Sztuczna inteligencja i Machine Learning w zielonej transformacji – programowanie rozwiązań dla produkcji, logistyki i środowiska – szkolenie z kwalifikacjami

Moduł I. Algorytmy AI i podstawy programowania dla zielonej transformacji

1. Uczenie nadzorowane i nienadzorowane oraz zastosowanie modeli predykcyjnych do ograniczania nadprodukcji, zużycia energii i odpadów.
2. Wpływ wielkości zbiorów danych i obliczeń na zużycie energii oraz emisję CO₂. Metody ograniczania śladu środowiskowego modeli AI.
3. Wprowadzenie do Google Colab i Python: uruchamianie kodu, zmienne, proste obliczenia i odczytywanie wyników.
4. Ćwiczenie: uczestnik modyfikuje skrypt obliczający zużycie zasobów i ilość odpadów, a następnie wyjaśnia, jak zmiana danych wpływa na wynik.

Narzędzia: Google Colab, Python, ChatGPT lub Google Gemini, Teachable Machine.

Moduł II. Dane środowiskowe i gospodarka o obiegu zamkniętym

1. Dane z czujników, pomiarów stacjonarnych i źródeł satelitarnych oraz możliwości ich wykorzystania w analizach środowiskowych.
2. Wskaźniki stosowane w modelach AI: zużycie energii i materiałów, odpady, dystans, paliwo oraz emisja CO₂.
3. Cykl życia produktu i zastosowanie systemów rekomendacyjnych do porównywania ponownego użycia, naprawy, odzysku materiału i wykorzystania nowego zasobu.
4. Import, czyszczenie i łączenie niewielkich zbiorów CSV w Pythonie.
5. Ćwiczenie: uczestnik łączy dane o zużyciu zasobów i odpadach, usuwa błędne wpisy oraz przygotowuje tabelę zmiennych do modelu.

Narzędzia: Google Colab, Python, pandas, Google Sheets/CSV, ChatGPT, Google Gemini .

Moduł III. Modele predykcyjne i monitoring parametrów środowiskowych

1. Wybór zmiennych, przygotowanie danych historycznych oraz podział na dane treningowe i testowe.
2. Utworzenie prostego modelu prognozującego zużycie zasobów lub ilość odpadów. Sprawdzenie jego dokładności na danych testowych i bieżących.
3. Wybór i konfiguracja przygotowanego lekkiego modelu z wykorzystaniem techniki transfer learning. Porównanie potrzeb obliczeniowych dostępnych rozwiązań.
4. Integracja przykładowych danych z czujnika IoT z modelem. Symulacja napływu kolejnych odczytów i aktualizowania wskaźnika środowiskowego.
5. Ćwiczenie: uczestnik modyfikuje kod modelu, testuje prognozę na nowych danych, konfiguruje lekki model oraz uruchamia monitoring na symulowanym strumieniu odczytów.

Narzędzia: Google Colab, Python, pandas, ChatGPT, Microsoft Copilot.

Moduł IV. Algorytmy optymalizacji transportu i procesów logistycznych

1. Zmienne potrzebne do porównania wariantów: czas, dystans, zużycie paliwa, koszt i emisja CO₂.
2. Projektowanie prostego algorytmu wyboru trasy lub sposobu realizacji procesu.
3. Testowanie wariantów i porównywanie ich kosztu oraz wpływu na środowisko.
4. Ćwiczenie: uczestnik uzupełnia i modyfikuje skrypt Python, który oblicza wyniki dla kilku wariantów transportu. Testuje algorytm po zmianie danych i uzasadnia wybór wariantu o niższej emisji.

Narzędzia: Google Colab, Python, pandas, Google Sheets/CSV, ChatGPT, Microsoft Copilot.

Moduł V. System AI wspierający decyzje środowiskowe

1. Interpretowanie prognoz i wyników algorytmu oraz przedstawianie ich osobom bez przygotowania technicznego.
2. Przygotowanie prostego interfejsu pokazującego dane wejściowe, wynik modelu, rekomendowany wariant i ograniczenia rekomendacji.
3. Włączenie wyniku modelu do przykładowego procesu operacyjnego, np. wskazanie działania po przekroczeniu prognozowanego zużycia zasobów.
4. Ocena przejrzystości i odpowiedzialności rozwiązania AI: dokumentowanie jakości danych, sposobu walidacji modelu, reguł podejmowania decyzji oraz wpływu na interesariuszy.
5. Ćwiczenie: uczestnik uruchamia prosty interfejs, przedstawia rekomendację opartą na danych i wyjaśnia jej korzyści, założenia oraz ograniczenia.

Narzędzia: Google Colab, Python, interfejs w Colab/Streamlit, ChatGPT, Google Gemini.

Moduł VI. Współpraca i bezpieczny cykl życia danych w rozwiązaniu AI

1. Role specjalistów ds. technologii, ochrony środowiska, logistyki i produkcji oraz uzgadnianie wspólnych celów przy tworzeniu rozwiązania AI.

2. Minimalizacja i anonimizacja danych, określanie okresu ich przechowywania, bezpieczne usuwanie oraz ochrona danych osobowych.

3. Cykl życia danych w modelu treningowym i podczas jego używania: pozyskanie, przygotowanie, trenowanie, walidacja, wykorzystanie, aktualizacja i usunięcie.

4. Ćwiczenie: uczestnik konsultuje założenia rozwiązania z osobami przyjmującymi role specjalistów z różnych dziedzin. Następnie opracowuje kartę wdrożenia, w której zapisuje wspólnie uzgodniony cel środowiskowy, podział zadań, własny wkład, sposób sprawdzania wyników oraz zasady anonimizacji, retencji i usuwania danych.

Narzędzia: Google Sheets, ChatGPT, Google Gemini.

MODUŁ VII: WALIDACJA ORAZ CERTYFIKACJA

Szkolenie zakończone jest egzaminem przeprowadzonym przez osobę powołaną do walidacji. Walidacja uczestników jest niezależna od procesu szkoleniowego. Osoba prowadząca szkolenie nie bierze udziału w ocenie swoich kursantów w zakresie, którego nauczała.

Szkolenie prowadzi do nabycia kwalifikacji zawodowej: SPECJALISTA DS. SZTUCZNEJ INTELIGENCJI

Wynik przeprowadzonej walidacji jest ogłaszany od razu po zakończeniu szkolenia. Czas oczekiwania na wydanie certyfikatu: do 7 dni po zakończeniu walidacji. Czas szkolenia uwzględnia czas oczekiwania na wydanie certyfikatu.

Końcową walidację przeprowadza niezależny egzaminator (podmiot zewnętrzny).

Metoda weryfikacji osiągnięcia efektów kształcenia, tj. realizacji celu edukacyjnego:

• • test teoretyczny
  • analiza dowodów i deklaracji

Czas trwania szkolenia: 16 godzin ZEGAROWYCH

Szkolenie składa się z 4h ZEGAROWYCH teoretycznych, 9h ZEGAROWYCH PRAKTYCZNYCH , 2h przerwy oraz 1h WALIDACJI.

Szkolenie „AI i Machine Learning w zielonej transformacji – programowanie rozwiązań dla produkcji, logistyki i środowiska – szkolenie z kwalifikacjami” rozwija zielone umiejętności zgodne z założeniami projektu FESL 10.17. Przygotowuje uczestników do wykorzystywania programowania i AI w działaniach ograniczających zużycie zasobów, odpady i emisję CO₂.

Uczestnicy wykorzystują Python do analizy danych środowiskowych oraz tworzenia i testowania prostych modeli predykcyjnych i algorytmów optymalizacyjnych. Uczą się także oceniać wpływ rozwiązań AI na środowisko i przedstawiać rekomendacje oparte na danych.

Zielone umiejętności rozwijane podczas szkolenia:

- programowanie i testowanie modeli wspierających oszczędzanie zasobów oraz ograniczanie odpadów i emisji;

- analiza danych środowiskowych, w tym przykładowych odczytów z czujników IoT;

- porównywanie wariantów transportu pod kątem kosztu, zużycia paliwa i emisji CO₂;

- stosowanie lekkich modeli AI i ograniczanie zużycia energii podczas przetwarzania danych;

- uwzględnianie cyklu życia produktów i zasad gospodarki o obiegu zamkniętym;

- komunikowanie wyników AI oraz odpowiedzialna ochrona wykorzystywanych danych.

Szkolenie wspiera rozwój kompetencji potrzebnych w zielonej gospodarce i transformacji ekologicznej regionu

TEMATYKA SZKOLENIA JEST ZGODNA Z PROGRAMEM REGIONALNYM ROZWOJU TECHNOLOGII NA LATA 2019-2030 W OBSZARZE TECHNOLOGIE TELEKOMUNIKACYJNE I INFORMACYJNE,

4.1 TECHNOLOGIE TELEKOMUNIKACYJNE

4.2.5 data mining

4.7.10 sztuczna inteligencja i uczenie maszynowe.

F8: SZTUCZNA INTELIGENCJA I UCZENIE MASZYNOWE

WARUNKI TECHNICZNE:

SALA WYPOSAŻONA W SPRZĘT KOMPUTEROWY.

Samodzielne stanowiska pracy.

WARUNKI ORGANIZACYJNE I OPIS CZĘŚCI PRAKTYCZNEJ:

Podział na grupy: Kursanci będą pracować pojedynczo, indywidualnie. W module VI konsultują założenia rozwiązania z innymi uczestnikami pełniącymi określone role.

Stanowiska pracy: Każdy uczestnik otrzyma indywidualne stanowisko pracy wyposażone w:

• stół,
• krzesło,

Każdy uczestnik ma zapewnione stanowisko komputerowe z dostępem do internetu. Uczestnik może korzystać z własnego laptopa, jeżeli spełnia wymagania techniczne szkolenia. Osobom niekorzystającym z własnego sprzętu komputer zapewnia organizator.

Sposób realizacji warsztatu

Zajęcia mają formę praktycznych ćwiczeń wykonywanych samodzielnie na komputerach. Uczestnicy pracują w Google Colab z wykorzystaniem języka Python oraz bibliotek pandas i scikit-learn. Importują i porządkują przykładowe dane, modyfikują kod, tworzą proste modele predykcyjne oraz sprawdzają ich wyniki.

Na przygotowanych danych o zużyciu zasobów, odpadach, odczytach z czujników i transporcie uczestnicy testują monitoring parametrów środowiskowych oraz programują algorytm porównujący warianty pod kątem kosztu i emisji CO₂. Następnie przedstawiają rekomendację opartą na wynikach, wskazują ograniczenia modelu i opracowują zasady bezpiecznej pracy z danymi.

Warsztat rozwija zielone umiejętności w ramach FESL 10.17 przez praktyczne programowanie rozwiązań AI wspierających oszczędzanie zasobów, ograniczanie odpadów i redukcję emisji.

Uczestnicy podczas szkolenia dostaną skrypty szkoleniowe, notes oraz długopis.

PODSTAWA ZWOLNIENIA Z VAT:

Podstawy prawne zwolnienia z vat : 1. Rozporządzenie Ministra Finansów z dn. 20.12.2013 r. paragraf 3 ust 1 pkt.14. Zwalnia się od podatku usługi kształcenia zawodowego lub przekwalifikowania zawodowego , finansowane w co najmniej 70 % ze środków publicznych oraz świadczenie usług i dostawę towarów ściśle z tymi usługami związane.