Spring AI – sztuczna inteligencja w Spring Boot

Program szkolenia

Wprowadzenie do Spring AI

• Architektura i kluczowe komponenty Spring AI
• Konfiguracja środowiska i przygotowanie projektu

Praca z promptami i czatem

• Podstawy interakcji z czatem
• Role na poziomie czatu i ich znaczenie w interakcjach z AI
• Strategie tworzenia promptów (zero-shot, few-shot, chain-of-thought)
• Szablony promptów
• Struktura i formatowanie odpowiedzi (Entity Binding, Parameterized Types, MapOutputConverter)
• Strumieniowanie rezultatów
• Pamięć konwersacji (In-Memory, JDBC, tekstowa, semantyczna)
• Advisors API

Embeddingi i bazy wektorowe

• Czym są embeddingi i w jaki sposób reprezentują znaczenie tekstu
• Masowe przetwarzanie dokumentów i wyszukiwanie semantyczne
• Filtrowanie wyników z uwzględnieniem metadanych
• Aktualizacja danych oraz wersjonowanie bazy embeddingów

Retrieval-Augmented Generation (RAG)

• Łączenie wiedzy z dokumentów z odpowiedziami generowanymi przez AI
• Sposoby dzielenia dokumentów na fragmenty i ich wpływ na jakość wyników
• Łączenie klasycznych algorytmów wyszukiwania z embeddingami
• Cache'owanie odpowiedzi w celu zwiększenia wydajności i trafności
• Metody oceny jakości odpowiedzi modeli językowych
• Multi-Query Expansion i Query Rewriting
• Translation-based RAG dla wielojęzycznych zapytań
• Filtrowanie dokumentów po metadanych

Praca z multimodalnymi danymi

• Generowanie obrazów na podstawie opisów tekstowych
• Rozpoznawanie i opisywanie zawartości obrazów
• Przetwarzanie mowy – zamiana głosu na tekst i odwrotnie

Wzorce analizy tekstu

• Analiza sentymentu
• Tłumaczenie tekstu z auto-detekcją języka
• Automatyczne streszczanie dokumentów

Agentic Workflows

• Prompt Chaining – sekwencyjne łączenie promptów
• Routing – klasyfikacja i kierowanie do specjalistów
• Parallelization – równoległe przetwarzanie z Virtual Threads
• Orchestrator-Workers – dekompozycja zadań z pulą workerów
• Evaluator-Optimizer – iteracyjna pętla generowania i ewaluacji

Bezpieczeństwo i moderacja treści

• SafeGuardAdvisor – filtrowanie wrażliwych słów
• Wykrywanie wstrzykiwania promptów (Prompt Injection Detection)
• Integracja z OpenAI Moderation API

Obserwability i monitorowanie

• Response Metadata – statystyki odpowiedzi (tokeny, koszty)
• Ewaluacja odpowiedzi (LLM-as-a-Judge)
• Custom Logging Advisors

Funkcje zewnętrzne i integracja

• Funkcje jako sposób na wykorzystanie narzędzi zewnętrznych (@Tool, ToolContext, returnDirect)
• Integracja w oparciu o Model Context Protocol
• Monitorowanie kosztów / wykorzystania tokenów
• Integracja z API: OpenAI, Ollama, Gemini, LM Studio, Docker Model Runner oraz innymi

W cenie otrzymasz:

• Materiały szkoleniowe
• Certyfikat ukończenia szkolenia
• W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki

Wymagania

• Dobra znajomość języka Java oraz Spring Boot
• Ogólne pojęcie o dużych modelach językowych będzie pomocne, ale nie jest wymagane

Szkolenie będzie prowadzone zdalnie, w czasie rzeczywistym, na żywo, z trenerem, możliwością zadawania pytań.

Szkolenie składa się w 30% z wykładu teoretycznego, w 70% z warsztatów i samodzielnej pracy programistycznej.

Podczas szkolenia uczestnicy mają dostęp do czatu z trenerem, współdzielą ekran podczas części warsztatowej, żeby zaprezentować postęp swojej pracy.

Walidacja będzie bazowała na ocenie efektów samodzielnej pracy uczestników, będzie sprawdzała nabytą wiedzę teoretyczną i umiejętność jej zastosowania w praktyce.

przeglądarka internetowa Chrome

zainstalowana aplikacja Zoom App

dobrej jakości słuchawki oraz mikrofon (opcjonalnie) kamera internetowa

link do szkolenia zostanie przesłany uczestnikom przed szkoleniem i będzie aktywny do końca szkolenia.