Descrição Detalhada do Curso de Geração Aumentada por Recuperação (RAG)

Visão Geral do Curso

Este é um curso abrangente sobre sistemas de Geração Aumentada por Recuperação (RAG), oferecido pela DeepLearning.AI, projetado para ajudar os alunos a dominar o desenvolvimento de aplicações RAG de nível de produção, desde o design da arquitetura até a avaliação da implantação.

Plataforma do Curso: DeepLearning.AI / Coursera
Instrutor: Zain Hasan (Engenheiro Sênior de IA/ML na Together AI, Instrutor na Universidade de Toronto)
Duração do Curso: 5 horas de vídeo + 20+ horas de prática de programação
Nível do Curso: Intermediário
Formato de Estudo: Estudo em ritmo próprio

Apresentação do Instrutor

Zain Hasan é um engenheiro de IA e educador com quase uma década de experiência, tendo atuado em:

• Together AI: Engenheiro de Relações de Desenvolvimento de IA/ML
• Weaviate: Trabalhou com bancos de dados vetoriais e recuperação de informações
• Universidade de Toronto: Instrutor, ensinando sistemas de Machine Learning
• Possui vasta experiência na academia, startups e indústria de tecnologia
• Apaixonado por software de código aberto, educação e construção de comunidades

Seu estilo de ensino assemelha-se mais a aprender com um membro experiente da equipe do que a uma aula tradicional.

Conteúdo Central do Curso

Três Principais Focos de Aprendizagem

1. Aplicações RAG do Mundo Real

   • Aprender como a recuperação e a geração funcionam em conjunto
   • Projetar cada componente para construir sistemas RAG confiáveis e flexíveis

2. Técnicas de Busca e Bancos de Dados Vetoriais

   • Busca por Palavras-chave (Keyword Search)
   • Busca Semântica (Semantic Search)
   • Busca Híbrida (Hybrid Search)
   • Técnicas de Fragmentação (Chunking)
   • Análise de Consulta (Query Parsing)
   • Suporte a aplicações em diversas áreas, como saúde e e-commerce

3. Design de Prompts, Avaliação e Implantação

   • Engenharia de Prompts que aproveita ao máximo o contexto recuperado
   • Avaliar o desempenho de sistemas RAG
   • Preparar pipelines para ambientes de produção

Estrutura do Curso (5 Módulos)

Módulo 1: Introdução ao RAG

Tópicos:

• Cenários de aplicação do RAG
• Visão geral da arquitetura RAG
• Introdução aos fundamentos de LLM
• Introdução ao Python
• Métodos de chamada de LLM
• Fundamentos de recuperação de informações

Projetos Práticos:

• Escrever funções de recuperação e aprimoramento de prompts
• Construir o primeiro sistema RAG
• Passar entradas estruturadas para LLMs

Módulo 2: Fundamentos de Recuperação de Informações e Busca

Tópicos:

• Visão geral da arquitetura do recuperador
• Filtragem de Metadados (Metadata Filtering)
• Busca por Palavras-chave (TF-IDF e BM25)
• Busca Semântica (Semantic Search)
• Embeddings Vetoriais em RAG
• Busca Híbrida (Hybrid Search)
• Avaliação e Métricas de Recuperação

Projetos Práticos:

• Implementar e comparar busca semântica, BM25 e Reciprocal Rank Fusion
• Observar o impacto de diferentes métodos de recuperação nas respostas do LLM

Módulo 3: Recuperação de Informações com Bancos de Dados Vetoriais

Tópicos:

• Algoritmos ANN (Approximate Nearest Neighbor)
• Bancos de Dados Vetoriais
• Introdução à API Weaviate
• Técnicas de Fragmentação (Chunking)
• Análise de Consulta (Query Parsing)
• Cross-encoders e ColBERT
• Reordenação (Reranking)

Projetos Práticos:

• Estender sistemas RAG usando Weaviate e um conjunto de dados de notícias reais
• Realizar fragmentação de documentos (chunking), indexação e recuperação

Módulo 4: Grandes Modelos de Linguagem em RAG

Tópicos:

• Arquitetura Transformer
• Estratégias de Amostragem de LLM
• Explorar as capacidades dos LLMs
• Escolher o LLM adequado
• Engenharia de Prompts (Prompt Engineering)
• Lidar com o problema da alucinação
• Avaliar o desempenho do LLM
• RAG Agente (Agentic RAG)
• RAG vs. Fine-tuning

Projetos Práticos:

• Desenvolver um chatbot específico para um domínio para uma loja de roupas virtual
• Responder a perguntas frequentes e fornecer sugestões de produtos com base em um conjunto de dados personalizado
• Usar LLMs de código aberto hospedados pela Together AI

Módulo 5: Produção, Avaliação e Implantação

Tópicos:

• Desafios do ambiente de produção
• Implementar estratégias de avaliação de RAG
• Registro (Logging), Monitoramento e Observabilidade
• Rastreamento de Sistemas RAG
• Avaliação Personalizada
• Técnicas de Quantização (Quantization)
• Compromisso Custo vs. Qualidade da Resposta
• Compromisso Latência vs. Qualidade da Resposta
• Segurança
• RAG Multimodal

Projetos Práticos:

• Lidar com desafios do mundo real, como precificação dinâmica
• Registrar interações do usuário para monitoramento e depuração
• Melhorar a confiabilidade do chatbot

Pilha Tecnológica e Ferramentas

Ferramentas Principais

• Banco de Dados Vetorial: Weaviate
• Plataforma LLM: Together AI (LLMs de código aberto)
• Ferramenta de Monitoramento: Phoenix (Arize)
• Linguagem de Desenvolvimento: Python

Tecnologias Envolvidas

- Vector Embeddings
- Semantic Search
- BM25 Keyword Search
- Hybrid Search (TF-IDF + Semantic)
- Reciprocal Rank Fusion
- Cross-encoders
- ColBERT
- Chunking Strategies
- Query Parsing
- Reranking
- Prompt Engineering
- Quantization

Áreas de Aplicação Prática

O curso utiliza conjuntos de dados reais das seguintes áreas:

• 📰 Mídia: Conjuntos de dados de notícias
• 🏥 Saúde: Documentos médicos
• 🛍️ E-commerce: Dados de produtos, informações de preços
• 📊 Finanças: Documentos financeiros

Resultados da Aprendizagem

Ao concluir o curso, você será capaz de:

✅ Projetar e implementar todas as partes de um sistema RAG completo
✅ Escolher a arquitetura correta para o caso de uso
✅ Usar bancos de dados vetoriais como Weaviate
✅ Experimentar prompts e estratégias de recuperação
✅ Monitorar o desempenho usando ferramentas como Phoenix
✅ Compreender os principais compromissos:

• Quando usar recuperação híbrida
• Como gerenciar os limites da janela de contexto
• Como equilibrar latência e custo

✅ Avaliar e melhorar iterativamente os pipelines RAG
✅ Adaptar-se a novas abordagens e à evolução do ecossistema
✅ Passar da prova de conceito para a implantação real

Pré-requisitos

• Obrigatório: Habilidades intermediárias em Python
• Recomendado: Conhecimentos básicos de IA Generativa
• Recomendado: Nível de matemática do ensino médio

Diferenciais do Curso

🎯 Orientado à Prática

• 5 experimentos de programação progressivos
• Desde protótipos simples até componentes de nível de produção
• Conjuntos de dados do mundo real

📚 Aprendizagem Sistemática

• Abrange tecnologias de nível de componente e de sistema
• Compreender os princípios fundamentais e os compromissos práticos
• Adaptar-se ao ecossistema RAG em rápida evolução

🏆 Obtenção de Certificação

Ao concluir o curso, você receberá um certificado da DeepLearning.AI, comprovando suas habilidades na construção e avaliação de sistemas RAG usando ferramentas e tecnologias reais.

A Importância do RAG

Por que o RAG é necessário?

Embora os Grandes Modelos de Linguagem (LLMs) sejam poderosos, eles frequentemente cometem erros quando não possuem as informações corretas. O RAG resolve esse problema das seguintes maneiras:

1. Respostas Fundamentadas: Basear as respostas do modelo em dados relevantes, frequentemente privados ou atualizados
2. Acesso a Conhecimento Externo: Recuperar informações relevantes não incluídas no treinamento do LLM
3. Aumento da Precisão: Usar bases de conhecimento específicas do domínio, privadas ou atualizadas

Cenários de Aplicação do RAG

• 🔧 Ferramentas Internas: Consulta a bases de conhecimento corporativas
• 💬 Assistentes de Atendimento ao Cliente: Suporte baseado em documentação de produtos
• 🎯 Aplicações Profissionais: Sistemas especializados em áreas como medicina, direito, finanças
• 📱 Assistentes Personalizados: Serviços personalizados baseados em dados do usuário

Conselhos de Estudo

De acordo com as recomendações da DeepLearning.AI:

1. Criar um espaço de estudo dedicado: Estabelecer uma área de trabalho tranquila, organizada e livre de distrações
2. Desenvolver um plano de estudo consistente: Definir horários fixos de estudo para criar um hábito
3. Fazer pausas regulares: Usar a técnica Pomodoro (25 minutos de estudo + 5 minutos de descanso)
4. Participar da comunidade: Juntar-se a fóruns, grupos de discussão e eventos da comunidade
5. Aprender ativamente: Fazer anotações, resumir, ensinar a outros ou aplicar em projetos práticos

Acesso ao Curso

• Site Oficial: https://www.deeplearning.ai/courses/retrieval-augmented-generation-rag/
• Plataforma Coursera: https://www.coursera.org/learn/retrieval-augmented-generation-rag
• Plataforma de Aprendizagem: https://learn.deeplearning.ai/courses/retrieval-augmented-generation

Cursos Relacionados Recomendados

Se você tem interesse em RAG, também pode aprender:

• Building and Evaluating Advanced RAG Applications
• Knowledge Graphs for RAG
• LangChain: Chat with Your Data
• Building Multimodal Search and RAG
• Building Agentic RAG with LlamaIndex

Resumo

Este é um curso RAG abrangente e aprofundado, ideal para quem deseja:

• Engenheiros que desejam passar de POC (Prova de Conceito) para ambientes de produção
• Desenvolvedores que constroem aplicações LLM confiáveis e escaláveis
• Profissionais de IA que compreendem os compromissos de design de sistemas RAG
• Alunos que dominam as mais recentes tecnologias e ferramentas RAG

O curso não apenas ensina a implementação técnica, mas também foca no desenvolvimento do pensamento sistêmico e da capacidade de tomada de decisões de engenharia, ajudando os alunos a manterem-se competitivos no ecossistema RAG em constante evolução.