Visão Geral

Este curso apresenta os fundamentos de Retrieval-Augmented Generation (RAG), uma das arquiteturas mais importantes para aplicações modernas baseadas em Large Language Models (LLMs). O participante aprenderá como combinar modelos de linguagem com bases de conhecimento corporativas para produzir respostas mais precisas, contextualizadas e confiáveis. O curso aborda os conceitos fundamentais, componentes arquiteturais, pipelines de ingestão, embeddings, bancos vetoriais, recuperação de informações e boas práticas para implementação de soluções RAG em ambientes corporativos.

Objetivo

Após realizar este curso, você será capaz de:

• Compreender os fundamentos da arquitetura RAG
• Entender como modelos de linguagem podem ser enriquecidos com conhecimento externo
• Implementar pipelines básicos de recuperação e geração
• Utilizar embeddings e bancos vetoriais em aplicações corporativas
• Avaliar qualidade e desempenho de sistemas RAG
• Aplicar boas práticas para desenvolvimento de soluções RAG seguras e eficientes

Publico Alvo

• Desenvolvedores de Software
• Engenheiros de IA e Machine Learning
• Arquitetos de Soluções
• Cientistas de Dados
• Profissionais de LLMOps e MLOps
• Líderes técnicos envolvidos em projetos de IA Generativa

Pre-Requisitos

• Conhecimentos básicos de Inteligência Artificial
• Familiaridade com Large Language Models
• Noções de APIs e desenvolvimento de aplicações
• Conhecimentos básicos de bancos de dados são recomendados

Materiais

Conteúdo Programatico

Module 1: Introduction to Retrieval-Augmented Generation

1. Evolution of Generative AI applications
2. Limitations of standalone LLMs
3. Fundamentals of Retrieval-Augmented Generation
4. Enterprise use cases for RAG
5. Benefits and challenges of RAG architectures
6. Overview of the RAG ecosystem

Module 2: Foundations of Information Retrieval

1. Information retrieval fundamentals
2. Search engine concepts
3. Keyword-based retrieval
4. Semantic search principles
5. Relevance and ranking techniques
6. Retrieval performance metrics

Module 3: Embeddings Fundamentals

1. Introduction to embeddings
2. Vector representations of text
3. Similarity and distance calculations
4. Embedding model selection
5. Embedding generation workflows
6. Embedding quality evaluation

Module 4: Vector Databases

1. Fundamentals of vector databases
2. Vector indexing techniques
3. Similarity search operations
4. Metadata management
5. Storage and scalability considerations
6. Popular vector database platforms

Module 5: Document Ingestion and Processing

1. Data source identification
2. Document extraction techniques
3. Text cleaning and normalization
4. Chunking strategies
5. Metadata enrichment
6. Ingestion pipeline design

Module 6: Retrieval Strategies

1. Basic retrieval workflows
2. Semantic retrieval techniques
3. Hybrid search approaches
4. Context selection strategies
5. Query expansion methods
6. Retrieval optimization techniques

Module 7: Generation and Context Augmentation

1. Context injection fundamentals
2. Prompt construction for RAG
3. Grounded response generation
4. Citation and source attribution
5. Hallucination reduction strategies
6. Response quality optimization

Module 8: RAG Application Architecture

1. Core architectural components
2. End-to-end RAG workflows
3. API integration patterns
4. Enterprise architecture considerations
5. Scalability fundamentals
6. Performance optimization basics

Module 9: Evaluation and Quality Assurance

1. Retrieval quality assessment
2. Response accuracy evaluation
3. Groundedness measurement
4. User experience evaluation
5. Benchmarking methodologies
6. Continuous improvement practices

Module 10: Security and Governance

1. Data privacy considerations
2. Secure document handling
3. Access control mechanisms
4. Compliance requirements
5. Governance frameworks
6. Responsible AI practices

Module 11: Enterprise RAG Use Cases

1. Knowledge management systems
2. Customer support assistants
3. Enterprise search platforms
4. Compliance and legal research
5. Internal productivity applications
6. Industry-specific RAG solutions

Module 12: RAG Fundamentals Workshop

1. Embedding generation exercises
2. Vector database implementation
3. Document ingestion laboratories
4. Retrieval optimization activities
5. End-to-end RAG application development
6. Final RAG fundamentals project