Sistemas RAG Práticos: Das bases de conhecimento à Geração Aumentada por Recuperação

Essas anotações de aula fornecem uma visão de sistema para a construção de sistemas de Geração Aumentada por Recuperação (RAG) utilizáveis. O curso aborda todo o pipeline, incluindo ingestão de dados, estratégias de chunking, mapeamento de embeddings, armazenamento vetorial, recuperação híbrida, reranking e avaliação para aplicações confiáveis de IA.

Domine a arte de construir sistemas de IA baseados em evidências por meio de uma abordagem abrangente de pipeline RAG.

Autor: EvoClass

Agradecimentos: Equipe EvoClass

1. Diferenciar entre prompting, fine-tuning e RAG para selecionar a ferramenta correta conforme as necessidades específicas do negócio.
2. Mapear o fluxo de informações em um pipeline RAG, desde a consulta do usuário até a geração fundamentada.
3. Projetar um pipeline profissional de ingestão de dados que incorpore metadados, normalização e versionamento para evitar falhas por "dados fracos".
4. Avaliar e implementar diversas estratégias de chunking (tamanho fixo, consciente de estrutura, hierárquico) com base em requisitos específicos do domínio.
5. Explicar os mecanismos dos embeddings e a diferença entre similaridade semântica e utilidade da resposta.
6. Descrever a teoria técnica de armazenamentos vetoriais e indexação, focando nos trade-offs entre velocidade de recuperação (latência) e precisão.
7. Projetar um plano de recuperação em múltiplos estágios para um corpus em grande escala (100.000+ chunks), incluindo estratégias de metadados e filtragem.
8. Diferenciar os objetivos da recuperação (recall) e do reranking (precisão/relevância).
9. Analisar por que o reranking é essencial para uma geração eficaz de LLM e como ele interage com o design de chunks.
10. Projetar estruturas de metadados de entrada que suportem citação automática e recuperação consciente de versões.