Cursos de Fine-Tuning em Maia

Esta formação ao vivo e orientada por instrutor em Maia (online ou presencial) é direcionada a engenheiros avançados de IA de defesa e desenvolvedores de tecnologia militar que desejam ajustar modelos de aprendizado profundo para uso em veículos autônomos, drones e sistemas de vigilância, atendendo a rigorosos padrões de segurança e confiabilidade.

Ao final desta formação, os participantes serão capazes de:

• Ajustar modelos de visão computacional e fusão de sensores para tarefas de vigilância e alvo.
• Adaptar sistemas autônomos de IA a ambientes em mudança e perfis de missão.
• Implementar mecanismos robustos de validação e segurança nos pipelines de modelos.
• Garantir o alinhamento com padrões específicos de defesa, segurança e conformidade.

Este treinamento conduzido por instrutor (online ou presencial) destina-se a engenheiros jurídicos de tecnologia e desenvolvedores AI de nível intermediário que desejam ajustar modelos linguísticos para tarefas como análise de contratos, extração de cláusulas e pesquisa legal automatizada em ambientes de serviços legais.

Ao final deste treinamento, os participantes serão capazes de:

• Preparar e limpar documentos legais para ajuste fino de modelos NLP.
• Aplicar estratégias de ajuste fino para melhorar a precisão do modelo em tarefas legais.
• Implementar modelos para auxiliar na revisão, classificação e pesquisa de contratos.
• Garantir a conformidade, auditoria e rastreabilidade das saídas AI em contextos legais.

Este treinamento conduzido por instrutor (online ou presencial) está direcionado a desenvolvedores de IA médica e cientistas de dados de nível intermediário a avançado que desejam ajustar modelos para diagnóstico clínico, previsão de doenças e projeção de resultados do paciente usando dados médicos estruturados e não estruturados.

Ao final deste treinamento, os participantes serão capazes de:

• Ajustar modelos de IA em conjuntos de dados de saúde, incluindo EMRs (registros médicos eletrônicos), imagens e dados de séries temporais.
• Aplicar transferência de aprendizado, adaptação de domínio e compressão de modelos em contextos médicos.
• Abordar privacidade, vieses e conformidade regulatória no desenvolvimento de modelos.
• Implementar e monitorar modelos ajustados em ambientes de saúde do mundo real.

Este treinamento conduzido por instrutor (online ou presencial) é voltado para cientistas de dados avançados e engenheiros de IA do setor financeiro que desejam ajustar modelos para aplicações como pontuação de crédito, detecção de fraude e modelagem de risco usando dados financeiros específicos do domínio.

Ao final deste treinamento, os participantes serão capazes de:

• Ajustar modelos de IA em conjuntos de dados financeiros para melhorar a previsão de fraude e risco.
• Aplicar técnicas como aprendizagem transferida, LoRA e regularização para aumentar a eficiência do modelo.
• Integrar considerações de conformidade financeira ao fluxo de trabalho de modelagem de IA.
• Implementar modelos ajustados para uso em plataformas de serviços financeiros.

Este treinamento presencial, liderado por um instrutor em Maia (online ou no local), é destinado a engenheiros de manutenção de IA e profissionais MLOps de nível avançado que desejam implementar pipelines robustos de aprendizado contínuo e estratégias eficazes de atualização para modelos finetuned implantados.

Ao final deste treinamento, os participantes serão capazes de:

• Projetar e implementar fluxos de trabalho de aprendizado contínuo para modelos implantados.
• Mitigar o esquecimento catastrófico através da gestão adequada do treinamento e da memória.
• Automatizar a monitorização e os gatilhos de atualização com base no desvio do modelo ou nas alterações nos dados.
• Integrar estratégias de atualização de modelos em pipelines CI/CD e MLOps existentes.

Este treinamento dirigido por instrutor (online ou presencial) destina-se a desenvolvedores de AI embarcada e especialistas em computação na borda de nível intermediário que desejam ajustar e otimizar modelos de AI leves para implantação em dispositivos com recursos limitados.

Ao final deste treinamento, os participantes serão capazes de:

• Selecionar e adaptar modelos pré-treinados adequados para implantação na borda.
• Aplicar quantização, poda e outras técnicas de compressão para reduzir o tamanho do modelo e a latência.
• Ajustar modelos usando aprendizado por transferência para desempenho específico da tarefa.
• Implementar modelos otimizados em plataformas de hardware reais na borda.

Este treinamento ministrado por um instrutor (online ou presencial) é voltado para engenheiros avançados de visão computacional e desenvolvedores de IA que desejam ajustar modelos de linguagem visual (VLMs), como CLIP e Flamingo, para melhorar o desempenho em tarefas visuais-textuais específicas da indústria.

No final deste treinamento, os participantes serão capazes de:

• Compreender a arquitetura e os métodos de pré-treinamento dos modelos de linguagem visual.
• Ajustar VLMs para classificação, recuperação, geração de legendas ou perguntas-respostas multimodais.
• Preparar conjuntos de dados e aplicar estratégias PEFT para reduzir o uso de recursos.
• Avaliar e implantar VLMs personalizados em ambientes de produção.

Este treinamento ministrado por instrutor (online ou presencial) é voltado para engenheiros de ML e profissionais de conformidade em IA de nível intermediário que desejam identificar, avaliar e reduzir riscos à segurança e vieses em modelos de linguagem refinados.

No final deste treinamento, os participantes serão capazes de:

• Compreender o contexto ético e regulatório para sistemas de IA seguros.
• Identificar e avaliar formas comuns de viés em modelos refinados.
• Aplicar técnicas de mitigação de viés durante e após o treinamento.
• Projetar e auditar modelos para segurança, transparência e equidade.

Este treinamento presencial e liderado por um instrutor em Maia (online ou no local) é direcionado a engenheiros de NLP intermediários e equipes de gerenciamento de conhecimento que desejam ajustar pipelines RAG para melhorar o desempenho em casos de uso de perguntas e respostas, pesquisa empresarial e resumo.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender a arquitetura e fluxo de trabalho dos sistemas RAG.
• Ajustar as componentes retriever e generator para dados específicos do domínio.
• Avaliar o desempenho do RAG e aplicar melhorias através de técnicas PEFT.
• Implementar sistemas RAG otimizados para uso interno ou em produção.

Este treinamento ao vivo e ministrado por um instrutor em Maia (online ou presencial) é direcionado a profissionais de nível intermediário em ML e desenvolvedores de IA que desejam ajustar e implantar modelos open-weight como LLaMA, Mistral e Qwen para aplicações específicas de negócios ou internas.

No final deste treinamento, os participantes serão capazes de:

• Compreender o ecossistema e as diferenças entre modelos de IA open-source.
• Preparar conjuntos de dados e configurações de ajuste fino para modelos como LLaMA, Mistral e Qwen.
• Executar pipelines de ajuste fino usando Hugging Face Transformers e PEFT.
• Avaliar, salvar e implantar modelos ajustados em ambientes seguros.

Este treinamento ao vivo, ministrado por um instrutor em Maia (online ou presencial), é direcionado a cientistas de dados e engenheiros de IA de nível intermediário que desejam ajustar modelos de linguagem grandes de forma mais econômica e eficiente usando métodos como LoRA, Adapter Tuning e Prefix Tuning.

No final deste treinamento, os participantes serão capazes de:

• Compreender a teoria por trás das abordagens de ajuste fino com eficiência paramétrica.
• Implementar LoRA, Adapter Tuning e Prefix Tuning usando Hugging Face PEFT.
• Comparar as vantagens e desvantagens em termos de desempenho e custo dos métodos PEFT versus o ajuste fino completo.
• Implantar e escalar modelos de linguagem ajustados com requisitos reduzidos de computação e armazenamento.

Esta formação ao vivo, ministrada por um instrutor em Maia (online ou presencial), é direcionada a engenheiros de aprendizado de máquina de nível intermediário a avançado, desenvolvedores de IA e cientistas de dados que desejam aprender como usar o QLoRA para ajustar eficientemente grandes modelos para tarefas específicas e personalizações.

No final desta formação, os participantes serão capazes de:

• Compreender a teoria por trás do QLoRA e das técnicas de quantização para LLMs (Large Language Models).
• Implementar o QLoRA no ajuste fino de grandes modelos linguísticos para aplicações específicas de domínio.
• Otimizar o desempenho do ajuste fino em recursos computacionais limitados usando quantização.
• Deploy e avaliar modelos ajustados finamente em aplicações do mundo real de forma eficiente.

Esta formação ao vivo, ministrada por um instrutor em Maia (online ou presencial), é direcionada a engenheiros de aprendizado de máquina avançados e pesquisadores de IA que desejam aplicar RLHF para ajustar modelos grandes de IA com melhor desempenho, segurança e alinhamento.

Ao final desta formação, os participantes serão capazes de:

• Compreender as bases teóricas do RLHF e por que é essencial no desenvolvimento moderno de IA.
• Implementar modelos de recompensa baseados em feedback humano para orientar processos de aprendizado por reforço.
• Ajustar modelos grandes de linguagem usando técnicas de RLHF para alinhar as saídas com as preferências humanas.
• Aplicar as melhores práticas para escalar fluxos de trabalho de RLHF para sistemas de IA de produção.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a profissionais de nível intermediário que desejam obter habilidades práticas na personalização de modelos de IA para tarefas financeiras críticas.

Ao final deste treinamento, os participantes serão capazes de:

• Entenda os fundamentos do ajuste fino para aplicativos financeiros.
• Aproveite os modelos pré-treinados para tarefas específicas de domínio em finanças.
• Aplicar técnicas para deteção de fraude, avaliação de risco e geração de aconselhamento financeiro.
• Garantir a conformidade com regulamentos financeiros como GDPR e SOX.
• Implementar a segurança dos dados e práticas éticas de IA em aplicações financeiras.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a profissionais de nível avançado que desejam refinar suas habilidades no diagnóstico e solução de desafios de ajuste fino para modelos de aprendizado de máquina.

No final deste treinamento, os participantes serão capazes de:

• Diagnosticar problemas como overfitting, underfitting e desequilíbrio de dados.
• Implementar estratégias para melhorar a convergência do modelo.
• Otimizar pipelines de ajuste fino para melhor desempenho.
• Depurar processos de treinamento usando ferramentas e técnicas práticas.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a profissionais de nível avançado que desejam dominar técnicas para otimizar grandes modelos para um ajuste fino e econômico em cenários do mundo real.

No final deste treinamento, os participantes serão capazes de:

• Compreender os desafios do ajuste fino de grandes modelos.
• Aplicar técnicas de treinamento distribuído a grandes modelos.
• Aproveite a quantização do modelo e a poda para obter eficiência.
• Otimizar a utilização de hardware para tarefas de ajuste fino.
• Implantar modelos de ajuste fino de forma eficaz em ambientes de produção.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a profissionais de nível intermediário que desejam aproveitar o poder da engenharia rápida e do aprendizado de poucos disparos para otimizar o desempenho do LLM para aplicativos do mundo real.

No final deste treinamento, os participantes serão capazes de:

• Compreender os princípios da engenharia de prompt e da aprendizagem de poucos disparos.
• Projetar prompts eficazes para várias tarefas de PNL.
• Aproveitar as técnicas de poucos disparos para adaptar LLMs com dados mínimos.
• Otimizar o desempenho do LLM para aplicações práticas.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a profissionais de nível avançado que desejam dominar o ajuste fino do modelo multimodal para soluções inovadoras de IA.

No final deste treinamento, os participantes serão capazes de:

• Compreender a arquitetura de modelos multimodais como CLIP e Flamingo.
• Prepare e pré-processe conjuntos de dados multimodais de forma eficaz.
• Ajuste fino de modelos multimodais para tarefas específicas.
• Otimizar modelos para aplicações e desempenho no mundo real.

Este treinamento ao vivo e presidido por um instrutor (online ou no local) é direcionado a pesquisadores avançados de IA, engenheiros de aprendizado de máquina e desenvolvedores que desejam ajustar modelos DeepSeek LLM para criar aplicações de IA especializadas, adaptadas às necessidades específicas de indústrias, domínios ou negócios.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender a arquitetura e as capacidades dos modelos DeepSeek, incluindo DeepSeek-R1 e DeepSeek-V3.
• Preparar conjuntos de dados e pré-processar dados para ajuste fino.
• Ajustar modelos DeepSeek LLM para aplicações específicas de domínio.
• Otimizar e implantar eficientemente os modelos ajustados.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a profissionais de nível avançado que desejam implantar modelos ajustados de forma confiável e eficiente.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os desafios da implantação de modelos ajustados em produção.
• Containerizar e implantar modelos usando ferramentas como Docker e Kubernetes.
• Implementar monitoramento e registro para modelos implantados.
• Otimizar modelos para latência e escalabilidade em cenários do mundo real.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a profissionais de aprendizado de máquina de nível avançado que desejam dominar técnicas de aprendizado de transferência de ponta e aplicá-las a problemas complexos do mundo real.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender conceitos e metodologias avançadas na aprendizagem por transferência.
• Implementar técnicas de adaptação específicas do domínio para modelos pré-treinados.
• Aplicar a aprendizagem contínua para gerenciar tarefas e conjuntos de dados em evolução.
• Dominar o ajuste fino de várias tarefas para melhorar o desempenho do modelo em todas as tarefas.

A Vertex AI oferece ferramentas avançadas para ajuste fino de grandes modelos e gerenciamento de prompts, permitindo que desenvolvedores e equipes de dados otimizem a precisão do modelo, simplifiquem fluxos de trabalho iterativos e garantam rigor na avaliação por meio de bibliotecas e serviços integrados.

Este treinamento ministrado por instrutor (online ou presencial) é direcionado a praticantes intermediários a avançados que desejam melhorar o desempenho e confiabilidade das aplicações de IA gerativa usando ajuste fino supervisionado, versão de prompts e serviços de avaliação no Vertex AI.

Ao final deste treinamento, os participantes serão capazes de:

• Aplicar técnicas de ajuste fino supervisionado a modelos Gemini no Vertex AI.
• Implementar fluxos de trabalho de gerenciamento de prompts, incluindo versionamento e teste.
• Leverage as bibliotecas de avaliação para benchmarking e otimização do desempenho da IA.
• Implantar e monitorar modelos aprimorados em ambientes de produção.

Formato do Curso

• Aula interativa e discussão.
• Labs práticos com ferramentas de ajuste fino e gerenciamento de prompts no Vertex AI.
• Casos de estudo sobre a otimização de modelos empresariais.

Opções de Personalização do Curso

• Para solicitar um treinamento personalizado para este curso, entre em contato conosco para agendar.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a profissionais de aprendizado de máquina de nível iniciante a intermediário que desejam entender e aplicar técnicas de aprendizado de transferência para melhorar a eficiência e o desempenho em projetos de IA.

No final deste treinamento, os participantes serão capazes de:

• Compreender os principais conceitos e benefícios do aprendizado de transferência.
• Explore modelos pré-treinados populares e seus aplicativos.
• Realize o ajuste fino de modelos pré-treinados para tarefas personalizadas.
• Aplicar o aprendizado de transferência para resolver problemas do mundo real em PNL e visão computacional.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a desenvolvedores de nível intermediário e profissionais de IA que desejam implementar estratégias de ajuste fino para grandes modelos sem a necessidade de recursos computacionais extensos.

No final deste treinamento, os participantes serão capazes de:

• Compreender os princípios da adaptação de baixo ranqueamento (LoRA).
• Implementar LoRA para um ajuste fino eficiente de modelos grandes.
• Otimizar o ajuste fino para ambientes com recursos limitados.
• Avaliar e implementar modelos ajustados por LoRA para aplicações práticas.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a profissionais de nível intermediário a avançado que desejam personalizar modelos pré-treinados para tarefas e conjuntos de dados específicos.

Ao final deste treinamento, os participantes serão capazes de:

• Compreender os princípios do ajuste fino e suas aplicações.
• Preparar conjuntos de dados para o ajuste fino de modelos pré-treinados.
• Ajuste fino de grandes modelos de linguagem (LLMs) para tarefas de PNL.
• Otimizar o desempenho do modelo e abordar desafios comuns.

Este treinamento ao vivo conduzido por instrutor em Maia (no local ou remoto) é destinado a profissionais de nível intermediário que desejam aprimorar seus projetos de PNL por meio do ajuste fino eficaz de modelos de linguagem pré-treinados.

No final deste treinamento, os participantes serão capazes de:

• Compreender os fundamentos do ajuste fino para tarefas de PNL.
• Ajustar modelos pré-treinados, como GPT, BERT e T5, para aplicações específicas de PNL.
• Otimizar os hiperparâmetros para melhorar o desempenho do modelo.
• Avaliar e implementar modelos ajustados em cenários do mundo real.