciais
- Extraindo dados com regex: padrões poderosos para textos estruturados
- Implementando NER clássico: modelos pré-treinados com spaCy e NLTK
- Avançando com LLMs: extração de entidades em textos não estruturados
- Otimizando pipelines: técnicas para melhorar precisão e desempenho
- Integrando NER em sistemas: APIs e deploy com FastAPI
- Projeto Final: Construindo um sistema de NER para análise de documentos jurídicos
Projeto Final
Um sistema completo de NER que extrai entidades (nomes, datas, locais, termos jurídicos) de documentos jurídicos, com deploy via API e relatório de métricas de desempenho
Aprenda a colocar modelos de IA em produção de forma escalável e segura, utilizando as melhores ferramentas e práticas do mercado. Domine desde a configuração de ambientes até o monitoramento contínuo, garantindo que seus modelos funcionem com alta performance e segurança.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de machine learning e profissionais de DevOps que desejam automatizar e escalar o deploy de modelos de IA
Ao concluir, você será capaz de: Capacitar o aluno a implementar pipelines de deploy de modelos de IA, garantindo performance, segurança e monitoramento contínuo
8 módulos · 12h · certificado ao final
- Entendendo os desafios do deploy de modelos de IA
- Configurando ambientes com Docker e Kubernetes
- Implementando APIs com FastAPI para modelos de IA
- Automatizando pipelines de CI/CD com GitHub Actions
- Monitorando modelos em produção com Prometheus e Grafana
- Otimizando performance e latência de modelos de IA
- Garantindo segurança e privacidade em sistemas de IA
- Projeto Final: Deploy completo de um modelo de IA em produção
Projeto Final
Deploy de um modelo de IA em um ambiente de produção, com pipeline de CI/CD, monitoramento e documentação completa
Aprenda a transformar sistemas de busca tradicionais em soluções inteligentes que entendem significado e contexto. Domine técnicas de embeddings e LLMs para criar experiências de busca mais precisas e relevantes.
Nível: Intermediário
Para quem é: Desenvolvedores, cientistas de dados e profissionais de TI interessados em aprimorar sistemas de busca com IA
Ao concluir, você será capaz de: Capacitar o aluno a implementar sistemas de busca semântica que interpretam intenções e contextos, não apenas palavras-chave
7 módulos · 12h · certificado ao final
- Explorar os fundamentos da busca semântica e suas aplicações
- Configurar ambientes para desenvolvimento com Python e LLMs
- Implementar embeddings com Sentence Transformers
- Integrar busca clássica (regex/NER) com modelos de linguagem
- Avaliar sistemas de busca com métricas de precisão e recall
- Otimizar pipelines de busca para desempenho e escalabilidade
- Projeto Final: Construir um sistema de busca semântica para um domínio específico
Projeto Final
Um sistema de busca semântica funcional, com documentação técnica e métricas de avaliação
Aprenda a transformar buscas manuais em sistemas inteligentes que entendem contexto e recuperam informações com precisão. Ideal para quem quer automatizar processos de consulta em documentos, bases de dados ou sistemas legados.
Nível: Iniciante a Intermediário
Para quem é: Desenvolvedores, analistas de dados, profissionais de TI e entusiastas de IA que desejam modernizar sistemas de busca em documentos e bases de dados
Ao concluir, você será capaz de: Capacitar o aluno a implementar sistemas de busca semântica e RAG (Retrieval-Augmented Generation) para substituir buscas manuais como o Ctrl+F por soluções automatizadas e contextuais
8 módulos · 10h · certificado ao final
- Explorando limitações do Ctrl+F e buscas tradicionais
- Configurando embeddings com Sentence Transformers
- Implementando busca vetorial com FAISS ou Chroma
- Criando um pipeline de RAG básico com LangChain
- Otimizando consultas com técnicas de reranking
- Integrando LLMs para respostas contextuais
- Avaliar métricas de precisão e recall em buscas
- Projeto Final: Construa um sistema de busca inteligente para documentos técnicos
Projeto Final
Um sistema de busca inteligente que substitui o Ctrl+F em um conjunto de documentos, utilizando RAG para responder perguntas contextuais com alta precisão
Aprenda a transformar seu fluxo de trabalho com ferramentas de IA, automatizando tarefas e otimizando processos. Domine técnicas avançadas para debugging e deploy inteligente, elevando sua produtividade como desenvolvedor.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de software e tech leads que buscam otimizar processos com IA
Ao concluir, você será capaz de: Capacitar desenvolvedores a integrar ferramentas de IA em seus fluxos de trabalho para automação, debugging e deploy eficiente
8 módulos · 12h · certificado ao final
- Explorando ferramentas de IA para desenvolvedores
- Automatizando tarefas com GitHub Copilot e LLMs
- Implementando debugging inteligente com IA
- Otimizando pipelines de CI/CD com automação
- Criando assistentes de código personalizados com LangChain
- Integrando LLMs em ambientes de desenvolvimento
- Analisando métricas de produtividade com IA
- Projeto Final: Construindo um fluxo de trabalho automatizado com IA
Projeto Final
Um fluxo de trabalho automatizado que integra GitHub Copilot, LLMs para debugging e pipelines de CI/CD otimizados com IA
Aprenda a construir a espinha dorsal de sistemas de IA robustos, garantindo alta disponibilidade e eficiência operacional. Domine técnicas para integrar múltiplos modelos sem comprometer performance ou segurança.
Nível: Intermediário a Avançado
Para quem é: Engenheiros de ML, arquitetos de sistemas, DevOps e desenvolvedores backend que trabalham com integração de modelos de IA em produção
Ao concluir, você será capaz de: Capacitar o aluno a projetar, implementar e escalar gateways de IA para orquestrar múltiplos modelos, garantindo resiliência, segurança e eficiência em sistemas críticos
9 módulos · 12h · certificado ao final
- Entendendo a necessidade de gateways em sistemas de IA
- Avaliando arquiteturas: proxy reverso vs. orquestração nativa
- Configurando um gateway básico com FastAPI e Kong
- Implementando fallback multiprovider com LLMs alternativos
- Adicionando camadas de cache e embeddings pré-processados
- Integrando autenticação e controle de acesso (IAM)
- Monitorando métricas de performance com Prometheus e Grafana
- Otimizando custos com estratégias de roteamento inteligente
- Projeto Final: Construindo um gateway resiliente para um chatbot corporativo
Projeto Final
Um gateway de IA funcional, implantado em Kubernetes, capaz de orquestrar pelo menos 3 modelos diferentes (ex: GPT-4, Llama3 e um modelo local), com fallback automático, logging detalhado e dashboard de monitoramento
Aprenda a construir sistemas RAG híbridos que unem a eficiência da busca clássica com a inteligência dos LLMs, garantindo respostas precisas e escaláveis. Ideal para quem busca otimizar performance e custo em produção.
Nível: Avançado
Para quem é: Engenheiros de machine learning, desenvolvedores de sistemas de IA, arquitetos de soluções e profissionais de dados que desejam aprimorar sistemas de busca e geração de respostas
Ao concluir, você será capaz de: Capacitar o aluno a implementar sistemas RAG híbridos que combinem eficiência de busca tradicional com a inteligência de LLMs, otimizando performance, custo e precisão em ambientes de produção
8 módulos · 12h · certificado ao final
- Explorando os fundamentos da busca clássica (BM25, TF-IDF) e suas limitações
- Implementando embeddings avançados para busca semântica com LLMs
- Combinando técnicas de busca clássica e semântica em pipelines híbridos
- Otimizando a latência e custo de sistemas RAG híbridos em produção
- Avaliando métricas de qualidade: precisão, recall e relevância em sistemas híbridos
- Integrando fallback multiprovider para alta disponibilidade
- Deployando RAG híbrido com LLMOps: escalabilidade e monitoramento
- Projeto Final: Construindo um sistema RAG híbrido completo com LangChain e LlamaIndex
Projeto Final
Um sistema RAG híbrido funcional, combinando busca clássica e semântica, com métricas de avaliação e deploy em ambiente de produção simulado
