Treinamento 01 · Trilha IA · Upnetix Learning Center

IA aplicada com Ollama e modelos abertos: LLMs locais, RAG e agentes.

Modelos de linguagem abertos rodando localmente com Ollama, Open WebUI, embeddings, RAG com bancos vetoriais, agentes, avaliação, segurança e operação em produção.

Código aberto: Ollama (código aberto, licença MIT), Open WebUI e modelos com licença aberta

IA aplicada com Ollama e modelos abertos: LLMs locais, RAG e agentes
Trilha IA · Upnetix Learning Center
Módulos
15
Lições
30
Carga horária
36 h
Nível
Fundamentos
Certificado
conclusão com êxito de 80% ou mais
Para quem
Desenvolvedor, Engenheiro, Gestor
Tecnologias
LLM, Ollama, Open WebUI, Python, Qdrant, RAG

Este curso ensina como rodar modelos de linguagem de grande porte (LLMs) localmente com o Ollama, integrando-os ao Open WebUI e usando técnicas como RAG (Retrieval-Augmented Generation) com bancos vetoriais abertos, como o Qdrant. Você vai entender desde a arquitetura e dimensionamento até a operação segura e monitoramento de soluções de IA generativa, com foco em ambientes de produção e controle total dos dados. Ao final, você será capaz de projetar, implementar, monitorar e escalar aplicações de IA baseadas em LLMs abertos, dominando desde o básico até práticas avançadas de agentes e automação, sempre com ênfase em segurança e operação robusta.

O curso é indicado para desenvolvedores, engenheiros e gestores técnicos que querem aplicar IA generativa em ambientes locais, seja para protótipos, produção ou pesquisa, aproveitando ao máximo o controle e a flexibilidade de soluções abertas como Ollama e Qdrant em uma infraestrutura própria ou dedicada, como a da Upnetix.

Começar pela primeira lição

Ementa

  1. 01ConceitosFundamentos de LLMs locais, RAG, embeddings, agentes e bancos vetoriais abertos.2 lições
  2. 02ArquiteturaDesenha a arquitetura completa de uma solução de IA local com Ollama, RAG e agentes.2 lições
  3. 03ProjetoPlaneja soluções considerando requisitos, casos de uso e limitações técnicas.2 lições
  4. 04DimensionamentoDefine recursos necessários para rodar LLMs locais com desempenho e custo otimizados.2 lições
  5. 05ImplementaçãoColoca a solução para rodar, do download ao primeiro prompt.2 lições
  6. 06ConfiguraçãoAjusta modelos, parâmetros e bancos vetoriais para o uso real.2 lições
  7. 07IntegraçãoConecta LLMs locais a aplicações Python, APIs e fluxos externos.2 lições
  8. 08SegurançaProtege dados, modelos e acessos em ambientes locais de IA.2 lições
  9. 09MonitoramentoAcompanha desempenho, uso e saúde dos componentes da stack.2 lições
  10. 10TroubleshootingDiagnostica e resolve problemas práticos em LLMs locais e RAG.2 lições
  11. 11AutomaçãoAutomatiza tarefas de ingestão, atualização e resposta em IA local.2 lições
  12. 12EscalabilidadeExpande e distribui a solução de IA local para mais desempenho e disponibilidade.2 lições
  13. 13Boas práticasConsolida práticas recomendadas para operação, atualização e evolução da stack.2 lições
  14. 14Casos reaisAnalisa exemplos concretos de uso de LLMs locais e RAG em produção.2 lições
  15. 15Estado da arteExplora limites atuais, tendências e próximos passos em LLMs locais e agentes.2 lições

Certificado de conclusão

Ao responder aos quizzes de todas as lições com 80% de êxito ou mais, você pode emitir o certificado com a sua taxa de êxito. Abaixo disso, repita os quizzes e tente de novo.

Para emitir, entre na sua conta.

Este certificado comprova exclusivamente a conclusão, com êxito, do conteúdo disponibilizado pelo Upnetix Learning Center, um centro de aprendizagem técnica avançada. Não constitui certificado de curso reconhecido pelo MEC nem título emitido por instituição de ensino. Autenticidade verificável em upnetix.com.br/learn/validar/.