APRENDER. PRATICAR. EVOLUIR.Conceito e mecanismo
Modelos generativos produzem conteúdo a partir de padrões aprendidos e do contexto fornecido. Tokens podem representar palavras, partes de palavras ou outros elementos; não são uma unidade fixa de linguagem humana. Embeddings representam conteúdo em vetores úteis para semelhança. Num transformer, atenção relaciona elementos do contexto, sem criar garantia de verdade. RAG recupera conteúdo relevante e acrescenta-o ao pedido; não atualiza por si os pesos do modelo. No programa histórico aparece Azure AI Foundry; a documentação atual usa Microsoft Foundry. A plataforma permite explorar modelos, desenvolver soluções e avaliar resultados, com diferenças de capacidade e disponibilidade entre modelos.
Aplicação guiada
Num assistente fictício de runbooks, recupera apenas conteúdo autorizado e aprovado. Verifica se uma citação aponta para a versão ativa e se sustenta realmente a ação sugerida. Documentos recuperados podem conter instruções maliciosas: mantém dados e autoridade separados, com permissões limitadas para ações. Antes da release, avalia perguntas reais anonimizadas ou sintéticas, respostas sem evidência, pré-condições omitidas, latência e custo. Benchmarks públicos ajudam a comparar candidatos, mas não substituem a aceitação do teu fluxo PT-PT. Regista versão do modelo, prompt, índice e conjunto de avaliação. Define como recusar uma recomendação sem suporte e como regressar à versão anterior quando a qualidade piora.
Uma citação de um runbook retirado pode explicar a resposta errada; mudar a temperatura não atualiza a fonte.
Armadilhas comuns
Fluência como verdade; RAG como treino; citação como atualidade; documento como instrução autorizada.
Tópicos relacionados: Workloads e responsabilidade na operação · Machine learning e avaliação útil · Visão e documentos com validação
Avalia o sistema completo: fontes, permissões, geração e decisão humana.
Referência: Retrieval augmented generation · AI-900 historical skills measured 2025-05-02; exam retired 2026-06-30