Integracja AI w procesach i aplikacjach biznesowych- szkolenie online

Name: Integracja AI w procesach i aplikacjach biznesowych- szkolenie online
Start: 2026-10-05
End: 2026-10-07
Location: TQMsoft

Pogłębienie wiedzy z zakresu sztucznej inteligencji - przejście od teorii do praktycznego wdrażania rozwiązań AI z wykorzystaniem Pythona i nowoczesnych frameworków.
Nabycie umiejętności przygotowania i przetwarzania danych do projektów AI (czyszczenie, selekcja, transformacja, feature engineering).
Poznanie kluczowych algorytmów uczenia maszynowego i głębokiego oraz umiejętność doboru odpowiedniego podejścia do problemu biznesowego.
Praktyczne budowanie rozwiązań AI - od prototypu do działającego systemu (RAG, integracja z API, deployment).
Zrozumienie architektury nowoczesnych systemów AI - LLM, RAG, agenci AI, multimodalność.
Nabycie umiejętności oceny i zabezpieczania systemów AI - prompt injection, halucynacje, ewaluacja modeli.
Przygotowanie do samodzielnego prowadzenia projektów AI w organizacji - od analizy danych do wdrożenia produkcyjnego.

AI-TECH-ONL

Stationary version available

05 - 07 Oct 2026

remaining 2 months 12 days

Location: Online

25 - 27 Nov 2026

remaining 4 months 1 day

Location: Online

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.

Uczestnik uczy się:

Przygotowywać i analizować dane do projektów AI (czyszczenie, selekcja, transformacja z użyciem Pandas).
Dobierać i trenować algorytmy uczenia maszynowego do konkretnych problemów biznesowych.
Budować pipeline'y przetwarzania danych i modeli ML.
Implementować system RAG (Retrieval-Augmented Generation) od podstaw.
Integrować modele AI z API i wdrażać je w środowisku produkcyjnym.
Ewaluować modele i zabezpieczać systemy AI przed atakami.

Uczestnik dowiaduje się:

Jak działają najnowsze architektury AI (Transformery, LLM, modele multimodalne).
Jakie narzędzia i frameworki warto stosować w projektach AI (LangChain, HuggingFace, OpenAI API, itp.).
Jak oceniać jakość modeli i unikać typowych pułapek (overfitting, data leakage, halucynacje).
Jakie są best practices dotyczące bezpieczeństwa systemów AI w środowisku produkcyjnym.
Jak projektować architekturę systemu AI od MVP do skalowania.

Liderzy projektów IT i analitycy danych - zajmujący się aspektami technicznymi wdrożeń AI.
Programiści, deweloperzy i pracownicy działu IT - chcący poszerzyć kompetencje o uczenie maszynowe i AI.
Data Scientists i Data Engineers - szukający praktycznych umiejętności wdrożeniowych.
Specjaliści ds. automatyzacji i DevOps - zainteresowani integracją AI z istniejącymi systemami.
Osoby z doświadczeniem technicznym, chcące przejść na stanowiska związane z AI/ML.

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.

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