Aprenda a construir chatbots com RAG que consultam dados privados de forma segura e eficiente. Ideal para quem busca implementar soluções corporativas com LLMs e garantir privacidade e precisão nas respostas.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de IA, arquitetos de soluções e profissionais de TI que desejam implementar sistemas de RAG em ambientes corporativos
Ao concluir, você será capaz de: Capacitar o aluno a construir chatbots avançados com RAG que acessam e consultam bases de dados privadas, garantindo privacidade e precisão nas respostas
8 módulos · 12h · certificado ao final
- Entendendo RAG: Fundamentos e Casos de Uso Corporativos
- Configurando Ambientes para RAG com Dados Privados
- Ingerindo e Processando Dados Privados com LlamaIndex
- Otimizando Embeddings para Consultas Precisas
- Implementando Fallback e Segurança em Chatbots RAG
- Avaliar Métricas de Qualidade e Latência em Produção
- Deployando RAG em Ambientes Corporativos com LLMOps
- Projeto Final: Construa um Chatbot RAG para Dados Privados
Projeto Final
Um chatbot RAG funcional que consulta uma base de dados privada, com implementação de segurança, métricas de qualidade e deploy em ambiente simulado
Aprenda a criar chatbots inteligentes do zero usando Python e frameworks de IA, com deploy em produção. Ideal para quem quer automatizar atendimentos ou integrar soluções conversacionais a sistemas existentes.
Nível: Iniciante a Intermediário
Para quem é: Desenvolvedores Python, entusiastas de IA, profissionais de atendimento ao cliente e automação
Ao concluir, você será capaz de: Capacitar o aluno a criar, treinar e implantar chatbots funcionais com integração a APIs e LLMs
8 módulos · 12h · certificado ao final
- Explorando frameworks de chatbots em Python
- Configurando ambientes de desenvolvimento para NLP
- Treinando modelos de linguagem com datasets personalizados
- Integrando chatbots a APIs e bancos de dados
- Implementando fallback e escalabilidade com LLMs
- Testando e validando respostas com métricas de IA
- Deployando chatbots em servidores cloud
- Projeto Final: Construa um chatbot completo com deploy em produção
Projeto Final
Um chatbot funcional com integração a uma API externa, deploy em cloud e documentação técnica
Aprenda a construir assistentes RAG poderosos que combinam busca semântica e geração de respostas com LLMs. Domine técnicas de otimização e deploy para criar soluções escaláveis e precisas.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de IA, cientistas de dados e profissionais de TI interessados em sistemas de busca e geração avançada
Ao concluir, você será capaz de: Capacitar o aluno a desenvolver assistentes RAG personalizados, desde a configuração de bases de conhecimento até o deploy em produção
8 módulos · 12h · certificado ao final
- Entendendo a arquitetura RAG e seus componentes
- Configurando bases de conhecimento com embeddings
- Integrando LLMs com sistemas de recuperação de informações
- Otimizando prompts para geração de respostas precisas
- Avaliar métricas de desempenho em assistentes RAG
- Implementando fallback e estratégias de segurança
- Deploy de assistentes RAG com LangChain e LlamaIndex
- Projeto Final: Construa seu assistente RAG personalizado
Projeto Final
Um assistente RAG funcional, integrado a uma base de conhecimento personalizada e pronto para deploy
Aprenda a dominar expressões regulares em Python para resolver problemas reais de manipulação de texto. Torne-se capaz de automatizar tarefas complexas de validação e extração de dados com eficiência e precisão.
Nível: Iniciante a Intermediário
Para quem é: Desenvolvedores, analistas de dados, engenheiros de software e profissionais de TI que precisam manipular texto de forma eficiente
Ao concluir, você será capaz de: Capacitar o aluno a criar, otimizar e aplicar expressões regulares em Python para extração, validação e transformação de dados textuais em projetos reais
8 módulos · 10h · certificado ao final
- Explorando os fundamentos de expressões regulares
- Criando padrões para validação de dados (e-mails, CPF, telefones)
- Extraindo informações de logs e arquivos estruturados com regex
- Substituindo e transformando texto em massa com Python
- Combinando regex com NLP para pré-processamento de texto
- Otimizando expressões para desempenho e legibilidade
- Integrando regex com APIs e automação de tarefas
- Projeto Final: Construindo um validador e extrator de dados inteligente
Projeto Final
Um script Python que valida, extrai e transforma dados de um arquivo de log ou CSV usando regex, com relatório de erros e insights gerados automaticamente
Aprenda a extrair informações críticas de textos com técnicas avançadas de NER, combinando o poder do regex, modelos tradicionais e LLMs. Domine a implementação de pipelines escaláveis para produção.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de dados e cientistas de dados que precisam extrair informações estruturadas de textos não estruturados
Ao concluir, você será capaz de: Capacitar o aluno a implementar pipelines de NER robustos, combinando expressões regulares, modelos tradicionais e LLMs para extração precisa de dados em sistemas reais
8 módulos · 12h · certificado ao final
- Explorando fundamentos: O que são entidades nomeadas e por que importam
- Dominando regex para extração de padrões em textos
- Configurando spaCy e treinando modelos de NER clássicos
- Integrando LLMs para NER: Prompt engineering e fine-tuning
- Avaliar precisão: Métricas e validação de modelos de NER
- Otimizando pipelines: Combinação de regex, NER clássico e LLMs
- Deployando soluções de NER com FastAPI e Docker
- Projeto Final: Construindo um pipeline de NER para documentos jurídicos
Projeto Final
Um pipeline completo de NER que extrai entidades de contratos jurídicos (nomes, datas, valores, cláusulas) e as estrutura em um banco de dados, com deploy em container
Aprenda a transformar dados textuais em insights acionáveis com técnicas modernas de NLP. Desenvolva modelos prontos para produção e domine o ciclo completo de implementação.
Nível: Iniciante a Intermediário
Para quem é: Desenvolvedores, cientistas de dados e profissionais de TI interessados em aplicar NLP em projetos reais
Ao concluir, você será capaz de: Capacitar o aluno a desenvolver, treinar e implantar modelos de NLP para análise de texto em produção
8 módulos · 12h · certificado ao final
- Explorar fundamentos de NLP e suas aplicações
- Preparar dados textuais com técnicas de limpeza e tokenização
- Implementar modelos de embeddings com Word2Vec e GloVe
- Treinar modelos de classificação de texto com spaCy e Hugging Face
- Avaliar métricas de desempenho para modelos de NLP
- Otimizar pipelines de processamento com LLMs locais
- Deployar um modelo de análise de sentimentos com FastAPI
- Projeto Final: Construir e implantar um sistema de NLP completo
Projeto Final
Um sistema de análise de sentimentos em tempo real, com API documentada e deploy em nuvem
Aprenda a potencializar sistemas de busca clássica com técnicas avançadas de regex e NER, garantindo eficiência em ambientes onde LLMs não são uma opção. Ideal para quem trabalha com sistemas legados ou restrições técnicas.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de dados e analistas que trabalham com sistemas legados ou ambientes com restrições de uso de LLMs
Ao concluir, você será capaz de: Capacitar o aluno a implementar e otimizar sistemas de busca clássica usando regex, NER e técnicas de indexação para melhorar a performance em bases de dados legadas ou restritas
7 módulos · 10h · certificado ao final
- Explorando os fundamentos da busca clássica e suas limitações
- Dominando regex avançado para extração de padrões em textos
- Implementando NER com spaCy para identificação de entidades em sistemas legados
- Otimizando consultas com técnicas de indexação e caching
- Integrando busca clássica com APIs modernas para fallback seguro
- Avaliar performance e escalabilidade de sistemas de busca clássica
- Projeto Final: Construir um sistema de busca híbrido para um caso real de sistema legado
Projeto Final
Um sistema de busca clássica otimizado com regex e NER, integrado a uma API para fallback em LLMs, com documentação técnica e métricas de performance
Aprenda a extrair informações valiosas de textos não estruturados usando técnicas de NER clássicas e modernas com LLMs. Ideal para quem precisa automatizar a análise de documentos, contratos ou dados técnicos com precisão.
Nível: Intermediário
Para quem é: Desenvolvedores, cientistas de dados, analistas de NLP e profissionais que precisam extrair dados de documentos, contratos ou textos técnicos
Ao concluir, você será capaz de: Capacitar o aluno a implementar pipelines de NER para extrair informações estruturadas de textos não estruturados, combinando abordagens clássicas e modernas com LLMs
8 módulos · 10h · certificado ao final
- Explorar conceitos de NER e casos de uso em TI e negócios
- Configurar ambiente com Python e bibliotecas essenciais (spaCy, NLTK)
- Implementar NER com regex e regras personalizadas para padrões específicos
- Treinar modelos de NER com spaCy para domínios especializados
- Utilizar LLMs para NER zero-shot e few-shot com Hugging Face
- Avaliar desempenho de modelos com métricas como precisão e recall
- Integrar NER em pipelines de RAG para enriquecer buscas semânticas
- Projeto Final: Construir um sistema de extração de entidades para contratos jurídicos ou relatórios técnicos
Projeto Final
Um pipeline completo de NER que extrai entidades (nomes, datas, valores) de um conjunto de documentos reais, com relatório de desempenho e integração opcional com um chatbot ou sistema de busca
Este curso conecta teoria e prática, ensinando como transformar diretrizes de arquitetura de IA em sistemas reais. Você aprenderá a projetar soluções escaláveis, éticas e resilientes, com foco em LLMs e RAG. Ideal para quem quer liderar projetos de IA com responsabilidade técnica.
Nível: Intermediário a Avançado
Para quem é: Arquitetos de software, engenheiros de IA, líderes técnicos e pesquisadores que desejam materializar diretrizes teóricas em soluções práticas
Ao concluir, você será capaz de: Capacitar o aluno a projetar, implementar e validar arquiteturas de IA alinhadas a manifestos éticos e técnicos, com foco em LLMs, RAG e sistemas multiagentes
8 módulos · 12h · certificado ao final
- Analisar manifestos de IA: Princípios éticos e técnicos em foco
- Mapear requisitos não funcionais para sistemas de IA (privacidade, latência, bias)
- Projetar arquiteturas modulares com LLMs e RAG
- Implementar gateways de IA para orquestração de modelos
- Desenvolver pipelines de validação com LLMs como juízes
- Aplicar técnicas de LLMOps para escalabilidade e governança
- Integrar fallback multiprovider para resiliência
- Projeto Final: Construir um sistema de IA com manifesto técnico e validação automatizada
Projeto Final
Um sistema de IA (ex: chatbot ou agente autônomo) documentado com manifesto técnico, arquitetura detalhada, pipeline de validação e deploy em ambiente controlado
Aprenda a construir um chatbot inteligente que combina busca semântica e geração de texto para respostas precisas e contextualizadas. Domine frameworks como LlamaIndex e LangChain para criar soluções escaláveis e prontas para produção.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de IA e entusiastas de NLP que desejam criar soluções conversacionais avançadas
Ao concluir, você será capaz de: Capacitar o aluno a desenvolver um chatbot pessoal com RAG, integrando bases de conhecimento personalizadas e deploy em produção
9 módulos · 12h · certificado ao final
- Entendendo RAG: Da teoria à arquitetura prática
- Configurando o ambiente: LlamaIndex, LangChain e dependências
- Preparando dados: Limpeza, chunking e embeddings para RAG
- Construindo o pipeline de busca semântica com vetores
- Integrando LLMs: Prompt engineering para respostas precisas
- Personalizando o chatbot: Adicionando contexto e memória
- Otimizando desempenho: Latência, custo e escalabilidade
- Deploy em produção: Hospedagem e monitoramento do chatbot
- Projeto Final: Chatbot pessoal com RAG e base de conhecimento customizada
Projeto Final
Um chatbot pessoal funcional com RAG, integrado a uma base de conhecimento personalizada e deploy em ambiente cloud (ex: Hugging Face, AWS ou Vercel)
