Świadome użycie LLM - Zrozumiesz, jak działają LLM-y, tokeny, okno kontekstowe i parametry modeli, dzięki czemu będziesz dobierać narzędzia oraz ustawienia do zadań biznesowych zamiast działać metodą prób i błędów.
Lepsze prompty od razu - Nauczysz się budować prompty z właściwą strukturą, rolami, kontekstem i przykładami, więc szybciej uzyskasz trafniejsze odpowiedzi, mniej poprawek i bardziej przewidywalne wyniki pracy modelu.
Mniej błędów i halucynacji - Dowiesz się, jak debugować prompty, ograniczać halucynacje, rozpoznawać bias i testować odpowiedzi modelu, aby bezpieczniej wykorzystywać AI w codziennej pracy i komunikacji z klientami.
Szybsza praca z kodem - Poznasz praktyczne zastosowanie narzędzi AI do generowania, refaktoryzacji i debugowania kodu, dzięki czemu skrócisz czas pracy nad typowymi zadaniami programistycznymi i technicznymi.
Integracja przez API - Zobaczysz, jak połączyć aplikacje z API modeli w Pythonie i JavaScripcie, obsłużyć autoryzację, zapytania i odpowiedzi oraz przygotować podstawę do własnych automatyzacji i usług AI.
Semantic search i RAG - Zrozumiesz embeddingi, wyszukiwanie semantyczne i podstawy RAG, więc będziesz umieć tworzyć rozwiązania, które odnajdują właściwe informacje w dokumentach i podają trafniejsze odpowiedzi.
Automatyzacja pracy z tekstem - Nauczysz się projektować procesy oparte na LLM do redagowania, tłumaczenia, podsumowywania, klasyfikacji i ekstrakcji danych, aby usprawnić powtarzalne zadania w zespole i firmie.
Praca z multimodalnością - Poznasz możliwości modeli analizujących tekst, obrazy i dokumenty, dzięki czemu rozszerzysz zastosowanie AI o rozpoznawanie treści wizualnych oraz tworzenie materiałów w różnych formatach.
Duże modele językowe stanowią podstawę współczesnych rozwiązań generatywnej sztucznej inteligencji stosowanych w wielu obszarach pracy. W tej części wyjaśniona zostaje zasada działania LLM, rola architektury Transformer oraz miejsce najpopularniejszych modeli w typowych zastosowaniach.
Na jakość odpowiedzi wpływają zarówno mechanizmy tokenizacji, jak i ustawienia sterujące generowaniem. Uczestnicy przechodzą przez tokeny, okno kontekstowe oraz parametry temperature, top-p i max tokens, analizując ich wpływ na spójność, przewidywalność i użyteczność wyników.
Przy wdrażaniu LLM trzeba równoważyć możliwości modeli z kosztami, ryzykiem i wymaganiami bezpieczeństwa. Sekcja porównuje API oraz modele lokalne, omawia halucynacje, bias i błędy generowania, a także porządkuje dobre praktyki ochrony danych i ograniczania ryzyka.
Skuteczność modelu w dużej mierze zależy od sposobu formułowania poleceń i dostarczanego kontekstu. Omawiana jest struktura promptu, użycie ról, określanie instrukcji i formatu odpowiedzi oraz techniki zero-shot, few-shot i prompt chaining w praktycznych scenariuszach.
W organizacji same dobre prompty nie wystarczą, jeśli trudno je utrzymać, oceniać i ponownie wykorzystywać. Ten blok skupia się na poprawianiu oraz debugowaniu promptów, metodach kontroli jakości odpowiedzi, a także tworzeniu szablonów i bibliotek wspólnych dla zespołów.
Narzędzia takie jak GitHub Copilot, ChatGPT, Claude i wsparcie dostępne w IDE zmieniają codzienną pracę programisty. Tematyka obejmuje generowanie i poprawianie kodu, refaktoryzację oraz debugowanie, a także wykorzystanie AI do testów, dokumentacji i automatyzacji powtarzalnych zadań.
Aby osadzić model w aplikacji, trzeba poprawnie obsłużyć komunikację, bezpieczeństwo i ograniczenia środowiska wykonawczego. Część dotyczy autoryzacji i zarządzania kluczami, integracji przez API, REST i SDK w Pythonie oraz JavaScript, a także obsługi odpowiedzi, błędów, limitów i kosztów.
Łączenie tekstu z obrazem, dokumentem i dźwiękiem rozszerza zakres zadań, które można powierzyć jednemu modelowi. Uczestnicy analizują przetwarzanie danych multimodalnych, interpretację obrazów i dokumentów oraz przykłady zastosowań biznesowych opartych na takich wejściach.
Gdy potrzebne jest wyszukiwanie oparte na znaczeniu, a nie tylko na zgodności słów kluczowych, kluczowe stają się embeddingi i bazy wektorowe. Sekcja wyjaśnia reprezentację podobieństwa danych, działanie semantic search oraz budowę prostego rozwiązania RAG do pracy na własnych źródłach.
Praca z tekstem, prostymi danymi i obiegiem zadań pokazuje, gdzie LLM dają największą wartość operacyjną. Zakres obejmuje generowanie, tłumaczenie i streszczanie treści, a także klasyfikację, ekstrakcję informacji oraz budowę nieskomplikowanych workflow wspieranych przez model.
Podstawy pracy z komputerem - Powinieneś swobodnie pracować na komputerze, korzystać z przeglądarki, edytora tekstu i prostych narzędzi online, bo szkolenie opiera się na ćwiczeniach praktycznych.
Podstawy angielskiego technicznego - Powinieneś rozumieć podstawowe pojęcia techniczne po angielsku, ponieważ część nazw narzędzi, parametrów, dokumentacji API i przykładów kodu występuje w tym języku.
Logiczne myślenie procesowe - Powinieneś umieć opisać krok po kroku zadanie lub proces, ponieważ podczas szkolenia będziesz przekładać cele biznesowe na prompty, automatyzacje i integracje z API.
Mile widziane podstawy kodu - Dobrze, jeśli znasz podstawy składni Python lub JavaScript, bo ułatwi Ci to pracę z przykładami integracji, choć nie musisz być programistą, aby skorzystać ze szkolenia.
