Trilha Desenvolvimento de Aplicações com IA: tudo o que estudar, tópico por tópico

Como LLMs tokenizam texto, algoritmos BPE/SentencePiece, espaços de embedding, similaridade semântica e representações vetoriais de linguagem

Criação de prompts eficazes, papéis de sistema/usuário/assistente, exemplos few-shot, prompting com cadeia de pensamento e templates de prompts

Escolha do LLM adequado para cada tarefa — comparação de capacidades, custo, latência, janelas de contexto e especialização entre provedores

Trabalho com APIs de provedores de LLM — autenticação, formatos de requisição/resposta, streaming, limitação de taxa, tratamento de erros e uso de SDK

Armazenamento e consulta de embeddings em bancos de dados vetoriais — Pinecone, Weaviate, Qdrant, pgvector, algoritmos de indexação e métricas de distância

Divisão de documentos para recuperação eficaz — chunking de tamanho fixo, recursivo, semântico e abordagens com reconhecimento de estrutura de documento

Construção de pipelines de recuperação ponta a ponta — pré-processamento de consultas, embedding, recuperação top-k, re-ranking e montagem da janela de contexto

Combinação de recuperação densa e esparsa — BM25 + busca vetorial, fusão de ranking recíproco, combinação keyword-semântica e roteamento de consultas

Projeto de agentes baseados em LLM — ReAct, planejar-e-executar, loops de reflexão, máquinas de estado e padrões de orquestração de fluxos de trabalho

Habilitação de LLMs para uso de ferramentas externas — APIs de chamada de funções, definição de esquema de ferramentas, análise de resultados e recuperação de erros

Coordenação de múltiplos agentes de IA — delegação, padrões de supervisão, protocolos de comunicação, memória compartilhada e resolução de conflitos

Raciocínio avançado de agentes — decomposição de tarefas, autocrítica, árvore de pensamento, retrocesso e estratégias de replanejamento dinâmico

Medição da qualidade de saída de LLM — métricas automatizadas (BLEU, ROUGE, BERTScore), LLM-como-juiz, avaliação humana e frameworks de testes A/B

Identificação e mitigação de alucinações de LLM — fundamentação factual, verificação de citações, verificações de autoconsistência e calibração de confiança

Construção de aplicações de IA seguras — moderação de conteúdo, filtragem de saída, detecção de PII, mitigação de viés e frameworks de conformidade

Testes adversariais de sistemas de IA — ataques de injeção de prompt, jailbreaking, extração de dados e avaliação sistemática de vulnerabilidades

Redução de tempos de resposta em sistemas de IA — streaming, processamento paralelo, decodificação especulativa, compressão de prompts e implantação na borda

Controle de custos de infraestrutura de IA — otimização de tokens, escalonamento de modelos, cache de prompts, monitoramento de uso e alertas de orçamento

Cache para aplicações de IA — cache semântico, cache por correspondência exata, consulta de cache baseada em embeddings, políticas de TTL e invalidação de cache

Monitoramento de sistemas de IA em produção — rastreamento de chamadas ao LLM, registro de prompts e completions, dashboards de métricas de qualidade e detecção de desvio

Adaptação de modelos fundacionais — preparação de dados, LoRA/QLoRA, loops de treinamento, ajuste de hiperparâmetros, avaliação e destilação de modelos

Alinhamento de modelos com preferências humanas — modelagem de recompensa, treinamento PPO, DPO, coleta de dados de preferência e avaliação de alinhamento

Projeto de sistemas RAG em produção: estratégias de chunking, modelos de embedding, otimização de recuperação, re-ranking e avaliação

Construção de agentes de IA em produção com uso de ferramentas, gestão de memória, loops de planejamento e orquestração multiagente

Construção de aplicações que combinam texto, visão, áudio e dados estruturados usando modelos fundacionais multimodais

Construção de aplicações confiáveis baseadas em LLM: fallbacks, estratégias de retry, limitação de taxa, gestão de custos e validação de saída

Implementação de gateways de IA para roteamento centralizado de modelos, atribuição de custos, cache semântico e observabilidade