Visão Geral

O curso Advanced Hands-On Generative AI Workshop From Concept to Product é um workshop avançado e prático focado no desenvolvimento de soluções reais de Inteligência Artificial Generativa. O participante aprenderá a projetar, desenvolver, avaliar e colocar em produção aplicações baseadas em modelos generativos, cobrindo todo o ciclo de vida do produto, desde a concepção da ideia até a entrega de soluções escaláveis, seguras e prontas para uso corporativo.

Objetivo

Após realizar este curso Advanced Hands-On Generative AI Workshop: From Concept to Product, você será capaz de:

• Compreender arquiteturas modernas de IA generativa
• Trabalhar com Large Language Models e modelos multimodais
• Projetar prompts eficientes e pipelines de geração
• Construir aplicações generativas end-to-end
• Avaliar, otimizar e monitorar modelos generativos
• Colocar aplicações de GenAI em produção com boas práticas
• Trabalhar com segurança, governança e custos em GenAI

Publico Alvo

• Engenheiros de Machine Learning
• Cientistas de dados
• Engenheiros de software
• Engenheiros de IA
• Arquitetos de soluções
• Profissionais de tecnologia envolvidos em produtos de IA

Pre-Requisitos

• Conhecimentos sólidos de Python
• Noções de Machine Learning e Deep Learning
• Experiência básica com APIs e serviços em cloud
• Familiaridade com Git e containers

Materiais

Conteúdo Programatico

Module 1: Generative AI Foundations

1. What is Generative AI
2. Generative AI Use Cases
3. Large Language Models Overview
4. Diffusion and Multimodal Models
5. Foundation Models and Model Families
6. From Concept to Product Mindset

Module 2: Working with Large Language Models

1. LLM Architecture Overview
2. Tokens, Context Windows, and Embeddings
3. Inference vs Training
4. Hosted Models vs Open-Source Models
5. Model Selection Strategies
6. Hands-On: Running Your First LLM

Module 3: Prompt Engineering and Optimization

1. Prompt Engineering Fundamentals
2. Zero-Shot, One-Shot, and Few-Shot Prompting
3. Chain-of-Thought and Reasoning Patterns
4. Prompt Templates and Versioning
5. Prompt Evaluation Techniques
6. Hands-On: Prompt Optimization Lab

Module 4: Retrieval-Augmented Generation (RAG)

1. RAG Architecture Overview
2. Vector Embeddings
3. Vector Databases
4. Document Ingestion Pipelines
5. Chunking and Indexing Strategies
6. Hands-On: Building a RAG Application

Module 5: Fine-Tuning and Model Customization

1. When to Fine-Tune Models
2. Supervised Fine-Tuning Concepts
3. Parameter-Efficient Fine-Tuning (PEFT)
4. Evaluation of Fine-Tuned Models
5. Cost and Performance Trade-Offs
6. Hands-On: Fine-Tuning a Generative Model

Module 6: Building End-to-End Generative AI Applications

1. Application Architectures for GenAI
2. Backend Integration with APIs
3. Frontend Integration Concepts
4. Orchestrating Multi-Step GenAI Workflows
5. Handling Errors and Hallucinations
6. Hands-On: Building a GenAI Product Prototype

Module 7: MLOps and LLMOps for Generative AI

1. LLMOps Fundamentals
2. Versioning Models, Prompts, and Data
3. CI/CD for Generative AI
4. Deployment Strategies
5. Monitoring, Logging, and Feedback Loops
6. Hands-On: Deploying a GenAI Application

Module 8: Security, Ethics, and Governance

1. Security Risks in Generative AI
2. Data Privacy and Compliance
3. Responsible AI Principles
4. Guardrails and Content Filtering
5. Cost Control and Usage Monitoring
6. Enterprise Governance for GenAI

Module 9: From Prototype to Production

1. Scaling Generative AI Applications
2. Performance Optimization
3. Cost Optimization Strategies
4. Measuring Business Value
5. Productization Best Practices
6. Final Project: From Concept to Product