Quando LLMs Falham: NER, Regex e Busca Clássica na Prática

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

🎓
Quando LLMs Falham: NER, Regex e Busca Clássica na Prática 8 módulos · 12h · certificado
Módulo 1 de 8
Aula interativa · Tutor IA
Como quer estudar?
Bem-vindo à sua aula de Quando LLMs Falham: NER, Regex e Busca Clássica na Prática! Eu sou seu Tutor IA e esta conversa é o próprio curso: cada mensagem faz parte da trilha, com explicações, exemplos, diagramas e desafios. Para começar, me diga seu nome e do que você gosta. Vou usar isso nos exemplos.