Dla kogo?
Szkolenie dla każdego, kto posiada podstawową wiedzę z programowania w języku Python.
Cel szkolenia
Celem tego dwudniowego kursu jest umożliwienie uczestnikom zdobycia praktycznych umiejętności w zakresie wykorzystania nowoczesnych technologii AI do przetwarzania języka naturalnego, budowania aplikacji oraz efektywnego wdrażania rozwiązań AI w środowisku produkcyjnym i biznesowym.
Korzyści z udziału w szkoleniu
- Natychmiastowe Zastosowanie – Już kolejnego dnia po szkoleniu można wdrożyć wiedzę w pracy. Gotowe projekty do wykorzystania: chatbot RAG, AI agent, FastAPI microservice.
- Redukcja Kosztów o 30-50% – Świadomy prompt engineering i wybór modeli oszczędza 40-60% kosztów API. Automatyzacja procesów (customer service, code review, analiza dokumentów) redukuje koszty operacyjne.
- Wzrost Produktywności 30-50% – Programiści, analitycy i zespoły CS obsługują znacznie więcej zadań dzięki AI assistants i automation.
- Production-Ready Skills – 80% hands-on coding z enterprise patterns: error handling, monitoring, security, deployment. Nie teoria, tylko działający kod produkcyjny.
- Budowa AI Agents – Praktyczna umiejętność tworzenia autonomicznych systemów (research agents, data analysis agents, customer service bots) w LangChain i LangGraph.
- RAG dla Firmowych Danych – Kompletna implementacja systemu Q&A nad dokumentami firmy – od embeddings przez vector DB po deployment.
- Przewaga Konkurencyjna – AI/LLM skills to top 3 najbardziej poszukiwane umiejętności na rynku. Wzrost wartości rynkowej o 20-40% i nowe możliwości kariery.
- Najnowsze Technologie 2024-2026 – Claude 4, GPT-4 Turbo, Llama 3.2, LangGraph, structured outputs, function calling, MCP – wszystko co aktualnie działa w enterprise.
- Fast Track – 2 Dni Zamiast 6 Miesięcy – Ustrukturyzowany program z ekspertem (20+ lat IT, AI Team Lead w bankowości) skraca ścieżkę uczenia z miesięcy do 2 dni.
- Kompletny Toolkit – Cały codebase z zajęć, templates agentów, best practices, deployment scripts – gotowe komponenty do budowy własnych rozwiązań AI.
Program
Dzień 1: Fundamenty AI i Praca z Modelami LLM
1. Wprowadzenie do AI i LLM
- Ewolucja NLP: od RNN przez Transformers do LLM
- Architektura Transformers (attention mechanism, self-attention)
- Przegląd ekosystemu modeli językowych 2024-2026
2. Współczesne Modele LLM
- Modele własnościowe:
- OpenAI (GPT-4, GPT-4 Turbo, o1)
- Anthropic Claude (Claude 3.5 Sonnet, Claude 4)
- Google Gemini
- Modele open-source:
- Llama 3/3.1/3.2
- Qwen, DeepSeek
- Modele multimodalne (vision, audio, video)
- Wybór modelu do zadania (cost vs performance)
3. Prompt Engineering – Zaawansowane Techniki
- Podstawowe strategie:
- Zero-Shot, Few-Shot, Multi-Shot
- Chain of Thought (CoT)
- Tree of Thoughts (ToT)
- ReAct (Reasoning + Acting)
- Zaawansowane techniki:
- System prompts i role engineering
- Structured outputs (JSON mode, schema validation)
- Prompt chaining i decomposition
- Few-shot learning z przykładami
- Praktyczne zastosowania:
- Ekstrakcja i klasyfikacja danych
- Generowanie i review kodu
- Analiza dokumentów
- Negocjacje z modelem i kontrola outputu
4. Function Calling i Tool Use
- API function calling (OpenAI, Claude)
- Definiowanie narzędzi i schematów
- Parallel function calling
- Error handling i walidacja
Dzień 2: Budowa Aplikacji AI i Systemy Produkcyjne
1. Python dla AI – Praktyczne Podstawy
- Environment setup (venv, conda, uv)
- Kluczowe biblioteki: OpenAI SDK, Anthropic SDK, LangChain
2. Frameworks dla Aplikacji AI
- Streamlit – szybkie prototypowanie UI
- FastAPI – production-ready REST API
3. RAG (Retrieval-Augmented Generation)
- Architektura RAG:
- Document loading i preprocessing
- Text splitting strategies (recursive, semantic)
- Embeddings (OpenAI)
- Vector Databases:
- ChromaDB (development)
- FAISS (lightweight)
- Zaawansowany RAG:
- Hybrid search (semantic + keyword)
- Reranking (Cohere, cross-encoders)
- Query transformation
- Metadata filtering
- Praktyka: Budowa systemu Q&A nad dokumentami
4. AI Agents w LangChain – Kompleksowy Przegląd
4.1. Wprowadzenie do Agentów
- Czym jest AI Agent? (autonomiczne systemy decision-making)
- Agent vs Chain vs Workflow
- ReAct pattern (Reasoning + Acting)
- Kiedy używać agentów, a kiedy chains
4.2. LangChain Agents – Podstawy
- Architektura agenta:
- Agent Executor
- Agent Loop (think → act → observe → repeat)
- Prompt templates dla agentów
- Typy agentów w LangChain:
- Zero-shot-react-description – podstawowy ReAct agent
- Structured-chat-zero-shot-react-description – dla wielu inputów
- Openai-functions – wykorzystujący function calling
- Openai-tools – najnowszy, tool-based agent
- Conversational-react-description – z pamięcią konwersacji
- Praktyka: Budowa pierwszego agenta z narzędziami
4.3. Tools (Narzędzia) dla Agentów
- Built-in Tools:
- SerpAPI (web search)
- Python REPL
- Wikipedia, Arxiv
- Calculator, Datetime
- Custom Tools:
- Tworzenie własnych narzędzi (@tool decorator)
- StructuredTool dla złożonych inputów
- BaseTool – zaawansowana konfiguracja
- Praktyka: Implementacja custom tools (API calls, database queries)
4.4. LangGraph – Nowoczesne Budowanie Agentów
- Wprowadzenie do LangGraph:
- Grafy stanowe dla agentów
- Nodes, Edges, Conditional Edges
- State management
- Architektura LangGraph:
- StateGraph basics
- MessageGraph dla chatbotów
- Persistence i checkpointing
- Budowa agentów w LangGraph:
- Agent node definition
- Tool execution nodes
- Conditional routing
- Human-in-the-loop patterns
- Zaawansowane wzorce:
- Multi-agent collaboration
- Supervisor pattern
- Hierarchical agents
- Agent handoffs
- Praktyka: Budowa complex agent workflow w LangGraph
4.5. Memory i Context Management
- Typy pamięci:
- ConversationBufferMemory
- ConversationSummaryMemory
- ConversationBufferWindowMemory
- VectorStoreRetrieverMemory
- Long-term memory dla agentów:
- Integracja z vector stores
- Memory compression strategies
- Token management
- Praktyka: Agent z długoterminową pamięcią
4.6. Zaawansowane Techniki Agentów
- Plan-and-Execute Agents:
- Planning step
- Execution step
- Re-planning loop
- Multi-Agent Systems:
- Agent communication protocols
- Collaborative problem solving
- Debate patterns
- Consensus mechanisms
- Self-Reflection i Self-Improvement:
- Reflexion pattern
- Output evaluation
- Iterative refinement
- Tool Augmented Agents:
- RAG + Agents
- Code execution agents
- Database query agents
- API integration agents
4.7. Monitoring i Debugging Agentów
- LangSmith dla agentów:
- Tracing agent decisions
- Tool usage analytics
- Performance monitoring
- Debugging strategies:
- Verbose mode
- Callbacks i logging
- Agent trajectory analysis
- Error handling:
- Retry logic
- Fallback strategies
- Graceful degradation
4.8. Praktyczne Case Studies
- Research Assistant Agent:
- Web search + summarization
- Multi-source information gathering
- Data Analysis Agent:
- SQL queries + Python execution
- Visualization generation
- Customer Service Agent:
- CRM integration
- Email/ticket handling
- Multi-step workflows
- Code Generation Agent:
- Requirements analysis
- Code generation
- Testing i debugging
4.9. Produkcyjne Wdrożenie Agentów
- Deployment considerations:
- Stateful vs stateless agents
- Scaling strategies
- Cost optimization
- Safety i guardrails:
- Action validation
- Sensitive operation approval
- Rate limiting
- Budget constraints
- Integration patterns:
- REST API dla agentów
- Event-driven architectures
- Message queues (RabbitMQ, Kafka)
- MCP (Model Context Protocol)
5. Produkcyjne Aspekty
- Monitoring i Observability:
- Logging (LangSmith, Weights & Biases)
- Cost tracking
- Performance metrics
- Security:
- Prompt injection prevention
- Data sanitization
- API key management
- Budowa własnego narzędzia/mikroserwisu:
- Od pomysłu do deployment
- Integration patterns
- Error handling i retry logic
6. Podsumowanie i Q&A
- Best practices
- Typowe pułapki i jak ich unikać
- Dalsze ścieżki rozwoju
- Zasoby i społeczność
Trenerzy
Jakub Gajda
Specjalista IT z wieloletnim doświadczeniem w branży technologicznej
Od blisko dekady pełniący stanowisko Chief IT Developer.
