Embeddings e bancos vetoriais

O que você vai aprender

1. Aula 1. O que é representação vetorial (embeddings)

   30 min

   Como um texto vira uma lista de números que guarda o significado, por que textos parecidos ficam perto um do outro e o que isso permite fazer com os documentos do seu negócio.

   • Explicar o que é um embedding com uma analogia e sem fórmula
   • Diferenciar modelo de embedding de modelo de chat e saber que os dois trabalham juntos
   • Reconhecer o que um embedding captura bem (sentido) e mal (códigos, números exatos)
   • Escolher um modelo de embedding considerando idioma, dimensões e custo

   Aula completa, exemplos e exercícios dentro da plataforma

2. Aula 2. Busca semântica e similaridade

   35 min

   Como o sistema decide quais trechos estão mais perto da pergunta, o que é similaridade de cosseno sem fórmula pesada, por que a busca por palavra continua necessária e como as duas se combinam.

   • Explicar a similaridade de cosseno como comparação de direção e interpretar a escala
   • Configurar os dois controles de uma busca: quantos trechos (top-k) e o corte de similaridade
   • Comparar busca semântica e busca por palavra e saber quando cada uma acerta
   • Descrever uma busca híbrida e o papel da reordenação (reranking)

   Aula completa, exemplos e exercícios dentro da plataforma

3. Aula 3. Chunking, indexação e metadados

   35 min

   Como dividir documentos em partes que a busca encontra, como acrescentar contexto a cada parte, como etiquetar com metadados para filtrar, e o que o índice faz para a busca ser rápida.

   • Escolher a estratégia de divisão (chunking) adequada a cada tipo de documento
   • Definir tamanho e sobreposição das partes e justificar a escolha
   • Projetar metadados que permitam filtrar antes da busca e citar a fonte
   • Explicar o papel do índice vetorial e o ciclo de atualização dos documentos

   Aula completa, exemplos e exercícios dentro da plataforma

4. Aula 4. Quando usar e quando não usar busca vetorial

   30 min

   Os sinais de que o seu caso precisa de embeddings e banco vetorial, os sinais de que não precisa, as alternativas (contexto direto, busca comum, consulta ao banco) e como medir se a busca está funcionando.

   • Listar os sinais de que uma tarefa precisa de recuperação com embeddings
   • Reconhecer os casos em que contexto direto, busca por palavra ou consulta ao banco resolvem melhor
   • Estimar custo e manutenção de uma base vetorial antes de montar
   • Montar um teste simples para medir se a busca está devolvendo o trecho certo

   Aula completa, exemplos e exercícios dentro da plataforma

Termos que você vai dominar

• Embedding (representação vetorial)
• Vetor
• Dimensões
• Modelo de embedding
• Espaço vetorial
• Multilíngue
• Banco vetorial
• Similaridade de cosseno
• Distância de cosseno
• Top-k
• Corte de similaridade (threshold)
• Busca por palavra (full-text, BM25)
• Busca híbrida
• Fusão de ranking (RRF)
• Reordenação (reranking)
• Chunking (divisão em partes)
• Tamanho da parte
• Sobreposição (overlap)
• Divisão recursiva
• Contexto acrescentado (contextual retrieval)
• Metadados
• Índice vetorial (HNSW, IVFFlat)
• Reindexação
• RAG (retrieval augmented generation)
• Contexto direto (long context)
• Consulta estruturada (SQL)
• Recall da busca
• Conjunto de teste
• Custo de indexação
• Custo de consulta