Curso de IA Generativa

Aula 1 • O que Torna a IA Generativa

Diferencia modelos generativos de modelos discriminativos e explica o objetivo central de aprender distribuições de dados. Posiciona a IA generativa como um paradigma distinto.

Aula 2 • Representação e Pré-processamento de Dados

Explica como textos, imagens e áudio são codificados para redes neurais. A preparação adequada dos dados afeta diretamente a qualidade do modelo generativo.

Aula 3 • Fundamentos de IA e Aprendizado de Máquina

Abrange a hierarquia da IA ao aprendizado profundo e como o aprendizado supervisionado, não supervisionado e por reforço diferem. Estabelece o vocabulário usado ao longo do curso.

Aula 4 • Fundamentos de Redes Neurais

Apresenta perceptrons, funções de ativação, retropropagação e descida do gradiente. Fornece a intuição matemática necessária para entender arquiteturas generativas.

Aula 1 • Comparando e Selecionando Arquiteturas

Fornece um framework estruturado para avaliar arquiteturas por qualidade, diversidade, velocidade e controlabilidade. Prepara os alunos para tomar decisões de design informadas.

Aula 2 • Redes Adversárias Generativas

Aborda o jogo gerador-discriminador, a dinâmica de treinamento e modos de falha comuns como o colapso de modo. Constrói a intuição para o treinamento adversário usado na síntese de imagens.

Aula 3 • Autoencoders Variacionais

Explica a estrutura codificador-decodificador, o truque da reparametrização e a perda ELBO. Conecta a teoria dos VAEs a tarefas práticas de geração de imagens e dados.

Aula 4 • Modelos de Difusão

Apresenta os processos de adição de ruído direta e remoção de ruído reversa, score matching e DDPM. Explica por que os modelos de difusão alcançam qualidade de imagem state-of-the-art.

Aula 1 • Tokenização e Design de Vocabulário

Explica a codificação por pares de bytes, WordPiece e SentencePiece e seu efeito no desempenho do modelo. As escolhas de tokenização afetam diretamente a qualidade da geração multilíngue e de código.

Aula 2 • Leis de Escala e Habilidades Emergentes

Examina como o tamanho do modelo, os dados e a computação interagem para produzir comportamentos previsíveis e emergentes. Ajuda os alunos a raciocinar sobre limites de capacidade.

Aula 3 • Modos de Falha e Limitações dos LLMs

Analisa alucinação, bajulação, limites da janela de contexto e cortes de conhecimento. Compreender as falhas é essencial antes de aplicar LLMs em produção.

Aula 4 • Arquitetura Transformer Explicada

Detalha a autoatenção, a atenção multicabeça, a codificação posicional e as camadas feed-forward. Esta arquitetura sustenta todos os principais LLMs abordados posteriormente.

Aula 1 • Estratégias Avançadas de Prompt

Explora os frameworks tree-of-thought, ReAct e meta-prompting para resolução de problemas de múltiplas etapas. Estende o prompting básico para fluxos de trabalho agentivos e iterativos.

Aula 2 • Técnicas de Prompt para Imagem e Multimodais

Aborda a anatomia do prompt texto-para-imagem, prompts negativos, tokens de estilo e entradas de modelos visão-linguagem. Estende as habilidades de prompting além de modelos exclusivamente de texto.

Aula 3 • Avaliação e Teste de Prompts

Apresenta testes sistemáticos de prompts, suites de regressão e métricas de avaliação automatizadas. Garante que a qualidade do prompt seja mensurável e reproduzível.

Aula 4 • Prompting com Poucos Exemplos e Cadeia de Pensamento

Aborda o aprendizado em contexto com exemplos e a eliciação de raciocínio passo a passo. Essas técnicas melhoram significativamente a precisão em tarefas de raciocínio complexo.

Aula 1 • Ajuste Fino por Instrução e Alinhamento

Aborda o ajuste fino supervisionado por instrução, RLHF e DPO para alinhar as saídas do modelo com as preferências humanas. Diretamente relevante para a construção de assistentes de IA seguros e úteis.

Aula 2 • Estratégias de Adaptação de Domínio

Explica o pré-treinamento contínuo, a extensão de vocabulário específico do domínio e as proporções de mistura de dados. Prepara os alunos para adaptar modelos gerais a campos especializados.

Aula 3 • Ajuste Fino para Geração de Imagens

Aborda DreamBooth, inversão textual e LoRA para modelos de difusão a fim de personalizar a geração de imagens. Estende as habilidades de ajuste fino a modelos generativos visuais.

Aula 4 • Fundamentos do Ajuste Fino Completo

Aborda a preparação do conjunto de dados, o agendamento da taxa de aprendizado e a mitigação do esquecimento catastrófico para atualizações completas do modelo. Estabelece a linha de base antes dos métodos de parâmetros eficientes.

Aula 1 • Construindo Pipelines de RAG

Explica o chunking de documentos, estratégias de recuperação, injeção de contexto e geração de respostas. Conecta os componentes de recuperação em um sistema de geração fundamentado de ponta a ponta.

Aula 2 • Sistemas Multiagentes e Orquestração

Aborda papéis dos agentes, protocolos de comunicação e frameworks de orquestração para coordenar múltiplos agentes. Permite que os alunos construam fluxos de trabalho automatizados complexos.

Aula 3 • Bancos de Dados Vetoriais e Embeddings

Aborda embeddings vetoriais densos, algoritmos de busca por similaridade e indexação de bancos de dados vetoriais. Esses componentes formam a espinha dorsal da recuperação em sistemas RAG.

Aula 4 • Fundamentos de Agentes de IA

Apresenta o loop do agente, uso de ferramentas, tipos de memória e estratégias de planejamento. Estabelece o modelo conceitual para sistemas de IA autônomos.

Aula 1 • Design de Avaliação Humana

Explica o design de tarefas de anotação, concordância entre anotadores e melhores práticas de crowdsourcing. A avaliação humana continua sendo o padrão ouro para avaliação de qualidade sutil.

Aula 2 • Avaliação de Imagem e Multimodal

Aborda FID, CLIP score e estudos de preferência humana para avaliar saídas de imagem e multimodais. Estende as habilidades de avaliação além de sistemas exclusivamente de texto.

Aula 3 • Avaliação de Segurança e Viés

Apresenta red-teaming, benchmarks de toxicidade e auditorias de imparcialidade para modelos generativos. Garante que a avaliação cubra danos, não apenas qualidade.

Aula 4 • Métricas Automáticas para Geração de Texto

Aborda BLEU, ROUGE, BERTScore e perplexidade e explica quando cada métrica é apropriada. Fornece um kit de ferramentas para medição automatizada de qualidade.

Aula 1 • Otimização de Modelo para Inferência

Aborda quantização, poda, destilação e decodificação especulativa para reduzir latência e custo. A otimização é essencial antes de qualquer implantação em produção.

Aula 2 • MLOps para IA Generativa

Aborda versionamento, pipelines de CI/CD, rastreamento de experimentos e registros de modelo adaptados para cargas de trabalho generativas. Operacionaliza o ciclo de vida completo do modelo.

Aula 3 • Salvaguardas e Filtragem de Saída

Aborda validação de entrada, classificadores de saída, camadas de moderação de conteúdo e estratégias de fallback. As salvaguardas previnem saídas prejudiciais ou fora da política em sistemas ao vivo.

Aula 4 • Monitoramento e Observabilidade

Apresenta rastreamento de latência, detecção de deriva de saída, monitoramento de custo e pipelines de alerta. A observabilidade contínua garante que os sistemas de produção permaneçam confiáveis.