Integracja AI w procesach i aplikacjach biznesowych

Dane, algorytmy i fundamenty AI

Moduł 1: Przygotowanie danych do projektów AI

• Źródła danych w organizacji – jak je identyfikować i oceniać jakość.
• Czyszczenie, selekcja i transformacja danych z użyciem Python + Pandas.
• Feature engineering – jak tworzyć cechy, które zwiększają skuteczność modeli.
• Hands-on: praca z rzeczywistym zbiorem danych – od surowych danych do gotowego datasetu.

Moduł 2: Algorytmy uczenia maszynowego w praktyce

• Modele predykcyjne i klasyfikacyjne – kiedy który stosować.
• Algorytmy: regresja, drzewa decyzyjne, Random Forest, XGBoost – praktyczne porównanie.
• Trenowanie, walidacja i ewaluacja modeli (metryki: accuracy, precision, recall, F1, AUC).
• Hands-on: budowa modelu klasyfikacyjnego od zera w Pythonie (scikit-learn).

Moduł 3: Deep Learning i nowoczesne architektury

• Od sieci neuronowych do Transformerów – ewolucja architektur.
• Jak działają Large Language Models (LLM) – tokenizacja, attention, generowanie tekstu.
• Modele multimodalne – przetwarzanie tekstu, obrazu i audio jednocześnie.
• Porównanie modeli: GPT, Claude, Gemini, modele open-source (Llama, Mistral).
• Hands-on: korzystanie z API modeli językowych – prompting, parametry, structured output.

Budowanie i wdrażanie systemów AI

Moduł 4: RAG (Retrieval-Augmented Generation) od podstaw

• Architektura RAG – dlaczego to kluczowa technologia dla biznesowych zastosowań AI.
• Embeddingi i bazy wektorowe – jak indeksować wiedzę organizacji.
• Chunking strategies – jak dzielić dokumenty dla optymalnego wyszukiwania.
• Hands-on: budowa działającego chatbota RAG od zera – od zaindeksowania dokumentów po gotowy interfejs.

Moduł 5: Bezpieczeństwo i ewaluacja systemów AI

• Prompt injection – symulacja ataku i techniki obrony (hands-on).
• Halucynacje LLM – jak je wykrywać i minimalizować.
• Ewaluacja systemów RAG – metryki: faithfulness, relevancy, context precision.
• Best practices bezpieczeństwa AI w produkcji.
• Hands-on: atak prompt injection na chatbota zbudowanego w Module 4 + implementacja zabezpieczeń.

Moduł 6: Integracja, deployment i trendy

• Integracja AI z istniejącymi systemami – API, webhooks, mikroserwisy.
• Od prototypu do produkcji – konteneryzacja, CI/CD dla modeli AI.
• Agenci AI – autonomiczne systemy realizujące złożone zadania.
• Trendy: multimodalne modele, Edge AI, on-premise vs cloud.
• Warsztat końcowy: rozbudowa chatbota RAG – dodanie nowych źródeł danych, fine-tuning promptów, optymalizacja odpowiedzi.

Ćwiczenia:

• Przygotowanie danych: czyszczenie i feature engineering na rzeczywistym zbiorze danych (Python + Pandas).
• Budowa modelu ML: trenowanie i ewaluacja modelu klasyfikacyjnego (scikit-learn).
• Praca z API LLM: prompting, structured output, porównanie modeli.
• Budowa chatbota RAG od zera: indeksowanie dokumentów, embeddingi, baza wektorowa, interfejs.
• Symulacja ataku Prompt Injection: atak i implementacja technik obrony.
• Rozbudowa chatbota RAG: dodatkowe źródła danych, optymalizacja, zabezpieczenia.

Po ukończeniu szkolenia uczestnicy będą w stanie:

• Samodzielnie przygotować dane i zbudować model uczenia maszynowego rozwiązujący realny problem biznesowy.
• Wdrożyć system RAG, który wykorzystuje wiedzę organizacji do generowania odpowiedzi.
• Zintegrować rozwiązania AI z istniejącymi systemami za pomocą API.
• Ocenić i zabezpieczyć systemy AI przed typowymi zagrożeniami.
• Zaprojektować architekturę systemu AI od MVP do produkcji.

• Krótki wykład wprowadzający z kontekstem biznesowym i technicznym.
• Intensywne ćwiczenia hands-on z kodowaniem w Pythonie (65% czasu szkolenia).
• Live coding z trenerem – budowanie rozwiązań krok po kroku.
• Analiza przypadków z branży produkcyjnej i automotive.
• Code review i dyskusja nad rozwiązaniami uczestników.
• Q&A i konsultacje indywidualne.

• Szkolenie prowadzone zdalnie poprzez sesję wideokonferencji on-line z wykorzystaniem dedykowanych narzędzi.
• Uczestnicy dostają link do otwarcia sesji. Materiały są dostępne w wersji elektronicznej.