AlejandrIA
ALEJANDRIA · LIVRO 01 Fundamentos Teóricos de LLMs Uma introdução conceitual aos Grandes Modelos de Linguagem 16 MÓDULOS PT · ES · EN
Catálogo

Livro 01 · Livro digital

Fundamentos Teóricos de LLMs

Entenda por que a IA erra com confiança e saiba quando confiar, verificar ou intervir.

16 módulos · PT / ES / EN · sem pré-requisito de código

Edição 2 · veja o que mudou

Do token ao agente

A IA já escreve, decide e aconselha ao seu lado, e faz tudo isso com a mesma segurança quando acerta e quando inventa. O que separa quem a usa bem de quem apenas confia nela é uma só coisa: entender o que acontece por dentro. Este livro reconstrói, em perspectiva conceitual, os mecanismos que sustentam os Grandes Modelos de Linguagem (LLMs) e os sistemas que nascem deles, do token ao agente. Não é um manual de ferramentas, que mudam a cada mês, mas uma base teórica sobre os princípios que permanecem. Ao entender por que um modelo responde como responde, e onde ele falha, você troca a fé cega pelo julgamento: sabe quando confiar no resultado, quando verificar e quando intervir. É essa leitura crítica, e não o truque de prompt da vez, que transforma a IA de uma caixa-preta em uma ferramenta que você comanda.

Para quem é

Para quem usa IA em decisões que têm consequência.

Profissionais técnicos, pesquisadores, consultores, analistas e gestores que aplicam LLMs a resultados com impacto real, em que uma resposta errada custa caro e o julgamento de quando confiar, verificar ou intervir faz diferença. Se você depende da IA para produzir, decidir ou aconselhar, este livro oferece os fundamentos para fazê-lo com critério, não por fé.

Conceitos-chave

O vocabulário que você vai dominar.

LLM Tokens Transformers Atenção Embeddings Redes Neurais RAG Prompt Agentes MCP Skills Contexto Fine-tuning Q · K · V Multimodalidade Alucinações Deep Learning Machine Learning Vetores Quantização Janela de contexto Inferência Segurança Temperatura

Programa do livro

16 módulos, do token ao agente.

  1. 01O que é Inteligência Artificial
  2. 02Representação da Informação
  3. 03Redes Neurais
  4. 04Transformers
  5. 05Como uma LLM Aprende
  6. 06Como uma LLM Responde
  7. 07Limitações Fundamentais
  8. 08Avaliação e Eficiência
  9. 09Engenharia de Prompt e Contexto
  10. 10RAG e GraphRAG
  11. 11Agentes de IA
  12. 12Integração e Interoperabilidade
  13. 13Economia e Decisão Estratégica
  14. 14Segurança e Colaboração Humano-IA
  15. 15Multimodalidade
  16. 16Síntese: Arquitetura Moderna

+ Glossário trilíngue · Referências consolidadas · Sobre o autor

Por dentro

Como uma LLM pensa, erra e evolui.

A palavra "sentou" pergunta (query) e cada palavra responde (key); o peso pondera os valores (value) o gato sentou no tapete query k,vk,vk,vk,v 0,50 0,08 0,12 0,30 pesos de atenção (somam 1): "sentou" olha mais para "gato" e "tapete" nova representação de "sentou" soma dos valores, ponderada pelos pesos Tudo isso é calculado para todas as palavras ao mesmo tempo, em paralelo.

Módulo 4: Self-Attention e Q-K-V por dentro

Pergunta vira vetor(embedding) Banco vetorialbusca os mais próximos trechos relevantes(top-k documentos) Contexto = pergunta + trechosmemória de curto prazo aumentada LLM gera resposta fundamentada A resposta se apoia em trechos verificáveis, o que reduz alucinações e permite citar a fonte.

Módulo 10: RAG: recuperar antes de responder

Desbloqueie o livro completo.