Specjalista ds. sztucznej inteligencji (AI), uczenia maszynowego (ML) i chatbotów
Specjalista ds. sztucznej inteligencji (AI), uczenia maszynowego (ML) i chatbotów
Informacje podstawowe
Informacje podstawowe
- KategoriaInformatyka i telekomunikacja / Programowanie
- Grupa docelowa usługi
Szkolenie skierowane jest do osób dorosłych zainteresowanych rozwojem kompetencji w obszarze sztucznej inteligencji oraz nowoczesnych technologii cyfrowych. Usługa adresowana jest w szczególności do osób, które chcą zrozumieć praktyczne zastosowanie narzędzi opartych o AI, w tym chatbotów, oraz wykorzystać je w codziennej pracy zawodowej lub działalności biznesowej.
Grupę docelową stanowią m.in. osoby chcące zwiększyć swoje kompetencje cyfrowe, nadążyć za zmianami technologicznymi oraz przygotować się do funkcjonowania w środowisku pracy wykorzystującym rozwiązania oparte na sztucznej inteligencji. Szkolenie skierowane jest również do osób planujących zmianę ścieżki zawodowej lub rozszerzenie dotychczasowych kompetencji w kierunku IT i AI, a także do osób chcących rozwijać się zgodnie z aktualnymi trendami rynku pracy.
- Minimalna liczba uczestników3
- Maksymalna liczba uczestników28
- Data zakończenia rekrutacji03-03-2026
- Forma prowadzenia usługizdalna w czasie rzeczywistym
- Liczba godzin usługi16
- Podstawa uzyskania wpisu do BURCertyfikat ISO 21001: 2018 Organizacje edukacyjne – „Systemy zarządzania dla organizacji edukacyjnych – wymagania ze wskazówkami dotyczącymi użytkowania”
Cel
Cel
Cel edukacyjny
Uczestnik szkolenia nabędzie umiejętności w zakresie wykorzystania języka Python oraz metod sztucznej inteligencji i uczenia maszynowego do analizy danych oraz tworzenia prostych rozwiązań informatycznych, w tym modeli AI i chatbotów opartych o przetwarzanie języka naturalnego. Podczas szkolenia pozna podstawowe pojęcia i mechanizmy działania AI i ML, nauczy się przygotowywać dane, trenować i oceniać modele z wykorzystaniem bibliotek oraz stosować je w prostych scenariuszach aplikacyji.Efekty uczenia się oraz kryteria weryfikacji ich osiągnięcia i Metody walidacji
| Efekty uczenia się | Kryteria weryfikacji | Metoda walidacji |
|---|---|---|
| Uczestnik rozumie podstawowe pojęcia związane z AI i uczeniem maszynowym | Wyjaśnia różnice pomiędzy AI, ML oraz supervised i unsupervised learning | Prezentacja |
| Uczestnik przygotowuje dane do analizy i modelowania w Pythonie | Przygotowuje dane i dzieli je na zbiór treningowy i testowy | Prezentacja |
| Uczestnik trenuje modele uczenia maszynowego typu supervised learning | Trenuje model z użyciem biblioteki scikit-learn | Obserwacja w warunkach rzeczywistych |
| Uczestnik stosuje klasyfikację i regresję w praktyce | Buduje model regresji lub klasyfikacji i ocenia jego jakość | Prezentacja |
| Uczestnik rozumie problem overfittingu i underfittingu | Identyfikuje przeuczenie lub niedouczenie modelu | Prezentacja |
| Uczestnik stosuje podstawy walidacji modeli | Wyjaśnia i wykorzystuje podział train/test lub cross-validation | Prezentacja |
| Uczestnik wykorzystuje podstawowe algorytmy ML | Stosuje algorytmy takie jak KNN lub Random Forest | Obserwacja w warunkach rzeczywistych |
| Uczestnik przygotowuje dane tekstowe do analizy | Wykonuje tokenizację i wektoryzację TF-IDF | Obserwacja w warunkach symulowanych |
| Uczestnik tworzy prosty model NLP lub chatbota | Implementuje chatbota lub klasyfikator tekstu i omawia działanie | Prezentacja |
Cel biznesowy
Celem biznesowym usługi jest zwiększenie poziomu kompetencji cyfrowych uczestników w obszarze analizy danych, sztucznej inteligencji oraz uczenia maszynowego, w sposób umożliwiający ich praktyczne wykorzystanie w realizowanych zadaniach zawodowych, projektowych lub edukacyjnych. Usługa ukierunkowana jest na rozwój umiejętności pozwalających na świadome i samodzielne stosowanie narzędzi opartych o AI i ML, w tym języka Python oraz popularnych bibliotek analitycznych, w celu usprawnienia pracy z danymi oraz lepszego rozumienia procesów opartych na analizie informacji.Cel ten ma charakter szczegółowy, ponieważ odnosi się do jasno określonego zakresu kompetencji, obejmującego przygotowanie danych, trenowanie i ocenę prostych modeli uczenia maszynowego, interpretację wyników analiz oraz wykorzystanie tych elementów w praktycznych scenariuszach. Zakres celu jest zrozumiały i jednoznaczny dla wszystkich stron biorących udział w realizacji usługi, w tym dostawcy usługi, osób prowadzących szkolenie, uczestników oraz organizacji delegujących uczestników.
Cel biznesowy jest mierzalny, ponieważ jego realizacja weryfikowana jest poprzez wykonanie przez uczestników zadań praktycznych obejmujących analizę danych, budowę i ocenę modeli uczenia maszynowego oraz prezentację uzyskanych rezultatów. Stopień osiągnięcia celu oceniany jest na podstawie wcześniej określonych efektów uczenia się oraz kryteriów ich weryfikacji, co umożliwia jednoznaczne potwierdzenie nabycia zakładanych kompetencji.
Cel usługi jest osiągalny i realistyczny, ponieważ program szkolenia oraz poziom zaawansowania treści zostały dostosowane do osób posiadających podstawowe umiejętności obsługi komputera i zainteresowanych rozwojem kompetencji w obszarze AI i ML. Zakres materiału uwzględnia ograniczenia czasowe szkolenia oraz stopniowe wprowadzanie zagadnień, co umożliwia skuteczne przyswojenie wiedzy i umiejętności w trakcie realizacji usługi. Jednocześnie cel stanowi wyzwanie rozwojowe dla uczestników, wymagające aktywnego udziału w zajęciach oraz samodzielnej pracy z danymi i narzędziami analitycznymi.
Cel biznesowy ma charakter uzgodniony i wspólny dla wszystkich interesariuszy procesu szkoleniowego. Realizacja usługi wspiera uczestników w podnoszeniu jakości wykonywanych analiz, lepszym rozumieniu narzędzi opartych o sztuczną inteligencję oraz bardziej świadomym podejmowaniu decyzji w oparciu o dane. Z perspektywy organizacji delegujących uczestników, realizacja celu przyczynia się do rozwoju kompetencji zespołów w obszarze nowoczesnych technologii i analizy danych.
Cel ma również charakter terminowy, ponieważ jego osiągnięcie następuje wraz z zakończeniem realizacji usługi szkoleniowej. Po zakończeniu szkolenia uczestnicy są przygotowani do dalszego samodzielnego rozwijania kompetencji w obszarze AI i ML oraz stopniowego wdrażania poznanych rozwiązań w praktyce zawodowej lub edukacyjnej. Realizacja celu biznesowego wpisuje się w długofalowy rozwój kompetencji cyfrowych, bez deklarowania konkretnych efektów organizacyjnych, finansowych ani zatrudnieniowych.
Efekt usługi
Efektem realizacji usługi szkoleniowej jest nabycie przez uczestników podstawowych kompetencji w zakresie analizy danych oraz wykorzystania metod sztucznej inteligencji i uczenia maszynowego z użyciem języka Python. Uczestnicy potrafią przygotować dane do analizy, zastosować wybrane algorytmy uczenia maszynowego, przeprowadzić trening i ocenę prostych modeli oraz wykorzystać je w nieskomplikowanych scenariuszach aplikacyjnych, w tym w obszarze przetwarzania danych tekstowych i prostych rozwiązań opartych o NLP.
Osiągnięcie efektu usługi weryfikowane jest poprzez realizację zadań praktycznych polegających na przygotowaniu zbioru danych, podziale na zbiory treningowe i testowe, trenowaniu modeli uczenia maszynowego oraz interpretacji uzyskanych wyników. Kryterium weryfikacji stanowi poprawność wykonanych działań, zgodność zastosowanych metod z założeniami zadania, umiejętność rozpoznania problemów takich jak overfitting i underfitting oraz prawidłowe zastosowanie podstawowych metod walidacji modeli.
Dodatkowym kryterium potwierdzającym osiągnięcie efektu usługi jest umiejętność zaprezentowania przez uczestnika przebiegu analizy, zastosowanych algorytmów oraz uzyskanych rezultatów w sposób logiczny i zrozumiały. Efekt usługi uznaje się za osiągnięty, jeżeli uczestnik potrafi samodzielnie wykonać prostą analizę danych lub model AI zgodnie z określonym celem oraz uzasadnić zastosowane rozwiązania.
Metoda potwierdzenia osiągnięcia efektu usługi
Potwierdzenie osiągnięcia efektu usługi realizowane jest poprzez zaplanowany i spójny proces dokumentowania działań podejmowanych przez uczestników w trakcie realizacji szkolenia oraz ocenę rezultatów końcowych po jego zakończeniu. Proces ten umożliwia jednoznaczne potwierdzenie, że uczestnicy osiągnęli zakładane efekty usługi określone w opisie efektu oraz efektach uczenia się.
Podstawową metodą potwierdzania osiągnięcia efektu usługi jest realizacja zadań praktycznych wykonywanych przez uczestników w trakcie zajęć. Zadania obejmują przygotowanie danych do analizy, podział danych na zbiory treningowe i testowe, trenowanie prostych modeli uczenia maszynowego, ocenę ich jakości oraz interpretację uzyskanych wyników. Realizacja zadań dokumentowana jest poprzez przygotowane pliki robocze, kod źródłowy oraz rezultaty analiz.
Istotnym elementem procesu potwierdzania efektu usługi jest obserwacja pracy uczestników prowadzona przez osobę prowadzącą szkolenie w trakcie zajęć praktycznych. Obserwacji podlega poprawność merytoryczna wykonywanych działań, zgodność zastosowanych metod z założeniami zadań, samodzielność uczestników oraz umiejętność rozwiązywania problemów pojawiających się w trakcie pracy z narzędziami AI i ML.
Dodatkową metodą potwierdzania osiągnięcia efektu usługi jest prezentacja wykonanych analiz lub modeli przez uczestników. Uczestnicy omawiają zastosowane rozwiązania, przebieg analizy oraz wnioski wynikające z uzyskanych rezultatów, co pozwala na ocenę stopnia zrozumienia omawianych zagadnień.
Proces potwierdzania osiągnięcia efektu usługi obejmuje również przekazanie uczestnikom informacji zwrotnej po zakończeniu szkolenia, wskazującej zakres opanowanych kompetencji oraz obszary wymagające dalszego samodzielnego doskonalenia. Zastosowane metody umożliwiają rzetelne i jednoznaczne potwierdzenie osiągnięcia efektu usługi.
Kwalifikacje i kompetencje
Kwalifikacje
Inne kwalifikacje
Uznane kwalifikacje
Informacje
- Podstawa prawna dla Podmiotów / kategorii Podmiotówuprawnione do realizacji procesów walidacji i certyfikowania na mocy innych przepisów prawa
- Nazwa Podmiotu prowadzącego walidacjęMarta Jędro
- Nazwa Podmiotu certyfikującegoCertika sp. z o.o.
Program
Program
Szkolenie realizowane jest w wymiarze 16 godzin zegarowych i obejmuje zajęcia teoretyczne oraz praktyczne. W ramach usługi przewidziano 45 minut przerwy na dzień. Przerwy wliczone są w całkowity czas trwania szkolenia.
Szkolenie realizowane jest w formule online w czasie rzeczywistym. Uczestnicy korzystają z własnych komputerów oraz dostępu do Internetu. Organizator zapewnia szczegółowe instrukcje instalacji i konfiguracji niezbędnego środowiska pracy, w tym interpretera języka Python, edytora kodu (np. Visual Studio Code) oraz bibliotek wykorzystywanych do analizy danych i uczenia maszynowego.
Przed rozpoczęciem szkolenia uczestnicy otrzymują materiały instruktażowe dotyczące przygotowania środowiska lokalnego, co umożliwia sprawne rozpoczęcie zajęć oraz aktywny udział w części praktycznej. W trakcie szkolenia praca odbywa się w środowisku lokalnym uczestnika z wykorzystaniem aktualnych i powszechnie stosowanych narzędzi analitycznych oraz bibliotek Python.
Udział w szkoleniu umożliwia zdobycie kompetencji w zakresie analizy danych oraz wykorzystania metod sztucznej inteligencji i uczenia maszynowego do tworzenia prostych rozwiązań informatycznych, w tym modeli predykcyjnych oraz podstawowych rozwiązań opartych o przetwarzanie języka naturalnego.
Zakres tematyczny szkolenia
W trakcie szkolenia uczestnicy poznają m.in.:
- wprowadzenie do analizy danych, sztucznej inteligencji i uczenia maszynowego,
- podstawowe pojęcia i mechanizmy działania AI oraz ML,
- przygotowanie i wstępne przetwarzanie danych do analizy,
- pracę z danymi w języku Python,
- podział danych na zbiory treningowe i testowe,
- trenowanie modeli uczenia maszynowego typu supervised learning,
- zastosowanie algorytmów regresji i klasyfikacji,
- ocenę jakości modeli oraz podstawowe metody walidacji,
- problem overfittingu i underfittingu,
- wykorzystanie popularnych bibliotek do uczenia maszynowego (np. scikit-learn),
- podstawy analizy danych tekstowych i przetwarzania języka naturalnego,
- przygotowanie danych tekstowych do analizy,
- realizację zadania podsumowującego – prostego projektu AI lub ML,
- omówienie i prezentację rezultatów wykonanych analiz lub modeli.
Cele szkolenia
Celem szkolenia jest:
- zdobycie wiedzy z zakresu analizy danych, sztucznej inteligencji i uczenia maszynowego,
- opanowanie podstaw pracy z językiem Python w kontekście AI i ML,
- nabycie umiejętności przygotowywania danych oraz trenowania prostych modeli,
- rozwój kompetencji w zakresie interpretacji wyników analiz i modeli,
- przygotowanie do dalszego rozwoju kompetencji w obszarze nowoczesnych technologii opartych o dane.
Dodatkowo uczestnicy rozwiną umiejętności:
- samodzielnej pracy z danymi i narzędziami analitycznymi,
- logicznego rozwiązywania problemów analitycznych,
- oceny jakości modeli uczenia maszynowego,
- prezentowania wyników analiz i modeli,
- świadomego wykorzystania narzędzi AI w praktycznych scenariuszach.
Forma realizacji szkolenia
Zajęcia prowadzone są w formie warsztatowej z elementami wykładu. Szkolenie realizowane jest w formule online w czasie rzeczywistym. Każdy uczestnik pracuje samodzielnie na przygotowanych zestawach danych lub własnych danych, a efekty pracy są na bieżąco omawiane z prowadzącym. Uczestnicy otrzymują dostęp do materiałów szkoleniowych w formacie PDF, zestawów danych, plików roboczych oraz przykładowych fragmentów kodu.
Harmonogram
Harmonogram
| Przedmiot / temat zajęć | Prowadzący | Data realizacji zajęć | Godzina rozpoczęcia | Godzina zakończenia | Liczba godzin |
|---|---|---|---|---|---|
Przedmiot / temat zajęć 1 z 20 Wprowadzenie do AI, ML i analizy danych – teoria | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 01-04-2026 | Godzina rozpoczęcia 08:00 | Godzina zakończenia 08:45 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 2 z 20 Przygotowanie środowiska Python i praca z danymi – praktyka | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 01-04-2026 | Godzina rozpoczęcia 08:45 | Godzina zakończenia 09:30 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 3 z 20 Przerwa | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 01-04-2026 | Godzina rozpoczęcia 09:30 | Godzina zakończenia 10:00 | Liczba godzin 00:30 |
Przedmiot / temat zajęć 4 z 20 Podstawy pracy z danymi i struktura zbiorów – teoria | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 01-04-2026 | Godzina rozpoczęcia 10:00 | Godzina zakończenia 10:45 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 5 z 20 Ćwiczenia: wczytywanie i wstępna analiza danych – praktyka | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 01-04-2026 | Godzina rozpoczęcia 10:45 | Godzina zakończenia 11:30 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 6 z 20 Przygotowanie i czyszczenie danych – teoria | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 01-04-2026 | Godzina rozpoczęcia 11:30 | Godzina zakończenia 12:15 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 7 z 20 Klasyfikacja i regresja – teoria | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 01-04-2026 | Godzina rozpoczęcia 12:15 | Godzina zakończenia 13:00 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 8 z 20 Przerwa | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 01-04-2026 | Godzina rozpoczęcia 13:00 | Godzina zakończenia 13:15 | Liczba godzin 00:15 |
Przedmiot / temat zajęć 9 z 20 Podział danych na train/test – praktyka | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 01-04-2026 | Godzina rozpoczęcia 13:15 | Godzina zakończenia 14:00 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 10 z 20 Modele supervised learning – teoria | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 01-04-2026 | Godzina rozpoczęcia 14:00 | Godzina zakończenia 16:00 | Liczba godzin 02:00 |
Przedmiot / temat zajęć 11 z 20 Trenowanie modeli w scikit-learn – praktyka | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 02-04-2026 | Godzina rozpoczęcia 08:00 | Godzina zakończenia 08:45 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 12 z 20 Budowa i ocena modeli ML – praktyka | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 02-04-2026 | Godzina rozpoczęcia 08:45 | Godzina zakończenia 09:30 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 13 z 20 Przerwa | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 02-04-2026 | Godzina rozpoczęcia 09:30 | Godzina zakończenia 10:00 | Liczba godzin 00:30 |
Przedmiot / temat zajęć 14 z 20 Overfitting, underfitting i walidacja – teoria | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 02-04-2026 | Godzina rozpoczęcia 10:00 | Godzina zakończenia 10:45 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 15 z 20 Ćwiczenia: walidacja i interpretacja wyników – praktyka | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 02-04-2026 | Godzina rozpoczęcia 10:45 | Godzina zakończenia 11:30 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 16 z 20 Wprowadzenie do NLP i analizy tekstu – teoria | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 02-04-2026 | Godzina rozpoczęcia 11:30 | Godzina zakończenia 12:15 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 17 z 20 Przygotowanie danych tekstowych (TF-IDF) – praktyka | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 02-04-2026 | Godzina rozpoczęcia 12:15 | Godzina zakończenia 13:00 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 18 z 20 Przerwa | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 02-04-2026 | Godzina rozpoczęcia 13:00 | Godzina zakończenia 13:15 | Liczba godzin 00:15 |
Przedmiot / temat zajęć 19 z 20 Prosty model NLP / chatbot – teoria | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 02-04-2026 | Godzina rozpoczęcia 13:15 | Godzina zakończenia 14:00 | Liczba godzin 00:45 |
Przedmiot / temat zajęć 20 z 20 Zadanie podsumowujące i prezentacja rozwiązań | Prowadzący PATRYK TOKARZ | Data realizacji zajęć 02-04-2026 | Godzina rozpoczęcia 14:00 | Godzina zakończenia 16:00 | Liczba godzin 02:00 |
Cena
Cena
Cennik
| Rodzaj ceny | Cena |
|---|---|
Rodzaj ceny Koszt przypadający na 1 uczestnika brutto | Cena 2 880,00 PLN |
Rodzaj ceny Koszt przypadający na 1 uczestnika netto | Cena 2 880,00 PLN |
Rodzaj ceny Koszt osobogodziny brutto | Cena 180,00 PLN |
Rodzaj ceny Koszt osobogodziny netto | Cena 180,00 PLN |
Rodzaj ceny W tym koszt walidacji brutto | Cena 180,00 PLN |
Rodzaj ceny W tym koszt walidacji netto | Cena 180,00 PLN |
Rodzaj ceny W tym koszt certyfikowania brutto | Cena 0,00 PLN |
Rodzaj ceny W tym koszt certyfikowania netto | Cena 0,00 PLN |
Prowadzący
Prowadzący
PATRYK TOKARZ
Informacje dodatkowe
Informacje dodatkowe
Informacje o materiałach dla uczestników usługi
Uczestnicy szkolenia otrzymują dostęp do materiałów dydaktycznych wspierających realizację programu szkolenia oraz umożliwiających samodzielną pracę w trakcie i po zakończeniu usługi. Materiały przekazywane są w formie elektronicznej i udostępniane uczestnikom przed rozpoczęciem szkolenia oraz w jego trakcie.
W ramach materiałów uczestnicy otrzymują prezentacje szkoleniowe obejmujące omawiane zagadnienia teoretyczne, instrukcje dotyczące instalacji i konfiguracji środowiska pracy w języku Python, opisy wykorzystywanych narzędzi i bibliotek do analizy danych oraz uczenia maszynowego, a także zestawy danych wykorzystywane podczas ćwiczeń praktycznych. Uczestnicy mają również dostęp do przykładowych plików roboczych, fragmentów kodu oraz instrukcji realizacji zadań praktycznych.
Materiały umożliwiają utrwalanie zdobytej wiedzy oraz samodzielne powtarzanie omawianych zagadnień po zakończeniu szkolenia. Udostępnione pliki stanowią bazę do dalszego rozwijania kompetencji w zakresie analizy danych oraz pracy z narzędziami opartymi o sztuczną inteligencję i uczenie maszynowe.
Warunki uczestnictwa
Warunkiem ukończenia szkolenia jest udział w co najmniej 80% czasu trwania zajęć. Frekwencja jest monitorowana w trakcie realizacji usługi.
Uczestnicy kursu nie muszą posiadać wcześniejszego doświadczenia w zakresie programowania. Szkolenie rozpoczyna się od podstaw i jest dostosowane do osób początkujących.
Po spełnieniu warunku frekwencji uczestnicy otrzymują certyfikat potwierdzający udział w szkoleniu oraz dostęp do materiałów szkoleniowych.
Warunki techniczne
Warunki techniczne
Szkolenie realizowane jest w formule online w czasie rzeczywistym z wykorzystaniem komunikatora internetowego Google Meet.
Minimalne wymagania dotyczące łącza internetowego wynoszą co najmniej 1 Mb/s, umożliwiające stabilne połączenie w trakcie zajęć online.
Do udziału w szkoleniu wymagane jest posiadanie systemu operacyjnego Windows 7, 8 ,10 lub 11 oraz aktualnej wersji jednej z przeglądarek internetowych: Google Chrome.
Uczestnik powinien posiadać również słuchawki oraz głośniki (lub słuchawki z mikrofonem), umożliwiające komfortowy odbiór dźwięku i udział w komunikacji podczas zajęć.
Połączenie zdalne realizowane jest bezpośrednio za pośrednictwem komunikatora lub poprzez kliknięcie w link do spotkania udostępniony przez organizatora. Szczegółowa instrukcja instalacji i konfiguracji niezbędnego oprogramowania zostanie przekazana uczestnikom przed rozpoczęciem szkolenia.