IA Generativa na AWS

Módulo 1
 
Fundamentos de IA Generativa com RAG e Vetorização 
Introdução à IA Generativa e LLMs (com foco em modelos como Claude, Mistral, LLaMA, Titan)
Conceitos de Retrieval-Augmented Generation (RAG), Vetorização e embeddings: o que são, como funcionam e onde se aplicam
Armazenamento vetorial: semântica, performance e escalabilidade
Hands-on: criação de embeddings com Amazon Bedrock + LangChain + BGE/CoHere
 
Módulo 2
 
Armazenamento Vetorial com Soluções AWS 
Escolhendo o repositório vetorial ideal: Amazon OpenSearch, Pinecone, FAISS on EC2
Indexação e busca semântica: Dense vs Sparse Search
Criação e consulta de índices vetoriais com Amazon OpenSearch Serverless
Alternativa com Bedrock Knowledge Base + Kendra
Hands-on: deploy de um indexador vetorial com OpenSearch + API de consulta semântica
 
Módulo 3
 
Construindo Aplicações com RAG e LangChain 
Arquitetura RAG usando LangChain ou LlamaIndex
Pipeline RAG: ingestão, chunking, embeddings, indexação e consulta
Integração com Amazon Bedrock (Claude, Titan ou outros modelos)
Configuração de contexto e memória para respostas precisas
Hands-on: construção de um RAG completo com LangChain, Bedrock e OpenSearch
 
Módulo 4

Deploy com Managed Compute Platforms (MCPs) na AWS 
Visão geral dos MCPs da AWS: Lambda, ECS Fargate, EKS, SageMaker e Bedrock Agents
Escolhendo a melhor solução para RAG baseado em escalabilidade e custo
Deploy de aplicações RAG com AWS Lambda + Bedrock
Alternativas com Amazon SageMaker para custom inference endpoints
Hands-on: deploy serverless com AWS Lambda e API Gateway para front-end RAG

Módulo 5

Segurança, Governança e Observabilidade 
Controle de acesso com IAM, Bedrock Guardrails e KMS
Logging e tracing com CloudWatch, X-Ray e Lambda Insights
Custos e billing: como monitorar e otimizar consumo de Bedrock, Lambda, OpenSearch
Observabilidade para vetores e RAG (token usage, accuracy, latência)
Hands-on: habilitação de métricas de uso e auditoria com CloudWatch e X-Ray