Kurs Praktyczne narzędzia AI: Machine Learning, Deep Learning i RAG dla analityków i nieprogramistów

1. Jak działa sztuczna inteligencja w praktyce

Mechanika działania współczesnej AI zostanie pokazana z perspektywy analityka, który potrzebuje rozumieć modele bez wchodzenia w programowanie. Zakres obejmuje generowanie odpowiedzi, podstawy ML i Deep Learningu, rolę danych, trening i walidację oraz różnice między modelami predykcyjnymi, generatywnymi i LLM.

• z czego „składa się” współczesna AI,
• jak model generuje odpowiedź,
• skąd biorą się dobre odpowiedzi,
• podstawy Machine Learning i Deep Learning:
  • uczenie nadzorowane, nienadzorowane, uczenie ze wzmocnieniem (przykłady biznesowe: scoring, segmentacja, rekomendacje),
  • sieci neuronowe, głębokie sieci, czym różni się „klasyczny” ML od Deep Learningu,
• jak działa Machine Learning „pod maską” dla analityka:
  • dane podstawą modeli: cechy, etykiety, proces „uczenia na przykładach”,
  • pojęcia: trening, walidacja, test, przeuczenie, niedouczenie,
• rodzaje modeli: predykcyjne, generatywne, LLM:
  
  • modele predykcyjne (regresja, klasyfikacja) w zadaniach biznesowych,
  • modele generatywne (tekst, obrazy, kod) vs „klasyczne” modele predykcyjne,
  • modele rozumujące.

2. AI w analizie danych na co dzień

W codziennej analizie danych AI wspiera nie tylko interpretację wyników, lecz także przygotowanie materiału do pracy. Ujęto tu scenariusze związane z Excelem, opisem danych, analizą trendów i hipotez, a także użyciem Copilot, ChatGPT, Gemini oraz funkcji AI w Excelu i Power BI.

• wspieranie pracy w Excelu,
• przygotowanie i opis danych,
• analiza trendów i pierwsza lista hipotez,
• typowe scenariusze dla analityka,
• dane strukturalne i niestrukturalne,
• narzędzia analityczne z AI bez programowania – Copilot, ChatGPT, Gemini jako „warstwa AI” nad Excelem, SQL, BI,
• narzędzia typu „analiza danych z AI” w Excelu/Power BI.

3. Czy można ufać AI? Błędy, uprzedzenia i jakość danych w pracy analityka

Błędy modeli, halucynacje i uprzedzenia w danych wpływają bezpośrednio na wiarygodność wniosków analitycznych. W tej sekcji nacisk położono na rozumienie źródeł tych zjawisk, znaczenie jakości danych, zakres odpowiedzialności AI oraz podstawowe zasady bezpiecznego korzystania z narzędzi.

• halucynacje i błędy – jak je rozumieć,
• uprzedzenia (bias) w modelach i danych,
• jakość danych jako warunek sensownej analizy,
• ramy zaufania: za co AI może (nie) odpowiadać,
• proste zasady „bezpiecznego korzystania” dla analityka.

4. Tworzenie własnych narzędzi z pomocą AI (rozszerzony o AutoML / no‑code)

Tworzenie narzędzi analitycznych można rozszerzyć o AutoML oraz środowiska low-code i no-code. Uczestnicy przećwiczą, jak opisać problem dla AI, budować szablony, kalkulatory, checklisty, automatyzacje i zapytania, a następnie wykorzystać platformy bez kodu i narzędzia AI do analizy danych.

• jak opisać problem, żeby AI mogła zaprojektować narzędzie,
• szablony plików, kalkulatory, checklisty,
• proste automatyzacje, makra, zapytania,
• dobre praktyki przy budowie „własnych narzędzi”,
• AutoML i modele predykcyjne bez programowania,
• platformy low-code / no-code dla analityków,
• narzędzia do analizy danych wykorzystujące AI.

5. Systemy RAG i praca z danymi firmowymi (NotebookLM, MS Notebooks, AnythingLM)

Gdy firma chce pracować na własnych dokumentach i danych, kluczowe staje się właściwe użycie architektury RAG. Ta część wyjaśnia zasady działania Retrieval-Augmented Generation, przygotowanie danych strukturalnych i niestrukturalnych, projektowanie zapytań oraz zastosowania bez programowania.

• czym jest RAG (Retrieval-Augmented Generation),
• dane dla RAG: strukturalne, niestrukturalne, problemy jakości,
• przykłady wykorzystania RAG bez programowania,
• projektowanie zapytań do systemów RAG,
• przygotowanie danych do pracy z RAG.

6. Podstawy Machine Learning w praktyce analityka

Od pytania biznesowego do modelu prowadzi proces, który wymaga właściwego rozpoznania zadania: predykcji, klasyfikacji albo rekomendacji. Omówiony zostanie cykl prostego projektu ML, przygotowanie cech i metryk, a także różnice między klasycznym modelem, LLM i podejściem RAG.

• od problemu biznesowego do modelu – jak rozpoznać, że to „zadanie dla ML”: predykcja, klasyfikacja, rekomendacja,
• jak przełożyć pytanie biznesowe na input/output modelu:
  
  • cykl życia prostego projektu ML,
  • zrozumienie danych, przygotowanie cech, podział na zbiory, ocena jakości,
  • metryki: accuracy, precision/recall, AUC „ludzkim językiem”,
• ML z pomocą narzędzi bez kodu:
  
  • wykorzystanie AI do projektowania cech, interpretacji wyników modelu, wygenerowania opisów i wizualizacji,
• modele ML a LLM w pracy analityka:
  
  • kiedy sięgnąć po klasyczny model predykcyjny, a kiedy wystarczy,
  • LLM z dobrym promptem lub RAG.

7. Tworzenie własnych narzędzi z pomocą AI

AI może wspierać analityka w przełożeniu dobrze opisanego problemu na konkretne narzędzie bez programowania. Sekcja pokazuje, jak formułować założenia dla szablonów plików, kalkulatorów, checklist, prostych automatyzacji, makr i zapytań oraz jak stosować dobre praktyki przy ich budowie.

• jak opisać problem, żeby AI mogła zaprojektować narzędzie,
• szablony plików, kalkulatory, checklisty,
• proste automatyzacje, makra, zapytania,
• dobre praktyki przy budowie „własnych narzędzi”.