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

Proces szkoleniowy

Analiza potrzeb szkoleniowych

Jeśli masz życzenie dotyczące programu szkolenia, przeprowadzimy dla Ciebie analizę potrzeb szkoleniowych, która będzie wskazówką dla nas, na jakie aspekty programu położyć większy nacisk – tak, by program szkolenia spełniał konkretne potrzeby.

Co zyskujesz?

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.

Program szkolenia

1. Wprowadzenie do dużych modeli językowych LLM i generatywnej sztucznej inteligencji

zasada działania LLM,
architektura Transformer,
najpopularniejsze modele i ich zastosowania.

2. Mechanizmy działania LLM, tokenizacja, kontekst i parametry modeli

tokeny i okno kontekstowe,
temperature, top-p, max tokens,
wpływ parametrów na jakość odpowiedzi.

3. Koszty, ograniczenia, bezpieczeństwo i ryzyka związane z wykorzystaniem LLM

API a modele lokalne,
halucynacje, bias i błędy modeli,
bezpieczeństwo danych i dobre praktyki.

4. Prompt engineering – projektowanie skutecznych instrukcji dla modeli językowych

struktura promptu i role,
instrukcja, kontekst i format odpowiedzi,
zero-shot, few-shot i prompt chaining.

5. Zaawansowany prompt engineering, optymalizacja i standaryzacja promptów w organizacji

poprawianie i debugowanie promptów,
kontrolowanie jakości odpowiedzi,
tworzenie szablonów i bibliotek promptów.

6. Wykorzystanie narzędzi AI do generowania, analizowania, refaktoryzacji i debugowania kodu

GitHub Copilot, ChatGPT, Claude i narzędzia IDE,
generowanie i poprawianie kodu,
testy, dokumentacja i automatyzacja pracy programisty.

7. Integracja modeli LLM z aplikacjami poprzez API, REST i SDK

autoryzacja i zarządzanie kluczami,
integracja w Pythonie i JavaScript,
obsługa odpowiedzi, błędów, limitów i kosztów.

8. Modele multimodalne – wykorzystanie tekstu, obrazu, dokumentów i audio

analiza obrazów i dokumentów,
przetwarzanie danych multimodalnych,
zastosowania modeli multimodalnych w biznesie.

9. Embeddingi, wyszukiwanie semantyczne, bazy wektorowe i podstawy architektury RAG

tworzenie i wykorzystanie embeddingów,
semantic search i podobieństwo danych,
budowa prostego rozwiązania RAG.

10. Praktyczne zastosowania LLM w pracy z tekstem, danymi i automatyzacji procesów

generowanie, tłumaczenie i podsumowywanie treści,
klasyfikacja i ekstrakcja informacji,
automatyzacja procesów i budowa prostych workflow z LLM.

Jakie są wymagania wstępne do udziału w szkoleniu?

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.