AI i Machine Learning w zielonej transformacji branży beauty – programowanie rozwiązań ograniczających zużycie zasobów i odpady

Moduł I. Algorytmy AI i podstawy programowania dla zielonej transformacji branży beauty

1. Uczenie nadzorowane i nienadzorowane oraz zastosowanie modeli predykcyjnych do ograniczania nadmiernych zapasów kosmetyków, zużycia energii i powstawania odpadów w branży beauty.
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. Wykorzystanie AI do wyjaśniania i modyfikowania kodu oraz sprawdzanie poprawności proponowanych zmian.
4. Ćwiczenie: uczestnik modyfikuje skrypt obliczający zużycie kosmetyków, materiałów jednorazowych i ilość odpadów na podstawie liczby wykonywanych usług. Testuje różne dane wejściowe i wyjaśnia ich wpływ na wynik.

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

Moduł II. Dane środowiskowe i gospodarka o obiegu zamkniętym w branży beauty

1. Dane z czujników, pomiarów stacjonarnych i źródeł satelitarnych oraz ich zastosowanie w analizach środowiskowych. Dane operacyjne salonu: zużycie kosmetyków, wody i energii, stany magazynowe, terminy ważności oraz ilość odpadów.
2. Wskaźniki stosowane w modelach AI: zużycie energii i materiałów, odpady, dystans dostaw, paliwo oraz emisja CO₂.
3. Cykl życia kosmetyków, opakowań i wyposażenia salonu. Zastosowanie systemów rekomendacyjnych do porównywania ponownego użycia, naprawy, odzysku materiału i wykorzystania nowego zasobu, z uwzględnieniem wymagań higienicznych.
4. Import, czyszczenie i łączenie niewielkich zbiorów CSV w Pythonie.
5. Ćwiczenie: uczestnik łączy dane o liczbie usług, zużyciu produktów i powstających odpadach, usuwa błędne wpisy oraz przygotowuje tabelę zmiennych do modelu prognozującego zapotrzebowanie na zasoby.

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

Moduł III. Modele predykcyjne i monitoring parametrów środowiskowych w salonie beauty

1. Przygotowanie danych o usługach i zasobach; podział na dane treningowe i testowe.
2. Budowa i testowanie modelu prognozującego zużycie kosmetyków lub odpady w celu ograniczania strat i nadmiernych zakupów.
3. Dostosowanie przygotowanego lekkiego modelu do monitorowania zużycia wody lub energii za pomocą transfer learning. Porównanie potrzeb obliczeniowych modeli.
4. Połączenie modelu z symulowanymi odczytami IoT, aktualizacja wskaźników i wykrywanie podwyższonego zużycia.
5. Ćwiczenie: uczestnik modyfikuje kod, testuje prognozy, dostosowuje model przez transfer learning i uruchamia monitoring zasobów.

Narzędzia: Google Colab, Python, pandas, scikit-learn, TensorFlow/Keras, ChatGPT lub Gemini.

Moduł IV. Algorytmy optymalizacji transportu i procesów logistycznych w branży beauty

1. Zmienne potrzebne do porównania wariantów dostaw kosmetyków i materiałów: czas, dystans, zużycie paliwa, koszt i emisja CO₂.
2. Projektowanie prostego algorytmu wyboru trasy lub sposobu realizacji dostaw do salonu, z uwzględnieniem zapotrzebowania prognozowanego przez model AI.
3. Testowanie wariantów zamówień pojedynczych i łączonych oraz porównywanie ich kosztu, szacowanych emisji i ryzyka powstawania nadmiernych zapasów.
4. Ćwiczenie: uczestnik uzupełnia i modyfikuje skrypt Python porównujący kilka wariantów dostaw kosmetyków. Testuje algorytm po zmianie danych dotyczących zapotrzebowania, czasu, dystansu i paliwa oraz uzasadnia wybór wariantu ograniczającego emisję i straty produktów.

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

Moduł V. System AI wspierający decyzje środowiskowe w salonie beauty

1. Interpretowanie prognoz zużycia zasobów i wyników algorytmów oraz przedstawianie ich właścicielom i pracownikom salonu bez przygotowania technicznego.
2. Przygotowanie prostego interfejsu pokazującego dane wejściowe, wynik modelu, rekomendowany wariant działania i ograniczenia rekomendacji.
3. Włączenie wyniku modelu do przykładowego procesu operacyjnego salonu: planowania zakupów, ograniczania przeterminowania kosmetyków lub reagowania na podwyższone zużycie wody i energii.
4. Ocena przejrzystości i odpowiedzialności rozwiązania AI: dokumentowanie jakości danych, sposobu walidacji modelu, reguł podejmowania decyzji oraz wpływu na pracowników, klientów i dostawców.
5. Ćwiczenie: uczestnik uruchamia prototyp interfejsu połączonego z modelem AI, testuje rekomendację dla przykładowego salonu i wskazuje działanie ograniczające zużycie zasobów lub odpady. Wyjaśnia założenia i ograniczenia rozwiązania oraz określa wskaźnik służący do sprawdzenia efektów jego zastosowania.

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

Moduł VI. Współpraca i bezpieczny cykl życia danych we wdrażaniu AI w branży beauty

1. Role specjalistów ds. technologii, ochrony środowiska, logistyki i produkcji oraz właścicieli i pracowników salonów beauty. Uzgadnianie wspólnych celów przy tworzeniu rozwiązania AI ograniczającego zużycie zasobów, odpady i emisje.
2. Minimalizacja i anonimizacja danych, określanie okresu ich przechowywania, bezpieczne usuwanie oraz ochrona danych osobowych klientów i pracowników. Wykorzystywanie danych syntetycznych lub skutecznie zanonimizowanych w ćwiczeniach.
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 dla salonu beauty z osobami przyjmującymi role specjalistów z różnych dziedzin. Następnie samodzielnie opracowuje kartę wdrożenia, w której zapisuje wspólnie uzgodniony cel środowiskowy, podział zadań, własny wkład, sposób wykorzystania wyników modelu w pracy salonu, wskaźnik i sposób sprawdzania efektów oraz zasady anonimizacji, retencji i usuwania danych.

Narzędzia: Google Sheets, Google Colab, Python, 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 branży beauty – programowanie rozwiązań ograniczających zużycie zasobów i odpady – szkolenie z kwalifikacjami” rozwija zielone umiejętności zgodne z założeniami projektu FESL 10.17. Przygotowuje uczestników do tworzenia, testowania i wdrażania prostych rozwiązań AI ograniczających zużycie kosmetyków, materiałów, wody i energii, powstawanie odpadów oraz emisję CO₂ w branży beauty.

Uczestnicy wykorzystują Python i Google Colab do analizy danych, budowania modeli predykcyjnych i programowania algorytmów optymalizacyjnych. Opracowują rozwiązania wspierające prognozowanie zużycia produktów, zapobieganie ich przeterminowaniu, monitorowanie zasobów oraz planowanie dostaw. Testują działanie prototypów, oceniają wyniki i przygotowują rekomendacje oraz kartę wdrożenia rozwiązania w salonie beauty, uwzględniając mierzalny cel środowiskowy.

Zielone umiejętności rozwijane podczas szkolenia:

- programowanie i testowanie modeli wspierających oszczędzanie kosmetyków, materiałów, wody i energii oraz ograniczanie odpadów i emisji;

- analiza danych o zużyciu zasobów i odpadach, w tym przykładowych odczytów z czujników IoT;

- prognozowanie zapotrzebowania na produkty w celu ograniczania nadmiernych zapasów i strat wynikających z przeterminowania;

- porównywanie wariantów dostaw kosmetyków i materiałów pod kątem kosztu, zużycia paliwa i szacowanej emisji CO₂;

- stosowanie lekkich modeli AI, technik transfer learning i ograniczanie zapotrzebowania na zasoby obliczeniowe;

- uwzględnianie cyklu życia kosmetyków, opakowań i wyposażenia oraz zasad gospodarki o obiegu zamkniętym, z zachowaniem wymagań higienicznych;

- wykorzystywanie wyników AI do podejmowania decyzji środowiskowych i monitorowania efektów wdrożenia;

- komunikowanie rekomendacji opartych na danych oraz odpowiedzialna ochrona wykorzystywanych informacji.

Szkolenie wspiera rozwój kompetencji potrzebnych w zielonej gospodarce i transformacji ekologicznej regionu poprzez praktyczne zastosowanie programowania i AI w branży beauty.

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

Uczestnicy pracują indywidualnie, a w module VI konsultują założenia rozwiązania z innymi kursantami pełniącymi określone role. Każdy ma zapewniony stół, krzesło i komputer z internetem. Dopuszcza się korzystanie z własnego laptopa spełniającego wymagania szkolenia.

Sposób realizacji warsztatu

Uczestnicy pracują w Google Colab, wykorzystując Python, pandas i scikit-learn. Przygotowują dane, modyfikują kod oraz tworzą i testują modele prognozujące zużycie kosmetyków i materiałów, ograniczające nadmierne zapasy i odpady.

DALSZA CZĘŚĆ OPISU W 'MATERIAŁY DODATKOWE'

Uczestnicy podczas szkolenia dostaną skrypty szkoleniowe, notes oraz długopis.

C.D. Sposób realizacji warsztatu:

Uczestnicy korzystają z przygotowanych notebooków, danych, modeli i szablonów interfejsów. Samodzielnie modyfikują kod i testują wyniki. Kolejne moduły rozwijają jeden projekt dla salonu beauty, zakończony prototypem i kartą wdrożenia.

Konfigurują lekki model z wykorzystaniem transfer learning, testują monitoring zużycia wody lub energii na symulowanych odczytach IoT oraz programują algorytm porównujący dostawy pod kątem czasu, dystansu, paliwa, kosztu i emisji CO₂.

Każdy uruchamia prototyp interfejsu z wynikami AI i rekomendacjami dla salonu beauty oraz opracowuje kartę wdrożenia: cel środowiskowy, zadania, wskaźniki efektów i zasady ochrony danych. Ćwiczenia wykorzystują dane syntetyczne lub zanonimizowane.

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.

C.D. Sposób realizacji warsztatu:

Warsztat rozwija zielone umiejętności w ramach FESL 10.17 poprzez programowanie i przygotowanie do wdrożenia rozwiązań AI ograniczających zużycie zasobów, odpady i emisje w branży beauty.