Kurs LLM w praktyce – prompt engineering, API i automatyzacja pracy

1. Wprowadzenie do LLMów

• czym są modele językowe (LLM),
• architektura transformer,
• przykłady zastosowań w biznesie.

2. Podstawowa wiedza o LLM

• tokeny i tokenizacja,
• okno kontekstowe,
• parametry modeli (temperature, top-p, max tokens),
• koszty używania modeli (API vs lokalne modele),
• ograniczenia i ryzyka (halucynacje, bias).

3. Prompt engineering – podstawy

• struktura promptu,
• role (system, user, assistant),
• instrukcje vs kontekst,
• Few-shot prompting,
• Zero-shot vs chain-of-thought.

4. Prompt engineering – praktyka

• tworzenie skutecznych promptów,
• debugowanie promptów,
• optymalizacja wyników,
• standaryzacja promptów w organizacji.

5. Narzędzia do generowania kodu

• przegląd narzędzi (Copilot, ChatGPT, inne IDE AI),
• generowanie, refaktoryzacja i debugowanie kodu,
• automatyzacja pracy programisty,
• ograniczenia i dobre praktyki.

6. Integracja z API/SDK LLMów

• wprowadzenie do API (REST),
• autoryzacja i zarządzanie kluczami,
• przykłady integracji (Python, JavaScript),
• obsługa zapytań i odpowiedzi,
• zarządzanie kosztami i limitami.

7. Modele multimodalne

• wprowadzenie do multimodalności (tekst, obraz, audio),
• przykłady zastosowań,
• analiza obrazów i dokumentów,
• generowanie treści multimodalnych.

8. Tworzenie embeddingów

• czym są embeddingi,
• reprezentacja semantyczna tekstu,
• wyszukiwanie podobieństw (semantic search),
• wprowadzenie do RAG.

9. Use case’y pracy z tekstem

• redagowanie treści,
• tłumaczenie,
• podsumowywanie,
• klasyfikacja i ekstrakcja danych,
• automatyzacja procesów tekstowych w firmie.