Hub · IA
Seis trilhas que cobrem a IA moderna por dentro: fundamentos matemáticos, arquiteturas além do LLM (KV cache, MoE, tool calling), as ferramentas de código que reorganizaram o mercado dev, engenharia AI-Native real (RAG, agents, MCP, LLMOps), Fine-tuning & customização de LLMs (SFT, LoRA/QLoRA, DPO) e LLM Evals Profissional (golden sets, LLM-as-judge, regression de agents).
TRILHAS DESTE HUB
Do zero ao LLM — entenda como a IA realmente funciona
KV Cache, MoE, Tool Calling, avaliação — como modelos funcionam em produção
Claude Code, Codex, Cursor, Kiro — as diferenças reais entre os coding agents
RAG real, agent patterns, MCP, LLMOps, evaluation — o que separa um protótipo de IA de um sistema AI-native em produção.
Fine-tuning profissional: quando FT vs RAG vs prompt, SFT (Supervised Fine-Tuning), LoRA/QLoRA/PEFT, DPO/RLHF simplificado, curadoria de datasets + dedup + contaminação, avaliação rigorosa com golden set, deploy de modelo custom (vLLM, TGI, Bedrock), capstone de modelo especialista.
Evals como disciplina: por que "testar LLM" é diferente de software comum, curadoria de golden sets, armadilhas de LLM-as-judge, frameworks modernos (Braintrust, Langfuse, Inspect, Promptfoo), A/B testing de prompt em produção, regression testing em agents, capstone de eval harness completo.
IA multimodal profissional: speech-to-text (Whisper), text-to-speech (ElevenLabs, OpenAI), Realtime APIs (GPT-4o voice, Anthropic), vision (Claude vision, GPT-4V), OCR moderno (Azure Doc Intelligence), video generation (Sora, Runway), capstone assistente de voz end-to-end.
Segurança de IA como disciplina: jailbreaks e prompt injection, data exfiltration via tools, constitutional AI (Anthropic), guardrails (NeMo, Llama Guard, Claude Guardrails), red team playbook, capstone red team de agent próprio.
ML tradicional que ainda paga contas: regressão e classificação, feature engineering sério, árvores (RF/XGBoost/LightGBM), cross-validation, métricas que não mentem, time series (ARIMA/Prophet), recommender systems. Sem LLM, com estatística honesta.
MLOps real: training pipelines (Airflow/Kubeflow), feature stores (Feast), experiment tracking + model registry (MLflow), data versioning (DVC), serving (Triton/TorchServe/BentoML), monitoring drift, CI/CD para modelos. Infraestrutura sólida, não hype.
Computer vision sem depender de LLM: OpenCV para image processing, CNNs (ResNet/EfficientNet), object detection (YOLO), segmentation (U-Net/SAM), OCR prático, tracking. Pipeline de inference em produção com ONNX/TensorRT.
A camada AI moderna além do prompt engineering: RLHF/RLAIF, DPO/IPO/KTO, GRPO (DeepSeek-R1), reasoning models, agent swarms (CrewAI, AutoGen, LangGraph), observabilidade e evaluation de agentes em produção
Stable Diffusion 3.5, Flux e Sora-like models por dentro: score matching, U-Net + VAE, ControlNet, LoRA de imagem, ComfyUI engineering, video generation, APIs de geração
LLMs rodando localmente em 2026: quantização (GGUF/AWQ/GPTQ), llama.cpp, ollama, vLLM, MLX (Apple Silicon), speculative decoding, on-device inference, RAG privado