Generative AI Engineering with Databricks - Portuguese BR

Este curso é destinado a cientistas de dados, engenheiros de machine learning e outros profissionais de dados que desejam criar aplicações de IA generativa usando os frameworks mais recentes e populares e os recursos do Databricks.

Observação: a Databricks Academy está migrando para um formato baseado em notebooks para as sessões em sala de aula dentro do ambiente Databricks, deixando de usar apresentações de slides nas aulas. Você pode acessar os notebooks das aulas no ambiente de laboratório Vocareum.

A seguir, descrevemos cada um dos quatro módulos de quatro horas incluídos neste curso.

Building RAG Agents with Agent Bricks: este curso oferece treinamento prático para criar agentes de recuperação usando o Databricks Agent Bricks. Os participantes aprenderão a explorar e consultar Knowledge Assistants, analisar documentos não estruturados convertendo-os em dados estruturados usando AI Functions, dividir texto em partes (chunks) para recuperação semântica, criar índices de Vector Search e criar Knowledge Assistants prontos para produção com suporte de várias fontes de conhecimento.

Building Agentic Applications on Databricks: Este curso ensina os alunos a criar aplicações agênticas de nível de produção no Databricks. Os alunos aprendem a criar ferramentas de agente governadas usando Unity Catalog e MCP, a construir sistemas de agente único e multiagente com o OpenAI Agents SDK, e a desenvolver agentes com outros frameworks populares, como LangChain e DSPy. O curso abrange toda a progressão, desde a prototipagem de ferramentas até a implantação em produção, com experiência prática no uso de MLflow Tracing para observar a execução dos agentes. Por meio de demonstrações práticas e laboratórios, os alunos desenvolvem habilidades para criar, orquestrar e governar agentes de IA na plataforma Databricks.

Agent Evaluation on Databricks: este curso ensina os alunos a avaliar sistematicamente agentes de IA usando o framework de avaliação do MLflow, abordando os desafios exclusivos dos sistemas de IA não determinísticos com os quais os testes de software tradicionais não conseguem lidar. Os alunos aprendem a implementar várias abordagens de avaliação, incluindo juízes integrados (built-in judges) para critérios comuns, como correção e segurança, juízes baseados em diretrizes para requisitos específicos de negócios e juízes personalizados para necessidades especializadas. O curso abrange tanto a avaliação offline usando conjuntos de dados (datasets) selecionados quanto o monitoramento de produção online, com experiência prática usando os recursos de rastreamento (tracing) do MLflow para entender os padrões de execução do agente e coletar feedback humano de diferentes tipos de partes interessadas. Por meio de demonstrações e laboratórios práticos, os alunos desenvolvem habilidades na criação de fluxos de trabalho de avaliação que impulsionam melhorias contínuas de qualidade ao longo do ciclo de vida de desenvolvimento de agentes de IA.

Deploying and Monitoring Agent Applications on Databricks: este curso aborda o ciclo de vida completo para implantar e monitorar agentes de IA generativa no Databricks. Os participantes aprenderão a implantar agentes como Databricks Apps usando Declarative Automation Bundles (DABs), integrar ferramentas por meio do Model Context Protocol (MCP), instrumentar agentes com o MLflow Tracing e avaliar a qualidade em produção usando scorers, juízes multi-turno e avaliação online. Por meio de demos e laboratórios práticos, os participantes ganharão experiência prática na criação, observação e monitoramento de agentes de IA de nível de produção na plataforma Databricks.

Languages Available: English | 日本語 | Português BR | 한국어

Skill Level

Associate

Duration

16h

Prerequisites

O conteúdo foi desenvolvido para participantes com as seguintes habilidades, conhecimentos e competências:

1. Building RAG Agents with Agent Bricks

• Conhecimento básico de SQL para consultar tabelas e usar funções integradas

• Experiência básica em programação Python

• Familiaridade com a interface do usuário (UI) do workspace do Databricks (por exemplo, navegar pelo Unity Catalog)

• Compreensão dos conceitos do Unity Catalog, incluindo catalogs, schemas e volumes

• Familiaridade com conceitos fundamentais de LLM

• Compreensão de dados estruturados vs. não estruturados

2. Building Agentic Applications on Databricks

Habilidades específicas de Python:

• Sintaxe básica de Python e estruturas de dados

• Compreensão de funções, classes e decorators

• Experiência com gerenciamento de pacotes e imports em Python

• Familiaridade com o manuseio de dados JSON

• Compreensão básica dos padrões async/await

Habilidades específicas de SQL:

• Sintaxe básica de consultas SQL (SELECT, FROM, WHERE)

• Compreensão de funções SQL e funções definidas pelo usuário

• Experiência com funções SQL do Unity Catalog

Habilidades específicas do Databricks:

• Compreensão da navegação no workspace do Databricks e da interface de notebooks

• Conhecimento da estrutura do Unity Catalog (catalogs, schemas, tables, volumes, functions)

• Experiência com recursos de compute do Databricks e computação serverless

• Familiaridade com o rastreamento de experimentos do MLflow

• Compreensão dos endpoints de model serving do Databricks

Habilidades específicas de GenAI/agentes:

• Compreensão básica de LLMs e suas capacidades

• Conhecimento de engenharia de prompts e system prompts

• Familiaridade com agentes de tool-calling e conceitos de function calling

• Consciência básica do Model Context Protocol (MCP)

3. Agent Evaluation on Databricks

• Experiência intermediária em programação Python

• Conhecimento básico de SQL para consultar e criar funções

• Familiaridade com a Databricks Data Intelligence Platform

• Compreensão dos conceitos do Unity Catalog, incluindo catalogs e schemas

• Compreensão básica de grandes modelos de linguagem (LLMs) e engenharia de prompts

• Conhecimento básico de MLflow

4. Deploying and Monitoring Agent Applications on Databricks

• Familiaridade com o workspace e os notebooks do Databricks

• Familiaridade com o Unity Catalog

• Experiência na criação de agentes usando o OpenAI Agents SDK

• Conhecimento básico de MLflow e Python

• Familiaridade com conceitos de agentes de GenAI (chamadas a LLM, invocação de ferramentas, recuperação)

Outline

1. Building RAG Agents with Agent Bricks

Introdução ao RAG e ao Knowledge Assistant do Agent Bricks:

• Agent Bricks para recuperação e engenharia de contexto

• Demo: explorando o Knowledge Assistant

Criando pipelines de parsing de documentos no Databricks:

• Estratégias de parsing e chunking de documentos

• Demo: transformando PDFs em dados estruturados

Vector Search e Knowledge Assistants:

• AI Search no Databricks

• Demo: chunking de PDFs e Vector Search

• Lab: criando e curando um Knowledge Assistant

2. Building Agentic Applications on Databricks

Fundamentos

• Agents, MCP e Governança de AI no Databricks

• Demo: Criando Agent Tools no Databricks

• Lab: Avaliando e Corrigindo Agent Tools

Criando Agentes com o OpenAI Agents SDK

• Criando Agentes com Frameworks Populares no Databricks

• Demo: Introdução ao OpenAI Agents SDK no Databricks

• Lab: Orquestração Multi-Agente com o OpenAI Agents SDK no Databricks

Outros Frameworks

• Demo: Introdução ao LangChain no Databricks

• Lab: Criando Agentes com DSPy no Databricks

3. Agent Evaluation on Databricks

Fundamentos da avaliação de agentes de IA:

• O desafio de avaliar agentes de IA

• Demo: configuração do agente

• O framework de avaliação do MLflow

Fundamentos da avaliação de agentes de IA:

• Juízes integrados (built-in judges)

• Demo: usando os juízes integrados do MLflow

• Juízes baseados em diretrizes

• Demo: juízes baseados em diretrizes com o MLflow

• Juízes personalizados e feedback

• Demo: juízes personalizados com o MLflow

• Lab: aplicando a avaliação de agentes

Juízes personalizados e feedback humano:

• Estratégias de avaliação offline vs. online

• Lab: feedback de desenvolvedores e SME com o MLflow

4. Deploying and Monitoring Agent Applications on Databricks

Implantação de agentes:

• Implantação de agentes no Databricks

• Demo: implantando um agente observável

Integração de ferramentas e observabilidade:

• Integração de ferramentas e observabilidade

• Demo: rastreamento (tracing) para agentes em produção

Avaliação e monitoramento em produção:

• Avaliação e monitoramento em produção

• Lab: avaliação online com conversas multi-turno

• Lab: backfill e arquivamento de conversas multi-turno

Public Class Registration

If your company has purchased success credits or has a learning subscription, please fill out the Training Request form. Otherwise, you can register below.

Customer registration Partner registration

Private Class Request

If your company is interested in private training, please submit a request.

Request Private Training

See all our registration options

Registration options

Databricks has a delivery method for wherever you are on your learning journey

Self-Paced

Custom-fit learning paths for data, analytics, and AI roles and career paths through on-demand videos

Registre-se agora

Instructor-Led

Public and private courses taught by expert instructors across half-day to two-day courses

Registre-se agora

Blended Learning

Self-paced and weekly instructor-led sessions for every style of learner to optimize course completion and knowledge retention. Go to Subscriptions Catalog tab to purchase

Purchase now

Skills@Scale

Comprehensive training offering for large scale customers that includes learning elements for every style of learning. Inquire with your account executive for details

Upcoming Public Classes

Catalog Management and Data Organization - Portuguese BR

Neste curso, você aprenderá a projetar, implementar e gerenciar estruturas de Catálogo e organização de dados em grande escala com Unity Catalog na Databricks Data and AI Platform. Dividido em cinco módulos, o curso começa posicionando o Unity Catalog dentro do modelo de implantação cloud, abordando o console de conta, os metastores regionais e as funções de administrador que o habilitam. Em seguida, você traduzirá a topologia organizacional (unidades de negócios, regiões e ambientes de dev/QA/prod) em um design escalável de Catálogo e schema, com convenções de nomenclatura, propriedade e delegação de MANAGE. Na sequência, o curso aborda a integração segura de armazenamento com credenciais de armazenamento, locais externos, a hierarquia de armazenamento gerenciado, tabelas gerenciadas versus externas, Volumes e Lakehouse Federation. Você então aplicará padrões de acesso e estratégias de isolamento, incluindo vinculação workspace-Catálogo, herança de privilégios, filtros de linha, máscaras de coluna e políticas de controle de acesso baseado em atributos (ABAC), e validará os resultados com sinais de auditoria. Por fim, o curso encerra com as melhores práticas para projetar, gerenciar e operar um ambiente Unity Catalog. As demonstrações práticas e os laboratórios são executados em compute serverless e incluem os passos curtos do Genie Code.

Observação: a Databricks Academy está mudando para um formato baseado em cadernos para as aulas presenciais no ambiente Databricks, deixando de usar apresentações de slides para as palestras. Você pode acessar os cadernos das palestras no ambiente de laboratório Vocareum.

Databricks Performance Optimization - Portuguese BR

O Databricks Performance Optimization ensina engenheiros e analistas de dados a diagnosticar, medir e corrigir gargalos de desempenho na Databricks Data Intelligence Platform, além de relacionar as melhorias de desempenho aos custos. O curso segue um fluxo de trabalho que prioriza a medição e a plataforma: deixar que as otimizações automáticas da plataforma façam o trabalho pesado, verificar o que foi aplicado usando Query Profile e tabelas do sistema, e então ajustar manualmente onde necessário.

Os alunos constroem uma base para medir o desempenho com Query Profile, Performance Insights e tabelas do sistema de query history. A partir daí, exploram técnicas de otimização key, incluindo configuração de dados e tabelas gerenciadas com ajuste automático, liquid clustering, cache e resultados intermediários, shuffle, skew, spill, explosões de linhas, desempenho do driver, Python UDFs, serverless compute, Photon e atribuição de custos.

Ao longo do curso, os alunos analisam queries deliberadamente lentas sobre dados sintéticos de varejo e observam como diferentes técnicas de otimização afetam o desempenho. Eles utilizam evidências como pruning de arquivos, tempo de execução de tarefas, cobertura do Photon e custos para avaliar as melhorias. Dois laboratórios baseados em cenários reforçam o fluxo de trabalho de otimização, desde o diagnóstico até a validação.

Nota: A Databricks Academy está migrando as sessões em sala de aula no ambiente Databricks para um formato baseado em notebooks, descontinuando o uso de apresentações de slides nas aulas. Você pode acessar os notebooks das aulas no ambiente de laboratório do Vocareum.

Languages Available: English | 日本語 | Português BR | 한국어 | Français | Español | 普通话

Advanced Machine Learning with Databricks - Portuguese BR

Este curso é destinado a cientistas de dados e profissionais de machine learning e é composto por dois módulos de quatro horas.

Machine Learning at Scale

Neste curso, você adquirirá conhecimento teórico e prático sobre a arquitetura do Apache Spark e sua aplicação em cargas de trabalho de machine learning no Databricks. Você aprenderá quando usar o Spark para preparação de dados, treinamento de modelos e implantação, além de obter experiência prática com Spark ML e APIs do Pandas no Spark. Este curso apresentará conceitos avançados, como ajuste de hiperparâmetros e escalabilidade do Optuna com Spark. Este curso utilizará recursos e conceitos introduzidos no curso associado, como MLflow e Unity Catalog, para empacotamento e governança abrangentes de modelos.

Advanced Machine Learning Operations

Neste curso, você receberá uma compreensão abrangente do ciclo de vida de machine learning e de MLOps, com ênfase nas melhores práticas para gerenciamento de dados e modelos, testes e arquiteturas escaláveis. O curso aborda os principais componentes de MLOps, incluindo CI/CD, gerenciamento de pipeline e separação de ambientes, ao mesmo tempo em que apresenta as ferramentas do Databricks para automação e gerenciamento de infraestrutura, como Declarative Automation Bundles (DABs), Lakeflow Jobs e Model Serving. Você aprenderá sobre monitoramento, métricas personalizadas, detecção de desvios, estratégias de implantação de modelos, testes A/B e os princípios de sistemas MLOps confiáveis, proporcionando uma visão holística da implementação e do gerenciamento de projetos de ML no Databricks.

Nota: A Databricks Academy está fazendo a transição para um formato baseado em notebooks para as sessões em sala de aula dentro do ambiente Databricks, descontinuando o uso de apresentações de slides para as aulas. Você pode acessar os notebooks de aula no ambiente de laboratório do Vocareum.