Construindo agentes de IA com LLMs, RAGs e gráficos de conhecimento

À medida que a inteligência artificial evolui, os modelos de linguagem estáticos não são mais suficientes para resolver problemas complexos do mundo real. Para construir sistemas verdadeiramente inteligentes, você precisa combinar o poder de raciocínio dos Modelos de Linguagem Grande (LLMs) com fontes de dados externas dinâmicas. Este curso orienta você desde conceitos fundamentais de IA até o design de sistemas agentes que podem recuperar informações, raciocinar sobre o conhecimento estruturado e tomar ações autônomas. Você aprenderá a integrar a Geração Aumentada de Recuperação (RAG) e os Gráficos de Conhecimento para eliminar alucinações de modelo e fornecer respostas precisas e ricas em contexto. O que você vai aprender: - Entenda a terminologia central de LLMs, pesquisa de vetores e fluxos de trabalho agentic - Implementar a geração aumentada de recuperação (RAG) para conectar modelos a bancos de dados de texto externos - Projete gráficos de conhecimento para representar relacionamentos complexos e estruturados para um raciocínio de IA mais profundo - Configure agentes de IA que usam chamadas de ferramentas e execução de funções para resolver tarefas de várias etapas - Aplique padrões de engenharia rápidos para orientar o comportamento e a tomada de decisões do agente - Pratique a construção de arquiteturas híbridas que combinam os pontos fortes dos bancos de dados vetoriais e dos banco de dados gráficos Você começará com o básico, aprendendo as definições básicas de IA generativa e estruturas de gráficos, antes de progredir para exemplos baseados em código escrito de orquestração de agentes e pipelines de recuperação. Este curso foi projetado para desenvolvedores de software, entusiastas de dados e profissionais de tecnologia que são novos para agentes de IA e querem uma introdução clara e passo a passo sem precisar de pré-requisitos avançados de aprendizado de máquina. Comece a ler hoje para começar a criar seus próprios agentes de IA inteligentes e orientados a dados.