Hub · Fundamentos de IA
A camada de conhecimento por baixo de toda solução de IA na AWS: como um LLM funciona por dentro, RAG e chunking, padrões agênticos, evals, fine-tuning contra RAG contra prompt, safety e red teaming, multimodal, diffusion, quantização e LLMs locais, e ML clássico. Sem isso, escolher entre Knowledge Bases e retrieval próprio, ou entre fine-tune e prompt, vira sorteio.
TRILHAS DESTE HUB
O ponto de partida. Aqui você vai entender o que a IA realmente é — sem buzzwords, sem exagero: dados, treino, redes neurais, tokens e transformers. Cada artigo constrói sobre o anterior, do conceito até a arquitetura que move o mundo hoje.
RAG real, agent patterns, MCP, LLMOps, evaluation — o que separa um protótipo de IA de um sistema AI-native em produção.
Fine-tuning profissional: quando FT vs RAG vs prompt, SFT (Supervised Fine-Tuning), LoRA/QLoRA/PEFT, DPO/RLHF simplificado, curadoria de datasets + dedup + contaminação, avaliação rigorosa com golden set, deploy de modelo custom (vLLM, TGI, Bedrock), capstone de modelo especialista.
Evals como disciplina: por que "testar LLM" é diferente de software comum, curadoria de golden sets, armadilhas de LLM-as-judge, frameworks modernos (Braintrust, Langfuse, Inspect, Promptfoo), A/B testing de prompt em produção, regression testing em agents, capstone de eval harness completo.
Segurança de IA como disciplina: jailbreaks e prompt injection, data exfiltration via tools, constitutional AI (Anthropic), guardrails (NeMo, Llama Guard, Claude Guardrails), red team playbook, capstone red team de agent próprio.
A camada AI moderna além do prompt engineering: RLHF/RLAIF, DPO/IPO/KTO, GRPO (DeepSeek-R1), reasoning models, agent swarms (CrewAI, AutoGen, LangGraph), observabilidade e evaluation de agentes em produção
KV Cache, MoE, Tool Calling, avaliação — como modelos funcionam em produção
Claude Code, Codex, Cursor, Kiro — as diferenças reais entre os coding agents
IA multimodal profissional: speech-to-text (Whisper), text-to-speech (ElevenLabs, OpenAI), Realtime APIs (GPT-4o voice, Anthropic), vision (Claude vision, GPT-4V), OCR moderno (Azure Doc Intelligence), video generation (Sora, Runway), capstone assistente de voz end-to-end.
Stable Diffusion 3.5, Flux e Sora-like models por dentro: score matching, U-Net + VAE, ControlNet, LoRA de imagem, ComfyUI engineering, video generation, APIs de geração
LLMs rodando localmente em 2026: quantização (GGUF/AWQ/GPTQ), llama.cpp, ollama, vLLM, MLX (Apple Silicon), speculative decoding, on-device inference, RAG privado
ML tradicional que ainda paga contas: regressão e classificação, feature engineering sério, árvores (RF/XGBoost/LightGBM), cross-validation, métricas que não mentem, time series (ARIMA/Prophet), recommender systems. Sem LLM, com estatística honesta.
Computer vision sem depender de LLM: OpenCV para image processing, CNNs (ResNet/EfficientNet), object detection (YOLO), segmentation (U-Net/SAM), OCR prático, tracking. Pipeline de inference em produção com ONNX/TensorRT.
EXPLORAR OUTROS HUBS