Sobre este cursoIntermediário · 8 módulos · 12h
Aprenda a identificar quando LLMs não são a melhor solução e domine técnicas clássicas de NLP para construir sistemas mais rápidos, baratos e precisos. Ideal para quem busca eficiência em processamento textual.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de dados, cientistas de dados e profissionais de NLP que buscam otimizar sistemas de processamento textual
Ao concluir, você será capaz de: Capacitar o aluno a identificar cenários onde NER, Regex e busca clássica superam LLMs, implementando soluções eficientes e escaláveis
8 módulos · 12h · certificado ao final
- Analisando cenários onde LLMs não são ideais: casos de uso e benchmarks
- Dominando Regex: padrões avançados para extração de dados estruturados
- Implementando NER com spaCy: treinamento e customização de modelos
- Explorando busca clássica: índices invertidos e algoritmos de similaridade
- Comparando desempenho: LLMs vs. NER vs. Regex em tarefas reais
- Construindo pipelines híbridos: combinando LLMs com métodos clássicos
- Otimizando latência e custo: estratégias para sistemas de produção
- Projeto Final: Desenvolvendo um sistema de extração e busca híbrido para um caso real
Projeto Final
Um sistema funcional que combina NER, Regex e busca clássica para extrair e buscar informações em um dataset específico, com documentação técnica e análise de desempenho
Bem-vindo ao curso de Quando LLMs Falham: NER, Regex e Busca Clássica na Prática.
Vou adaptar os exemplos ao que você gosta e fazer perguntas no final de cada módulo para garantir que tudo ficou claro.
Módulo 1: Analisando cenários onde LLMs não são...