IA & LLMs
LLMs, prompts, embeddings, RAG e pipelines de machine learning.
📖 Lições
2.1 — O que é um LLM?⬜ Pendente · 15 min
Large Language Models
Modelos de linguagem treinados em vastos corpora de texto. Utilizam arquitetura Transformer para processamento sequencial.
Capacidades Principais
- Geração de texto natural
- Resposta a perguntas
- Tradução automática
- Resumo de documentos
- Classificação de texto
2.2 — Prompt Engineering⬜ Pendente · 20 min
Práticas Essenciais
O prompt é a interface principal com o modelo. Boas práticas incluem:
- Contexto claro: definir o papel do modelo
- Exemplos: few-shot prompting
- Estrutura: dividir tarefas complexas
- Restrições: limitar formato de saída
2.3 — Embeddings⬜ Pendente · 15 min
Vetores de Significado
Embeddings convertem texto em vetores numéricos que capturam significado semântico.
- Textos similares → vetores próximos no espaço vetorial
- Usados para busca semântica e similaridade
- Modelos comuns: text-embedding-ada-002, bge-m3
2.4 — RAG (Retrieval-Augmented Generation)⬜ Pendente · 20 min
Combinação de Busca e Geração
RAG enriquece prompts com dados externos recuperados de uma base de conhecimento:
- Embedding da query do utilizador
- Busca no vetor store (ex: FAISS, Chroma)
- Concatenação dos resultados ao prompt
- Geração de resposta com contexto
2.5 — Fine-tuning⬜ Pendente · 20 min
Adaptar Modelos ao Domínio
Fine-tuning ajusta pesos de um modelo pré-treinado para uma tarefa específica:
- LoRA: Low-Rank Adaptation — eficiente em VRAM
- DPO: Direct Preference Optimization
- GRPO: Group Relative Policy Optimization
2.6 — Agentes de IA⬜ Pendente · 20 min
Modelos com Ações
Agentes de IA combinam raciocínio com execução:
- Planificar: decompor tarefas
- Executar: chamar ferramentas/APIs
- Avaliar: verificar resultados
- Iterar: corrigir com base no feedback