Szkolenie dla każdego, kto posiada podstawową wiedzę z programowania w języku Python.
Celem tego dwudniowego kursu jest umożliwienie uczestnikom zdobycia praktycznych umiejętności w zakresie wykorzystania nowoczesnych technologii AI do przetwarzania języka naturalnego, budowania aplikacji oraz efektywnego wdrażania rozwiązań AI w środowisku produkcyjnym i biznesowym.
- Natychmiastowe Zastosowanie – Już kolejnego dnia po szkoleniu można wdrożyć wiedzę w pracy. Gotowe projekty do wykorzystania: chatbot RAG, AI agent, FastAPI microservice.
- Redukcja Kosztów o 30-50% – Świadomy prompt engineering i wybór modeli oszczędza 40-60% kosztów API. Automatyzacja procesów (customer service, code review, analiza dokumentów) redukuje koszty operacyjne.
- Wzrost Produktywności 30-50% – Programiści, analitycy i zespoły CS obsługują znacznie więcej zadań dzięki AI assistants i automation.
- Production-Ready Skills – 80% hands-on coding z enterprise patterns: error handling, monitoring, security, deployment. Nie teoria, tylko działający kod produkcyjny.
- Budowa AI Agents – Praktyczna umiejętność tworzenia autonomicznych systemów (research agents, data analysis agents, customer service bots) w LangChain i LangGraph.
- RAG dla Firmowych Danych – Kompletna implementacja systemu Q&A nad dokumentami firmy – od embeddings przez vector DB po deployment.
- Przewaga Konkurencyjna – AI/LLM skills to top 3 najbardziej poszukiwane umiejętności na rynku. Wzrost wartości rynkowej o 20-40% i nowe możliwości kariery.
- Najnowsze Technologie 2024-2026 – Claude 4, GPT-4 Turbo, Llama 3.2, LangGraph, structured outputs, function calling, MCP – wszystko co aktualnie działa w enterprise.
- Fast Track – 2 Dni Zamiast 6 Miesięcy – Ustrukturyzowany program z ekspertem (20+ lat IT, AI Team Lead w bankowości) skraca ścieżkę uczenia z miesięcy do 2 dni.
- Kompletny Toolkit – Cały codebase z zajęć, templates agentów, best practices, deployment scripts – gotowe komponenty do budowy własnych rozwiązań AI.
Dzień 1: Fundamenty AI i Praca z Modelami LLM
1. Wprowadzenie do AI i LLM
- Ewolucja NLP: od RNN przez Transformers do LLM
- Architektura Transformers (attention mechanism, self-attention)
- Przegląd ekosystemu modeli językowych 2024-2026
2. Współczesne Modele LLM
- Modele własnościowe:
- OpenAI (GPT-4, GPT-4 Turbo, o1)
- Anthropic Claude (Claude 3.5 Sonnet, Claude 4)
- Google Gemini
- Modele open-source:
- Llama 3/3.1/3.2
- Qwen, DeepSeek
- Modele multimodalne (vision, audio, video)
- Wybór modelu do zadania (cost vs performance)
3. Prompt Engineering – Zaawansowane Techniki
- Podstawowe strategie:
- Zero-Shot, Few-Shot, Multi-Shot
- Chain of Thought (CoT)
- Tree of Thoughts (ToT)
- ReAct (Reasoning + Acting)
- Zaawansowane techniki:
- System prompts i role engineering
- Structured outputs (JSON mode, schema validation)
- Prompt chaining i decomposition
- Few-shot learning z przykładami
- Praktyczne zastosowania:
- Ekstrakcja i klasyfikacja danych
- Generowanie i review kodu
- Analiza dokumentów
- Negocjacje z modelem i kontrola outputu
4. Function Calling i Tool Use
- API function calling (OpenAI, Claude)
- Definiowanie narzędzi i schematów
- Parallel function calling
- Error handling i walidacja
Dzień 2: Budowa Aplikacji AI i Systemy Produkcyjne
1. Python dla AI – Praktyczne Podstawy
- Environment setup (venv, conda, uv)
- Kluczowe biblioteki: OpenAI SDK, Anthropic SDK, LangChain
2. Frameworks dla Aplikacji AI
- Streamlit – szybkie prototypowanie UI
- FastAPI – production-ready REST API
3. RAG (Retrieval-Augmented Generation)
- Architektura RAG:
- Document loading i preprocessing
- Text splitting strategies (recursive, semantic)
- Embeddings (OpenAI)
- Vector Databases:
- ChromaDB (development)
- FAISS (lightweight)
- Zaawansowany RAG:
- Hybrid search (semantic + keyword)
- Reranking (Cohere, cross-encoders)
- Query transformation
- Metadata filtering
- Praktyka: Budowa systemu Q&A nad dokumentami
4. AI Agents w LangChain – Kompleksowy Przegląd
4.1. Wprowadzenie do Agentów
- Czym jest AI Agent? (autonomiczne systemy decision-making)
- Agent vs Chain vs Workflow
- ReAct pattern (Reasoning + Acting)
- Kiedy używać agentów, a kiedy chains
4.2. LangChain Agents – Podstawy
- Architektura agenta:
- Agent Executor
- Agent Loop (think → act → observe → repeat)
- Prompt templates dla agentów
- Typy agentów w LangChain:
- Zero-shot-react-description – podstawowy ReAct agent
- Structured-chat-zero-shot-react-description – dla wielu inputów
- Openai-functions – wykorzystujący function calling
- Openai-tools – najnowszy, tool-based agent
- Conversational-react-description – z pamięcią konwersacji
- Praktyka: Budowa pierwszego agenta z narzędziami
4.3. Tools (Narzędzia) dla Agentów
- Built-in Tools:
- SerpAPI (web search)
- Python REPL
- Wikipedia, Arxiv
- Calculator, Datetime
- Custom Tools:
- Tworzenie własnych narzędzi (@tool decorator)
- StructuredTool dla złożonych inputów
- BaseTool – zaawansowana konfiguracja
- Praktyka: Implementacja custom tools (API calls, database queries)
4.4. LangGraph – Nowoczesne Budowanie Agentów
- Wprowadzenie do LangGraph:
- Grafy stanowe dla agentów
- Nodes, Edges, Conditional Edges
- State management
- Architektura LangGraph:
- StateGraph basics
- MessageGraph dla chatbotów
- Persistence i checkpointing
- Budowa agentów w LangGraph:
- Agent node definition
- Tool execution nodes
- Conditional routing
- Human-in-the-loop patterns
- Zaawansowane wzorce:
- Multi-agent collaboration
- Supervisor pattern
- Hierarchical agents
- Agent handoffs
- Praktyka: Budowa complex agent workflow w LangGraph
4.5. Memory i Context Management
- Typy pamięci:
- ConversationBufferMemory
- ConversationSummaryMemory
- ConversationBufferWindowMemory
- VectorStoreRetrieverMemory
- Long-term memory dla agentów:
- Integracja z vector stores
- Memory compression strategies
- Token management
- Praktyka: Agent z długoterminową pamięcią
4.6. Zaawansowane Techniki Agentów
- Plan-and-Execute Agents:
- Planning step
- Execution step
- Re-planning loop
- Multi-Agent Systems:
- Agent communication protocols
- Collaborative problem solving
- Debate patterns
- Consensus mechanisms
- Self-Reflection i Self-Improvement:
- Reflexion pattern
- Output evaluation
- Iterative refinement
- Tool Augmented Agents:
- RAG + Agents
- Code execution agents
- Database query agents
- API integration agents
4.7. Monitoring i Debugging Agentów
- LangSmith dla agentów:
- Tracing agent decisions
- Tool usage analytics
- Performance monitoring
- Debugging strategies:
- Verbose mode
- Callbacks i logging
- Agent trajectory analysis
- Error handling:
- Retry logic
- Fallback strategies
- Graceful degradation
4.8. Praktyczne Case Studies
- Research Assistant Agent:
- Web search + summarization
- Multi-source information gathering
- Data Analysis Agent:
- SQL queries + Python execution
- Visualization generation
- Customer Service Agent:
- CRM integration
- Email/ticket handling
- Multi-step workflows
- Code Generation Agent:
- Requirements analysis
- Code generation
- Testing i debugging
4.9. Produkcyjne Wdrożenie Agentów
- Deployment considerations:
- Stateful vs stateless agents
- Scaling strategies
- Cost optimization
- Safety i guardrails:
- Action validation
- Sensitive operation approval
- Rate limiting
- Budget constraints
- Integration patterns:
- REST API dla agentów
- Event-driven architectures
- Message queues (RabbitMQ, Kafka)
- MCP (Model Context Protocol)
5. Produkcyjne Aspekty
- Monitoring i Observability:
- Logging (LangSmith, Weights & Biases)
- Cost tracking
- Performance metrics
- Security:
- Prompt injection prevention
- Data sanitization
- API key management
- Budowa własnego narzędzia/mikroserwisu:
- Od pomysłu do deployment
- Integration patterns
- Error handling i retry logic
6. Podsumowanie i Q&A
- Best practices
- Typowe pułapki i jak ich unikać
- Dalsze ścieżki rozwoju
- Zasoby i społeczność
Znaczenie Large Language Models w sztucznej inteligencji
W dzisiejszym zautomatyzowanym świecie AI w Pythonie odgrywa niezwykle istotną rolę. Jednym z kluczowych elementów tej technologii są Large Language Models, które przyspieszają rozwój sztucznej inteligencji poprzez swoje zdolności przetwarzania języka naturalnego. Modele te bazują na skomplikowanych strukturach, takich jak architektura transformatorów, co pozwala im na zrozumienie i generowanie tekstu w sposób niezwykle zbliżony do ludzkiego myślenia. Korzyści płynące z ich wykorzystania są ogromne – od automatyzacji procesów w biznesie po intuicyjne interakcje z technologią, co znacząco podnosi efektywność wielu działań. Znaczenie LLM w AI jest niezaprzeczalne, szczególnie w kontekście analizy danych tekstowych, tłumaczeń maszynowych czy personalizacji treści. Podczas szkolenia organizowanego przez EY Academy of Business pogłębisz zrozumienie tych złożonych systemów oraz zdobędziesz umiejętności ich praktycznego wykorzystania. Zdobądź wiedzę, która poprawi Twoje umiejętności i otworzy nowe ścieżki w karierze. Dołącz do nas, aby poznać najnowsze osiągnięcia w dziedzinie AI i bądź o krok przed wyzwaniami przyszłości.
Korzyści wynikające z uczestnictwa w szkoleniu
Uczestnictwo w warsztatach z AI w Pythonie organizowanych przez EY Academy of Business daje unikalną sposobność do zdobycia konkretnych umiejętności w pracy z nowoczesnymi modelami językowymi. Dzięki intensywnemu programowi zgłębisz tajniki sztucznej inteligencji, co obejmuje zrozumienie architektur takich jak Transformers, a także nauczysz się efektywnego stosowania AI w Pythonie w codziennej pracy. Poznasz techniki Prompt Engineeringu oraz metody integracji modeli LLM do aplikacji webowych, co otwiera przed Tobą nowe ścieżki rozwoju zawodowego. W miarę jak coraz więcej firm na świecie integruje sztuczną inteligencję w swoje operacje, posiadanie wiedzy w tym zakresie staje się kluczowym atutem na rynku pracy. Uczestnictwo w warsztatach daje korzyści takie jak możliwość samodzielnego tworzenia zaawansowanych narzędzi AI, co czyni Cię bardziej konkurencyjnym w branży technologicznej. Jest to inwestycja w przyszłość, która pomoże Ci wyróżnić się jako ekspert w dynamicznie rozwijającej się dziedzinie.
Tworzenie aplikacji webowych z Pythonem i FastAPI
Podczas warsztatów AI w Pythonie zyskasz umiejętność tworzenia nowoczesnych aplikacji webowych, korzystając z języka Python i biblioteki FastAPI. Warsztaty organizowane przez EY Academy of Business dostarczą Ci praktycznych narzędzi do budowania efektywnych narzędzi, które wyróżniają się szybkością działania oraz prostotą implementacji. FastAPI to biblioteka, która umożliwia wygodne projektowanie API, co pozwala na bezproblemową integrację modeli AI w różnorodnych projektach. Nasze zajęcia kładą nacisk na pracę w środowisku Python, umożliwiając Ci lepsze zrozumienie pełnego cyklu tworzenia aplikacji – od koncepcji po wdrożenie. Pod czujnym okiem doświadczonych trenerów nauczysz się, jak za pomocą FastAPI ułatwić komunikację między aplikacjami, co znacznie podniesie wydajność i funkcjonalności Twoich projektów. Skorzystanie z tego kursu otworzy przed Tobą nowe możliwości zawodowego rozwoju. Zapisz się już dziś i zdobądź przewagę na rynku, ucząc się od najlepszych w branży.
Dzień 1: Głębokie Zrozumienie Modeli Języka Naturalnego
Szkolenie rozpocznie się od podstawowego wprowadzenia do sztucznej inteligencji, z szczególnym uwzględnieniem sieci neuronowych rekurencyjnych (RNN) i transformatorów, które stanowią fundament dla rozwoju modeli przetwarzania języka naturalnego. Uczestnicy zgłębią architekturę i zastosowania modeli LLM (Large Language Models), takich jak OpenAI Claude, LLama2, Codellama, co pozwoli na praktyczne zrozumienie ich działania.
Podczas sesji na temat Prompt Engineering, uczestnicy nauczą się, jak efektywnie komunikować się z modelami LLM, stosując techniki takie jak Zero-Shot, Multi-Shot oraz Chain of Thought, co pozwoli na bardziej precyzyjne i skuteczne wykorzystanie modeli w różnych zastosowaniach. Kolejne bloki zajęć obejmą negocjacje z modelem, techniki ekstrakcji danych, formaty odpowiedzi, a także generowanie kodu, w tym praktyczne zadania z recenzji kodu.
Dzień 2: Praktyczne Zastosowania i Integracja Technologii
Drugi dzień szkolenia będzie poświęcony praktycznym umiejętnościom programowania w Pythonie, z wprowadzeniem do bibliotek Streamlit i FastAPI, co umożliwi uczestnikom budowanie aplikacji webowych i API. Szczególny nacisk zostanie położony na metody udostępniania modeli przez REST API oraz na tworzenie prostych chatbotów.
Dodatkowo, uczestnicy zapoznają się z zaawansowanymi technikami zarządzania danymi i wiedzą, takimi jak bazy wektorowe i budowa systemów pytanie-odpowiedź (RAG) oraz praktyczne wykorzystanie baz danych takich jak ChromaDB i vectordb. Na zakończenie, uczestnicy będą mieli okazję zbudować własne narzędzia, wykorzystując zdobytą wiedzę i umiejętności.
Cena 
Cena za osobę
