A corrida pela IA generativa fez muitas empresas adotarem soluções sem clareza de problema ou impacto real. O resultado? Projetos que não escalam, não geram valor e rapidamente são abandonados. Nesta palestra, você vai entender como sair do hype e estruturar o uso de IA com foco em estratégia, produto e resultado. Vamos explorar como conectar GenAI a problemas reais, priorizar casos de uso e evitar desperdícios, com exemplos práticos de aplicação no dia a dia de produtos e negócios.

O Model Context Protocol (MCP) padroniza como LLMs acessam dados e ferramentas externas — já suportado por Claude Desktop, Cursor, Codex e outros clientes. Nesta palestra, mostro como implementamos um servidor MCP em produção que conecta LLMs aos dados de 100+ clientes. Vou cobrir: o protocolo MCP e suas primitivas (tools, resources, prompts); FastMCP na prática com decoradores Python e tipagem Pydantic; autenticação OAuth 2.1 com PKCE para acesso seguro a dados corporativos; bearer tokens com escopo por tabela para compartilhamento granular; deploy multi-cloud (AWS ECS e GCP Cloud Run); e as lições de produção servindo 100+ organizações.

A geração de documentos com IA (contratos, laudos técnicos, relatórios regulatórios, propostas comerciais) é uma das aplicações mais promissoras de LLMs no mundo corporativo. Mas há um problema crítico: o RAG tradicional, baseado em similaridade vetorial, não consegue preservar relações contextuais complexas, o que resulta em documentos com alucinações, inconsistências e baixa fidelidade ao contexto original. Nesta palestra, apresento como o GraphRAG com Knowledge Graphs (Neo4j) resolve exatamente esse problema, transformando dados estruturados e não estruturados em redes semânticas ricas, e como essa estrutura alimenta LLMs com contexto relacional preciso, capaz de gerar documentos fieis.

evar agentes de IA para produção exige mais que um "vibe check". Quando sistemas tomam decisões autônomas, como medir qualidade e segurança em escala? Esta palestra explora a estratégia de LLM-as-Judge, onde modelos avançados atuam como árbitros de outros agentes. Veremos como construir uma infraestrutura de avaliação automatizada que detecta alucinações e falhas de lógica onde métricas tradicionais falham. Discutiremos os riscos de vieses nos modelos juízes, o uso de modelos menores (SLMs) para redução de custos e como arquitetar um comitê de avaliação rigoroso. É o guia prático para transformar a incerteza da GenAI em um processo de engenharia mensurável e confiável.

Fine-tuning de LLMs é frequentemente cercado de mitos — de que exige volumes massivos de dados, custo proibitivo de infraestrutura ou conhecimento profundo de machine learning. Nesta palestra, vamos quebrar essas barreiras e mostrar que fine-tuning é uma técnica acessível. Abordaremos quando fine-tuning é a abordagem certa (e quando não é), a importância dos dados de treinamento, e 3 técnicas com diferentes dificuldades. Ao longo da palestra, veremos como serviços da AWS (Amazon Bedrock e Amazon SageMaker) simplificam esse processo, permitindo a customização de modelos para seus domínios específicos sem a complexidade normalmente associada a esse tipo de processo.

A Inteligência Artificial Generativa está mudando a forma como empresas operam, desenvolvem software e automatizam processos. Nesta palestra, você conhecerá na prática o case da Charla, uma plataforma de agentes inteligentes que utiliza LLMs para compreender contexto, executar tarefas e integrar sistemas corporativos. Serão apresentados conceitos de GenIA, arquitetura de soluções com IA, sistemas multiagentes e exemplos reais de aplicação em negócios, produtividade e experiência do cliente. Uma visão prática de como transformar IA em valor concreto dentro das organizações, indo além de chatbots para criar soluções inteligentes que realmente geram impacto.

Nesta palestra, compartilho aprendizados práticos ao comparar múltiplos LLMs (como GPT, Gemini, Qwen e Gemma) em um sistema real de Busca Agêntica, analisando trade-offs entre qualidade, latência, custo e uso de tokens.

Mostro como diferentes modelos se comportaram em tarefas como interpretação de query, expansão de busca e reranking, e por que resultados de benchmark nem sempre refletem o desempenho em produção. Também abordo estratégias de avaliação (incluindo LLM Judge, testes A/B, e métricas), pontos de atenção, refinamento de prompts, além de desafios e aprendizados ao explorar fine-tuning supervisionado e com reforço.