Regex, NER e Busca Clássica: Quando LLMs Não Bastam

Aprenda a identificar os limites dos LLMs e implemente soluções otimizadas com Regex, NER e busca clássica para casos onde precisão, performance e custo são críticos. Construa pipelines reais que superam modelos de linguagem em tarefas específicas de processamento de texto

Nível: Intermediário

Para quem é: Desenvolvedores, engenheiros de dados e cientistas de dados que trabalham com processamento de texto e sistemas de busca

Ao concluir, você será capaz de: O aluno será capaz de identificar quando usar Regex, NER ou busca clássica em vez de LLMs, implementando soluções otimizadas para extração de entidades, precisão e performance

8 módulos · 10h · certificado ao final

• Analisando cenários: Quando LLMs falham em tarefas de texto
• Dominando Regex: Padrões avançados para extração de dados estruturados
• Implementando NER com spaCy: Precisão e customização de entidades
• Construindo sistemas de busca clássica com Elasticsearch
• Comparando performance: Regex vs NER vs LLMs em benchmarks reais
• Integrando técnicas híbridas: Combinação de Regex, NER e LLMs
• Otimizando pipelines: Redução de latência e custo em produção
• Projeto Final: Construindo um sistema de extração de entidades para documentos jurídicos

Projeto Final

Um pipeline completo de extração de entidades (nomes, datas, valores) em documentos jurídicos, usando Regex para dados estruturados, NER para entidades customizadas e busca clássica para recuperação de informações, com relatório de performance comparando com LLMs