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

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

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

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 Azure AI Evaluation SDK

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 Python

LAB: construir servidores e clientes MCP com Python

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