Curso Detalhes

(não existem exames)

O que é a inteligência artificial?

Definições de inteligência artificial

Fundamentos de machine learning

Domínios da inteligência artificial

Engenharia de IA vs. engenharia de ML

História, estado atual e futuro

Panorâmica das frameworks e SDK de IA da Microsoft

Introdução ao Microsoft Foundry

O que é o Microsoft Foundry?

Desenvolvimento colaborativo de IA

Publicar aplicações de IA com projetos

Gerir recursos e projetos

LAB: criar um projeto no Microsoft Foundry

Serviços de IA pré-construídos com as ferramentas Foundry

Panorâmica dos Azure AI Services

Azure Content Understanding

Azure AI Speech

LAB: criar um processador de sinistros assente em IA

Pesquisar por significado com vector search

Captar significado semântico com embeddings

Vector search

Considerações de desenho em vector search

LAB: usar vector embeddings e pesquisa semântica

Semantic search simplificada com o Azure AI Search

O que é o Azure AI Search?

Indexar os seus dados: Blob Storage, Azure SQL, OneLake e outros

Construir e gerir índices de pesquisa

Pesquisa por palavra-chave, vetorial e híbrida

Melhorar a relevância com semantic reranking

Extrair conclusões com AI enrichment e skillsets

LAB: construir um índice de conhecimento pesquisável com o Azure AI Search

Fundamentos dos large language models

Introdução à OpenAI e aos large language models

O modelo Transformer

Compreender os tokens

A API de chat completions do Azure OpenAI

Gestão de papéis: system, user e assistant

Estender as capacidades do LLM com function calling

LAB: construir um copiloto para os caminhos de ferro belgas

Desenvolvimento moderno de IA em .NET com Microsoft Extensions AI

Uma introdução ao Microsoft Extensions AI

Integração unificada com interfaces de IA

Invocar código com tool calling

Dependency injection para serviços de IA

LAB: criar um copiloto de tradução de linguagem natural para SQL

Processar diferentes modalidades com LLM

Introdução aos large language models multimodais

Visão com modelos GPT: conversar com as suas imagens

Técnicas de prompting visual

Processar áudio: speech-to-text e text-to-speech

LAB: construir uma aplicação de análise visual com comando por voz

Prompt engineering e design patterns

O que é o prompt engineering?

Few-shot prompting

Geração estruturada de queries

Padrões de orquestração de LLM: prompt chaining, routing e parallelization

Padrões de orquestração multiagente: group chat, handoff e magentic

Poupar custos com semantic caching

Construir sistemas de IA agênticos com a Microsoft Agent Framework

Compreender o ciclo de raciocínio de um agente

Princípios do desenho de agentes: modelos, ferramentas e instruções

Construir agentes com a Microsoft Agent Framework

Gerir as interações do agente com sessões

Personalizar agentes de IA com middleware

Tornar os seus agentes observáveis

LAB: construir um agente de SQL

Context engineering e Retrieval Augmented Generation

O que é o context engineering?

O padrão Retrieval Augmented Generation (RAG)

Ancorar os agentes em dados recuperados

System prompts contextuais: injetar informação do utilizador e memórias

Gerir a janela de contexto

Compactação e sumarização do contexto

Proteger a KV-cache para evitar custos de tokens descontrolados

Reduzir alucinações com grounding

Alargar agentes com skills

O que são as agent skills?

Skills vs. ferramentas vs. instruções

Anatomia de uma skill

Progressive disclosure: carregar contexto a pedido

Registar skills com o AgentSkillsProvider

As skills como context engineering escalável

LAB: construir uma skill reutilizável para um agente

Desenhar agentes eficazes

Quando usar um agente (e quando não usar)

Construir ferramentas escaláveis para o seu agente

Escrever as system instructions do seu agente

Manter o agente no caminho certo com notas estruturadas

Deixar o agente delegar trabalho em subagentes

LAB: construir um agente fiável para concluir tarefas

Manter a IA segura com content safety e guardrails

Princípios de IA responsável

Evitar respostas inadequadas do LLM

Tirar partido do serviço Azure AI Content Safety

Detetar conteúdo nocivo, jailbreaks e prompt injection

Implementar guardrails para agentes seguros e fiáveis

Supervisão humana e controlos de segurança

LAB: proteger uma aplicação de IA com o Azure AI Content Safety

Avaliar modelos e agentes com o Microsoft Foundry

Garantir respostas coerentes e relevantes do LLM

Usar informação correta nas respostas de IA

Usar os evaluators nativos do Microsoft Foundry

Implementar avaliações por código com o Microsoft.Extensions.AI.Evaluation

Medir e melhorar o desempenho da IA

LAB: avaliar o desempenho de uma aplicação RAG

Conhecimento unificado para agentes com o Foundry IQ

O que é o Foundry IQ?

Knowledge bases e knowledge sources

Recuperação multifonte: Blob Storage, SharePoint, OneLake e a Web

Agentic retrieval: planeamento de queries, decomposição e reranking

Recuperação com respeito por permissões, com ACL e identidade do Microsoft Entra

Ligar knowledge bases a agentes

Foundry IQ, Fabric IQ e Work IQ

LAB: construir uma solução de agentic retrieval com o Foundry IQ

Alojar large language models internamente

Panorâmica dos modelos de linguagem open-source

Publicar modelos de IA em dispositivos móveis e edge com o ONNX Runtime

Alojar e publicar modelos de linguagem on-premises e na cloud com o Ollama

Publicar modelos e agentes com o Microsoft Foundry

Panorâmica do catálogo de modelos

Benchmarks de modelos

Deployments standard vs. provisioned throughput vs. managed compute

Opções de processamento de dados: global, data zone e regional

Equilibrar custo, latência e residência dos dados

Colocar agentes em produção com os Foundry Hosted Agents

Monitorizar modelos e agentes publicados

LAB: publicar um modelo e um hosted agent no Microsoft Foundry

Model Context Protocol (MCP): normalizar as integrações com LLM

O que é o Model Context Protocol (MCP)?

Compreender os componentes do MCP: hosts, clients e servers

Definir prompts, tools e resources de MCP

Construir servidores MCP com C#

LAB: construir servidores e clientes MCP com C#

Afinar modelos de IA com o Microsoft Foundry

Introdução ao fine-tuning de LLM

Como decidir entre fine-tuning e RAG?

Usar dados específicos da tarefa para melhorar o desempenho

Supervised fine-tuning (SFT) para especialização de domínio

Alinhar com preferências através de Direct Preference Optimization (DPO)

Otimizar comportamentos complexos com reinforcement fine-tuning (RFT)

Destilar modelos grandes em modelos mais pequenos e mais baratos

Reduzir alucinações com fine-tuning