Edição em português
Embeddings, RAG e Pesquisa Semântica
Este curso abrange embeddings da OpenAI, bases de dados vetoriais, pesquisa semântica, um pipeline RAG completo e aplicações de produção.
22 aulas ca. 2 h 15 min Programador
O que vai aprender
- Gerar embeddings e medir a proximidade semântica entre textos utilizando similaridade do cosseno
- Indexar um corpus numa base de dados vetorial e configurar pesquisa híbrida semântica e lexical
- Construir um pipeline RAG completo: fragmentação, recuperação, reclassificação e depois geração
- Avaliar a relevância de um pipeline RAG e escolher entre a Pesquisa de Ficheiros e uma arquitetura personalizada
- Utilizar embeddings para classificar, agrupar, recomendar e detetar anomalias e duplicados
Ficha do curso
- Destinatários
- Programadores, engenheiros e integradores que desejam utilizar o ChatGPT via API nas suas aplicações.
- Pré-requisitos
- Capacidade de ler Python e JSON, noções básicas de linha de comandos. Uma chave API da plataforma OpenAI para testar os exemplos.
- Duração
- 2 h 15 min — 22 aulas
- Modalidades
- Curso 100% online e auto ritmo, acessível 24/7 através de um navegador. O progresso é guardado e pode retomar a qualquer momento. Duração estimada: 2 h 15 min.
- Avaliação
- Autoavaliação baseada nos pontos-chave que concluem cada lição e prática direta dos exemplos com os seus próprios dados. Um questionário final de 5 perguntas com respostas, no fim da última lição, valida o que aprendeu.
- Acessibilidade
- Curso auto ritmo acessível a pessoas com deficiência: conteúdo de texto compatível com leitores de ecrã, navegação por teclado e contraste de cores em conformidade. Para quaisquer necessidades de adaptação, envie um e-mail para [email protected].
- Preço
- Gratis
Conteúdo do curso
- 01 O Que É um Embedding: A Intuição
- 02 A API de Embeddings: Modelos e Dimensões
- 03 Gerar embeddings para os seus dados
- 04 Distância e Similaridade de Cosseno
- 05 Visualizar embeddings
- 06 Pesquisa semântica vs. pesquisa por palavras-chave
- 07 Indexar um corpus documental
- 08 Bases de dados vetoriais (Pinecone, Qdrant, Weaviate)
- 09 Pesquisa híbrida (semântica + lexical)
- 10 Avaliar a qualidade da pesquisa
- 11 Arquitetura RAG Completa
- 12 Chunking: Dividir os Seus Documentos de Forma Inteligente
- 13 Reranking: Melhorar a Relevância
- 14 RAG Avançado: Multi-Query, HyDE, Step-Back
- 15 Avaliar um Pipeline RAG
- 16 Pesquisa de Ficheiros vs. RAG Personalizado: Quando Utilizar Cada Um
- 17 Classificação de texto com embeddings
- 18 Clustering: Agrupamento Automático
- 19 Recomendações Personalizadas
- 20 Deteção de Anomalias e Duplicados
- 21 Afinamento de embeddings
- 22 Produção: Escalabilidade e Cache