Sztuczna inteligencja w codziennej pracy

Blok 1: Typy modeli AI i ich zastosowania

Wprowadzenie do modeli językowych – czym są i jak działają

Podstawowa architektura modeli językowych

Mechanizm przetwarzania języka naturalnego

Przegląd popularnych modeli językowych

Modele open-source (np. LLaMA, Mistral)

Modele komercyjne (np. GPT, Claude, Gemini)

Różnice pomiędzy modelami prywatnymi a korporacyjnymi

Kwestie bezpieczeństwa i prywatności

Dostępność i koszty utrzymania

Porównanie modeli – mocne i słabe strony w różnych obszarach zastosowań

Tworzenie treści vs. analizy danych

Języki i wielojęzyczność

Jak wybrać odpowiedni model do konkretnego zastosowania

Kryteria wyboru: budżet, jakość, czas odpowiedzi

Dopasowanie do potrzeb organizacji

Dodawanie własnych danych wejściowych do modeli językowych – metody i przykłady

Fine-tuning na własnych zbiorach danych

Użycie wektorowych baz wiedzy

Fine-tuning vs. RAG (Retrieval-Augmented Generation)

Zalety i wady obu podejść

Budowanie własnych modeli – proces, narzędzia i koszty

Tworzenie własnych modeli językowych i systemów eksperckich

Dostępne modele językowe

Przyszłość modeli językowych – trendy i kierunki rozwoju

Modele multimodalne

Integracja z IoT i robotyką

Blok 2: Podstawy Prompt Inżynierii

Wprowadzenie do prompt engineering – czym jest i dlaczego ma znaczenie

Rola promptu w pracy z AI

Przykłady dobrych i złych promptów

Jak modele AI interpretują zapytania użytkownika – podstawy działania sieci neuronowych

Tokenizacja i embeddingi

Proces generacji odpowiedzi

Rola kontekstu w uzyskiwaniu poprawnych odpowiedzi

Przekazywanie historii rozmowy

Znaczenie precyzyjnych instrukcji

Dobre praktyki w formułowaniu promptów

Struktura poleceń

Jasność i zwięzłość

Najczęstsze błędy i złe praktyki

Zbyt ogólne pytania

Nadmierne skomplikowanie

Kluczowe elementy skutecznego promptu

Określenie roli AI

Oczekiwany format odpowiedzi

Techniki zaawansowane

Łańcuch myślenia (Chain-of-Thought)

Zero-shot learning

Few-shot learning

Prompt chaining (łączenie promptów krok po kroku)

Analiza skuteczności promptów w różnych kontekstach

Metryki jakości odpowiedzi

Porównywanie wariantów

Jak testować różne warianty promptów i mierzyć ich skuteczność

A/B testing promptów

Automatyczne narzędzia do oceny

AI a halucynacje – dlaczego modele generują błędne informacje

Źródła halucynacji

Praktyki minimalizowania ryzyka

Jak unikać błędnych odpowiedzi i minimalizować ryzyko dezinformacji

Weryfikacja odpowiedzi

Łączenie z zewnętrznymi źródłami wiedzy

Bias w modelach językowych – czym jest, jak wpływa na wyniki i jak go redukować

Rodzaje biasu

Metody ograniczania uprzedzeń

Podsumowanie i dobre praktyki na przyszłość

Checklisty do codziennej pracy z AI

Plan dalszego rozwoju umiejętności

Informacje o materiałach dla uczestników usługi - Uczestnicy otrzymają komplet materiałów PDF. Każdy uczestnik otrzymuje kod dostępu i

dane logowania do platformy ZOOM na 7 dni przed datą rozpoczęcia szkolenia. Dane

przesyłane są na adres e-mail podany podczas rejestracji.

Umiejętność obsługi komputera.

Warunkiem ukończenia szkolenia i otrzymania zaświadczenia jest uzyskanie minimalnej

frekwencji na poziomie 80% całkowitego czasu trwania usługi. Obecność uczestnika będzie

potwierdzana na podstawie codziennych list obecności lub logów z platformy online.

Uczestnik musi dysponować sprzętem i łączem o parametrach:

• Procesor: min. 2-rdzeniowy

• Pamięć RAM: min. 4 GB

• System operacyjny: Windows 10/11, Linux lub macOS

• Multimedia: Sprawna kamera internetowa oraz mikrofon (wymagane do komunikacji i weryfikacji obecności)

• Łącze internetowe: Stabilne połączenie o minimalnej prędkości 10 Mbps (download) / 5 Mbps (upload)

• Oprogramowanie: Aktualna przeglądarka internetowa (Chrome lub Edge) bez konieczności instalowania dodatkowego oprogramowania