Guia de conceitos

Guias de conceitos para certificações

Conceitos de prova explicados com visuais em 3D e exemplos, com foco no que realmente separa a resposta certa das erradas.

• Técnicas de engenharia de promptComo zero-shot, few-shot, cadeia de pensamento, prompts negativos e templates mudam a saída do modelo, e os ataques que miram os prompts.
• Geração aumentada por recuperação (RAG)Como fazer o modelo responder com documentos que ele nunca viu: divisão em blocos, embeddings, busca vetorial, fundamentação, manutenção da base de conhecimento, avaliação e quando escolher RAG em vez de ajuste fino.
• Como funcionam os modelos de linguagem grandes (LLMs)Como um LLM produz texto, passo a passo: previsão do próximo token, tokens, embeddings, transformers e atenção, treinamento, temperatura e top-p, e a janela de contexto.
• Ajuste fino (fine-tuning)Continuar treinando um modelo pré-treinado com os seus próprios dados: como preparar os dados, épocas, taxa de aprendizado e sobreajuste, PEFT e LoRA, pré-treinamento contínuo, ajuste por instruções, ajuste por preferência, destilação, esquecimento catastrófico e quando escolher o ajuste fino.
• Métricas de avaliação de modelos de IAComo saber se um modelo é bom o suficiente: a armadilha da acurácia, a matriz de confusão, precisão, revocação (recall) e F1, curva ROC e AUC, MAE e RMSE, BLEU, ROUGE e similaridade semântica, LLM como juiz com fidelidade e relevância, e testes A/B com métricas de negócio.
• Fundamentos de aprendizado de máquinaComo IA, aprendizado de máquina e aprendizado profundo se relacionam, atributos e rótulos, conjuntos de treino, validação e teste, aprendizado supervisionado, não supervisionado e por reforço, árvores de decisão e algoritmos comuns, sobreajuste e subajuste, gradiente descendente e hiperparâmetros, e preparação de dados.
• Agentes de IAAgentes de IA que vão além do chatbot que só responde: planejam e usam ferramentas para concluir o trabalho. Chamada de função, ReAct e planejamento, memória de curto e longo prazo, sistemas multiagente e orquestração, MCP e A2A, e proteções como privilégio mínimo e aprovação humana.
• Alucinações e guardrailsPor que a IA generativa alucina e como reduzir isso, e como os guardrails (barreiras de proteção) barram pedidos e respostas nocivos: checagens de entrada e saída, filtros de conteúdo e sua intensidade, mascaramento de dados pessoais e red teaming.
• IA responsávelOs princípios da IA responsável e como colocá-los em prática: o viés que vem dos dados, as métricas de equidade e a regra dos quatro quintos, a explicabilidade com SHAP e LIME, os model cards, a governança de IA e a regulação baseada em risco.
• MLOps (operações de aprendizado de máquina)MLOps: o ciclo de vida de ML, pipelines e reprodutibilidade, registro de modelos, inferência em lote e em tempo real com implantações canário, sombra e azul/verde, monitoramento de desvio, estratégias de retreinamento, diferença entre treinamento e produção com feature store, e a operação de serviços de LLM.