Participante desde 2025
Modelos de transformador e modelo de BERT
Earned Sep 24, 2025 EDT
Arquitetura de codificador-decodificador
Earned Sep 23, 2025 EDT
Inspecione documentos avançados usando a multimodalidade do Gemini e o RAG multimodal
Earned Sep 23, 2025 EDT
Criar embeddings, pesquisa vetorial e RAG com o BigQuery
Earned Sep 23, 2025 EDT
Este curso é uma introdução à arquitetura de transformador e ao modelo de Bidirectional Encoder Representations from Transformers (BERT, na sigla em inglês). Você vai aprender sobre os principais componentes da arquitetura de transformador, como o mecanismo de autoatenção, e como eles são usados para construir o modelo de BERT. Também vai conhecer as diferentes tarefas onde é possível usar o BERT, como classificação de texto, respostas a perguntas e inferência de linguagem natural. O curso leva aproximadamente 45 minutos.
Este curso apresenta um resumo da arquitetura de codificador-decodificador, que é uma arquitetura de machine learning avançada e frequentemente usada para tarefas sequência para sequência (como tradução automática, resumo de textos e respostas a perguntas). Você vai conhecer os principais componentes da arquitetura de codificador-decodificador e aprender a treinar e disponibilizar esses modelos. No tutorial do laboratório relacionado, você vai codificar uma implementação simples da arquitetura de codificador-decodificador para geração de poesia desde a etapa inicial no TensorFlow.
Conclua o curso intermediário para obter o selo de habilidade Inspecione documentos avançados usando a multimodalidade do Gemini e o RAG multimodal e demonstrar suas habilidades em: usar comandos multimodais para extrair informações de dados textuais e visuais, gerar uma descrição de vídeo e recuperar mais informações além das que aparecem no vídeo usando a multimodalidade do Gemini; criar metadados de documentos com textos e imagens, acessar todos os blocos de texto relevantes e imprimir citações usando a Geração Aumentada de Recuperação (RAG, na sigla em inglês) multimodal com o Gemini.
Este curso estuda uma solução de geração aumentada de recuperação (RAG) no BigQuery para mitigar as alucinações da IA. Ele introduz um fluxo de trabalho de RAG que engloba a criação de embeddings, a pesquisa por um espaço vetorial e a geração de respostas aprimoradas. O curso explica os motivos conceituais dessas etapas e a implementação prática delas com o BigQuery. Até o fim do curso, será possível criar um pipeline de RAG usando o BigQuery e modelos de IA generativa como o Gemini, além de modelos de embeddings, para lidar com os próprios casos de uso de alucinação de IA.