Mestria em Engenharia de IA

Para quem é

• Engenheiros que estão migrando para IA generativa vindos de outro stack e precisam de um caminho claro até produção.
• Engenheiros backend com um projeto LLM no ar que não escala em custo, latência ou qualidade.
• Candidatos a frontier labs preparando design de sistemas de IA para entrevistas.
• Tech leads que precisam justificar arquitetura, custo e risco para um comitê técnico.

O que você vai fazer

• Constrói um RAG completo com marco de avaliação versionado, do dataset de referência até as métricas de produção.
• Coloca prompts sob controle de versão e mede regressão entre releases.
• Instrumenta observabilidade de LLM em produção: tokens, latência, calibração, taxa de alucinação.
• Faz engenharia de custo por carga de trabalho e por usuário ativo, com orçamento defensável.
• Aplica OWASP LLM Top 10 e MITRE ATLAS no design do sistema, não como checklist depois.
• Projeto final: você projeta e entrega um sistema de IA de produção contra requisitos reais, revisado pelo fundador.

Resultados

• Sai com um portfólio que mostra evidência de produção, não demo de notebook.
• Defende decisões de modelo, custo e risco em uma loop de entrevista de frontier lab.
• Reduz o custo por chamada do seu sistema atual com método mensurável.
• Credencial verificável da DecipherU vinculada ao projeto final.

Currículo

1. Módulo 1: O cenário de engenharia de IA em 2026 e as seis camadas do stack de produção.
2. Módulo 2: Prompt engineering em escala de produção, com versionamento e teste de regressão.
3. Módulo 3: Design de sistemas de IA contra requisitos de negócio.
4. Módulo 4: RAG do zero, com retrieval, reranking e chunking instrumentados.
5. Módulo 5: Marco de avaliação como código, métricas offline e online.
6. Módulo 6: Fine-tuning quando vale a pena, dados, custo e manutenção.
7. Módulo 7: Agentes, tool use e limites operacionais.
8. Módulo 8: Observabilidade de LLM em produção.
9. Módulo 9: Engenharia de custo por carga de trabalho e por usuário ativo.
10. Módulo 10: Segurança de IA aplicada com OWASP LLM Top 10 e MITRE ATLAS.
11. Módulos 11 a 17: multi-modal, deployment, governança, design de entrevistas, casos de campo.
12. Módulo 18: projeto final revisado pelo fundador.

Perguntas frequentes

Fontes primárias

Hamel Husain, marco de avaliações para LLM (2024). Eugene Yan, padrões para sistemas baseados em LLM (2024). Chip Huyen, Designing ML Systems (O'Reilly, 2022). NIST AI 100-1 e AI 600-1. MITRE ATLAS. OWASP LLM Top 10 (2025).