Fundamentos de IA generativa

A maioria das pessoas conhece a IA generativa por uma janela de chat e nunca vê o que acontece atrás dela. Essa lacuna vira problema no instante em que você precisa escolher um modelo, estimar a conta do mês ou explicar para um time por que a mesma pergunta às vezes recebe uma resposta diferente. Este domínio fecha a lacuna.

Ele começa pela mecânica: o que é um modelo de fundação, como o texto vira tokens e embeddings, e em que os modelos multimodais e de difusão se afastam dos modelos de linguagem. Depois passa para o que a IA generativa faz bem, onde ela falha e como um time decide se o valor compensa o gasto. O fecho é em terreno AWS, com os serviços que transformam um modelo em produto rodando.

O que este domínio cobre

• os modelos de fundação e os LLMs, e como eles diferem dos modelos de ML tradicionais
• tokens, chunking e embeddings, além do preço por token que nasce deles
• os modelos multimodais e de difusão, e os casos de uso que cada um atende
• o ciclo de vida de um modelo de fundação, o context engineering e a IA agêntica com MCP
• o que a IA generativa faz bem, seus limites e riscos, e como selecionar um modelo
• como medir valor de negócio diante dos custos reais
• o stack da AWS: Amazon Bedrock, SageMaker AI e JumpStart, Amazon Q, Kiro e as ferramentas agênticas ao redor

Por que isso importa

Este é o segundo domínio de maior peso no exame e alimenta diretamente o maior de todos. Toda pergunta sobre RAG, engenharia de prompts ou ajuste fino parte do princípio de que você já sabe o que é um token, por que o contexto tem limite e o que o Bedrock entrega na prática.

O ganho concreto é critério. Quando você consegue seguir uma requisição do prompt até os tokens, a inferência e a fatura, passa a responder as perguntas que pesam no trabalho: essa tarefa combina com um modelo de fundação, com qual modelo começar e quanto isso vai custar em escala.