Construindo sistemas RAG e agentes de IA com modelos de linguagem grandes

A capacidade de alavancar modelos de linguagem grandes (LLMs) com dados privados é essencial para criar aplicativos poderosos e sensíveis ao contexto. A geração aumentada de recuperação (RAG) é o padrão crítico para alcançar isso nos ambientes de produção atuais. Ao final deste curso, você entenderá a arquitetura dos sistemas RAG e os fluxos de trabalho multiagentes. Você ganhará experiência prática na estruturação de dados, selecionando lojas de vetores apropriadas, projetando prompts eficazes e implantando essas soluções de IA para resolver problemas de negócios específicos. O que você vai aprender: * Entenda os principais componentes e arquitetura dos sistemas de geração aumentada de recuperação (RAG). * Pratique técnicas de engenharia rápidas e eficazes para otimizar as interações do LLM e os caminhos de raciocínio do agente. * Aplicar as melhores práticas para segmentação, incorporação e indexação de dados em um banco de dados vetorial. * Configurar agentes e fluxos de trabalho multi-agente usando ferramentas especializadas de baixo código para automação de tarefas complexas. * Implantar e executar LLMs locais usando fundamentos de containerização como Docker e ferramentas especializadas como Ollama. O curso começa definindo LLMs, RAG e conceitos de agentes antes de passar para etapas práticas de implementação. Nós percorremos a preparação de dados, a integração de lojas de vetores, a configuração de agentes e as estratégias de implantação fundamentais para tornar suas soluções acessíveis. Este curso é projetado para iniciantes, desenvolvedores e profissionais de dados que desejam começar a criar aplicativos de IA práticos e contextuais. Nenhuma experiência prévia com LLMs ou aprendizado de máquina avançado é necessária. Comece a criar sistemas de IA inteligentes e orientados por dados hoje mesmo.