Ir para o conteúdo principal
Português— Escolher um idioma
Menu

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

  1. 01 O Que É um Embedding: A Intuição
  2. 02 A API de Embeddings: Modelos e Dimensões
  3. 03 Gerar embeddings para os seus dados
  4. 04 Distância e Similaridade de Cosseno
  5. 05 Visualizar embeddings
  6. 06 Pesquisa semântica vs. pesquisa por palavras-chave
  7. 07 Indexar um corpus documental
  8. 08 Bases de dados vetoriais (Pinecone, Qdrant, Weaviate)
  9. 09 Pesquisa híbrida (semântica + lexical)
  10. 10 Avaliar a qualidade da pesquisa
  11. 11 Arquitetura RAG Completa
  12. 12 Chunking: Dividir os Seus Documentos de Forma Inteligente
  13. 13 Reranking: Melhorar a Relevância
  14. 14 RAG Avançado: Multi-Query, HyDE, Step-Back
  15. 15 Avaliar um Pipeline RAG
  16. 16 Pesquisa de Ficheiros vs. RAG Personalizado: Quando Utilizar Cada Um
  17. 17 Classificação de texto com embeddings
  18. 18 Clustering: Agrupamento Automático
  19. 19 Recomendações Personalizadas
  20. 20 Deteção de Anomalias e Duplicados
  21. 21 Afinamento de embeddings
  22. 22 Produção: Escalabilidade e Cache