Kurs Sztuczna Inteligencja (AI) z Large Language Models

1. Wprowadzenie do Sztucznej inteligencji

Sztuczna inteligencja zostaje najpierw osadzona w kontekście definicji, historii i najważniejszych obszarów zastosowań. Ten punkt buduje wspólne podstawy do dalszej pracy, a jednocześnie porządkuje bieżące trendy oraz kierunki rozwoju AI.

• definicje i historia AI,
• przegląd głównych obszarów i zastosowań AI,
• aktualne trendy i przyszłość AI.

2. Podstawy Large Language Models

Large Language Models zostały tu ujęte od strony podstaw działania, głównych rodzin modeli i ich zastosowań w przetwarzaniu języka naturalnego. Dodatkowo sekcja porusza multimodalność, modele SLM, bezpieczeństwo wynikające z modeli lokalnych oraz wyjaśnialność modeli.

• wprowadzenie do Large Language Models (LLM),
• przegląd głównych modeli LLM, zastosowania,
• LLM w przetwarzaniu języka naturalnego,
• multimodalność w systemach sztucznej inteligencji,
• modele SLM, bezpieczeństwo dzięki modelom lokalnym,
• wyjaśnialność modeli.

3. Chatboty GPT i ich zastosowania

Chatboty GPT powstają na styku działania modeli, jakości danych i dostępu do wiedzy zewnętrznej. W sekcji omawiana jest ich architektura, wykorzystanie systemów RAG i baz wektorowych, przygotowanie danych źródłowych oraz zastosowania w biznesie i edukacji.

• budowa i działanie modeli, tworzenie chatbotów,
• systemy RAG – źródło wiedzy dla modeli,
• bazy wektorowe – odnajdywanie znaczeń,
• opracowywanie danych źródłowych dla systemów AI,
• praktyczne zastosowania chatbotów GPT w biznesie i edukacji.

4. Projektowanie agentów i orkiestracja procesów w n8n

Tworzenie agentów w n8n polega na połączeniu logiki, automatyzacji i interakcji z modelem w jednym przepływie pracy. Uczestnicy przechodzą od budowy „mózgu” agenta przez systemy multi-agent i procesy z użyciem n8n oraz MCP, po szybkie prototypowanie w podejściu vibe-coding.

• n8n jako platforma operacyjna AI – wykorzystanie wizualnych komponentów do budowy „mózgu” agenta.
• Systemy multi-agent – łączenie wielu przepływów pracy w jeden autonomiczny ekosystem rozwiązujący złożone zadania.
• od promptu do automatyzacji – budowa kompletnych procesówz wykorzystaniem n8n i MCP.
• Vibe-coding – szybkie prototypowanie i wdrażanie agentów.

5. Etyczne i społeczne aspekty LLM

Gdy LLM trafiają do procesów biznesowych i przestrzeni publicznej, rosną znaczenie regulacji oraz skutki społeczne ich użycia. Omawiane są AI Act i compliance, prawa autorskie, prywatność, bezpieczeństwo danych, Human-in-the-Loop oraz przyszła rola LLM w społeczeństwie.

• AI Act i compliance – europejskie rozporządzenie o sztucznej inteligencji
• wpływ LLM na prawa autorskie, prywatność i bezpieczeństwo danych,
• Human-in-the-Loop – implementacja punktów kontrolnych w systemach wspomaganych AI,
• przyszłość LLM i ich rola w społeczeństwie.

6. Zaawansowane zastosowania AI i LLM

Zaawansowane scenariusze pokazują, jak AI i LLM wychodzą poza proste interfejsy konwersacyjne i wspierają rozwiązania branżowe. Sekcja obejmuje również aktualne kierunki badań oraz przewidywane ścieżki rozwoju, co pomaga odnieść obecne wdrożenia do przyszłych możliwości technologii.

• innowacyjne zastosowania AI i LLM w różnych branżach,
• przegląd najnowszych badań i przyszłych kierunków rozwoju w dziedzinie AI i LLM.

7. Techniczne aspekty pracy z LLM

Skalowanie LLM wiąże się z decyzjami infrastrukturalnymi, sposobem wdrożenia i kontrolą działania modeli. W tej części analizowane są praktyki zarządzania oraz monitorowania modeli w produkcji, a także self-hosting systemów AI tam, gdzie liczy się autonomia, bezpieczeństwo lub wydajność.

• skalowanie LLM,
• zarządzanie i monitorowanie modeli w produkcji
• self-hosting systemów AI.

8. Budowanie zespołów i projektów AI

Z perspektywy organizacji skuteczne dostarczanie rozwiązań AI opiera się na jasnym podziale odpowiedzialności i mierzalnych rezultatach. Tutaj omawiane są role związane z utrzymaniem modeli produkcyjnych, ich nadzorem oraz wskaźniki sukcesu wykorzystywane w zarządzaniu projektem.

• zarządzanie i monitorowanie modeli w produkcji,
• nowe role osób w IT,
• miary sukcesu.

9. Budowanie zespołów i projektów AI

Prowadzenie projektów AI w praktyce wymaga czegoś więcej niż wyboru modelu. Sekcja koncentruje się na monitorowaniu modeli w produkcji, zmianie ról w zespołach IT oraz na miernikach, które pozwalają ocenić trwałą wartość operacyjną i biznesową rozwiązania.

• zarządzanie i monitorowanie modeli w produkcji,
• nowe role osób w IT,
• miary sukcesu.

10. Podsumowanie szkolenia

Końcowa część porządkuje zagadnienia omawiane podczas całego szkolenia, łącząc podstawy, wdrożenia, kwestie organizacyjne i techniczne w jeden spójny obraz. Ułatwia też osadzenie inicjatyw opartych na LLM w kontekście zastosowań, ograniczeń oraz wpływu na organizację.