Studia podyplomowe Manager Projektów AI

• Fundamenty sztucznej inteligencji (podstawowe definicje, ewolucja modeli i algorytmów),
• Dylematy poznawcze i etyczne,
• Rodzaje sztucznej inteligencji:
  • Forecasting vs Image processing,
  • Oprogramowanie AI vs ucieleśniona AI,
• Sztuczna inteligencja w codziennym życiu,
• Sztuczna inteligencja w przemyśle – wprowadzenie:
  • Utrzymanie parku maszyn,
  • Forecasting – wsparcie procesu decyzyjnego / planowanie sprzedaży,
• Narzędzia budowania modeli sztucznej inteligencji – praktyczne ćwiczenia.

• Podstawowe koncepcje i terminologia:
  • AI i różne podejścia do jej implementacji,
  • Komponenty infrastruktury (obliczenia, pamięć, sieci komunikacyjne, itp.).
• Analiza głównych komponentów infrastruktury dla sztucznej inteligencji (np. chmura obliczeniowa, klastry GPU, klastry danych).
• Zarządzanie danymi i bezpieczeństwo w Infrastrukturze AI:
  • Omówienie roli danych w sztucznej inteligencji oraz sposobów zarządzania danymi w infrastrukturze AI,
  • Tworzenie efektywnego systemu zarządzania danymi, obejmującego procesy zbierania, przetwarzania, indeksowania i archiwizacji danych,
  • Przegląd rozwiązań o wysokiej wydajności, które mogą obsłużyć duże ilości danych i zapewnić skalowalność i szybki dostęp do nich,
  • Znaczenie bezpieczeństwa danych i prywatności w kontekście sztucznej inteligencji.
• Chmury obliczeniowe i Ich znaczenie dla sztucznej inteligencji:
  • Szczegółowe omówienie roli chmur obliczeniowych w obszarze sztucznej inteligencji,
  • Przykłady popularnych platform chmurowych i ich zastosowań.

• Wstęp do ChatGPT:
  • Czym jest ChatGPT,
  • Rola i zastosowanie ChatGPT – automatyzacja, analiza danych, wsparcie i prognozowanie.
• Wykorzystanie ChatGPT.
• Wprowadzenie do techniki promptowania:
  • Co to jest promptowanie?
  • Proces tworzenia skutecznych zapytań do ChatGPT,
  • Dlaczego dobre promptowanie jest kluczowe? Uzyskiwanie precyzyjnych odpowiedzi poprzez odpowiednie formułowanie zapytań.
• Techniki promptowania w ChatGPT:
  • Podstawowe techniki,
  • Zaawansowane techniki,
  • Praktyczne wskazówki w korzystaniu z ChatGPT.
• Zastosowanie promptów w ChatGPT – omówienie przykładowych case study.
• Mini-warsztaty – praca własna uczestników szkolenia wspomagana przez Trenera.
• Przyszłość ChatGPT.

• Wprowadzenie do agentów AI i narzędzi open-source:
  • Definicja agenta AI,
  • Przykłady zastosowań: chatboty, asystenci głosowi, automatyzacja procesów.
• Przegląd narzędzi open-source do tworzenia agentów AI:
  • LangChain: Framework do budowy aplikacji opartych na dużych modelach językowych (LLM)
  • SpinAI: Framework w TypeScript do tworzenia i monitorowania agentów AI
  • AutoGen: Framework od Microsoftu do budowy systemów multi-agentowych.
• Budowa prostego agenta AI:
  • Tworzenie agenta z LLM
  • Prompt engineering
• Testowanie i optymalizacja agenta
  • Monitorowanie użycia tokenów i kosztów,
  • Analiza logów i optymalizacja działania agenta,
  • Replit Agent: Platforma do tworzenia aplikacji za pomocą naturalnych opisów,
  • GAMA Platform: Środowisko do modelowania agentów w symulacjach.

• Przegląd programistycznych środowisk pracy.
• Podstawy programowania w języku Python: 
  • Pojęcie zmiennej i podstawowe struktury danych,
  • Korzystanie z ogólnie dostępnych pakietów,
  • Wczytywanie i wizualizacja danych w wykorzystaniem języka Python i notatnika Jupyter,
  • Wprowadzenie do pakietu Pandas i Seaborn,
• Środowisko pracy, a dostęp do danych – ćwiczenia praktyczne,
• Wprowadzenie do środowiska Jupyter (Google Coollaboratory) – ćwiczenia praktyczne,
• Ćwiczenia z pakietu Pandas i Seaborn – ćwiczenia praktyczne.

• Organizacja procesu gromadzenia, oczyszczania i anonimizowania, integracji oraz agregacji danych.
• Wydobywanie z danych cennych biznesowo informacji.
• Screening rynku oraz pozyskanie i analizowanie pod kątem określonych problemów biznesowych wielu milionów rekordów w krótkim czasie w odniesieniu do zagadnień takich jak:
  • Automatyzacja procesów biznesowych (w tym sprzedaży i obsługi klienta),
  • Optymalizacja produkcji i dystrybucji,
  • Planowanie zapasów magazynowych,
  • Prognozowanie trendów rynkowych.

• Nowe wyzwania lidera w dobie transformacji cyfrowej,
• Industry 5.0 a human-centric leadership – technologia w służbie człowieka, nie odwrotnie,
• Zarządzanie zmianą technologiczną: modele (Kotter, ADKAR, McKinsey, Nuidge, Lewin’s CMM, Maurer R&C) i ich praktyczne zastosowanie,
• Budowanie kultury cyfrowej i innowacyjnej organizacji,
• Kompetencje przyszłości – jak rozwijać zespół w kontekście cyfryzacji?
• Cyfrowa komunikacja i praca zdalna/hybrydowa – jak zachować efektywność i zaangażowanie?
• Rola lidera w przeciwdziałaniu oporowi przed zmianą,
• Współpraca międzydziałowa w ekosystemie cyfrowym – silosy vs. przepływy danych,
• Warsztat: Diagnoza dojrzałości zespołu do transformacji + mapa zmian,
• Inspirujące przykłady transformacji z liderami w roli głównej,
• Jak mierzyć skuteczność zmian? KPI i mierniki transformacji,
• Podsumowanie i plan działania: jak być cyfrowym liderem od jutra?

• Charakterystyka zespołu w kontekście procesu wytwarzania oprogramowania – role vs. odpowiedzialność,
• Ewolucja i porównanie metodyk Waterfall, Scrum, Kanban,
• Wyzwania organizacji pracy z wykorzystaniem metodyk zwinnych w kontekście Data Science,
• Gra symulacyjna – doświadczenie pracy w zespole Scrumowym i przedyskutowanie wiele pytań oraz sytuacji, które zdarzają się podczas codziennej pracy,
• Cyfrowe przestrzenie współpracy (backlog, kanban, ci/cd):
  • Synchroniczne vs. asynchroniczne podejście do współpracy,
  • Narzędzia organizacji pracy i koordynacji projektów wykorzystywane w branży wytwarzania oprogramowania i Data Science,
  • Wykorzystanie jednego z narzędzi chmurowych do utworzenia i zdefiniowania struktury projektu oraz ćwiczenia z komunikacji wewnątrz projektowej.
• Wykorzystanie jednego z narzędzi chmurowych do utworzenia i zdefiniowania struktury projektu oraz ćwiczenia z komunikacji wewnątrz projektowej – ćwiczenia praktyczne.

• Czym różni się projekt AI od klasycznego IT? (cykl życia, ryzyko, iteracyjność),
• Framework do oceny dojrzałości i gotowości projektów AI (np. AI Value Matrix),
• Jak tworzyć i zarządzać portfelem projektów AI – od PoC do wdrożenia,
• Strategiczne KPI i wskaźniki sukcesu AI w organizacji,
• Zarządzanie ryzykiem i zasobami (Data Scientists vs DevOps vs Biznes).

• AI jako katalizator zmiany kultury organizacyjnej (data-driven decision making, empowerment),
• Modele dojrzałości organizacyjnej w AI,
• Rola liderów, change agentów i ambasadorów AI w firmie,
• Przeciwdziałanie oporowi – jak włączyć pracowników w zmianę,
• Narracje, storytelling i komunikacja zmiany.

• Uczenie nadzorowane:
  • Regresja,
  • Klasyfikacja,
  • Rekomendacja,
• Overfitting and underfitting,
• Hiperparametry i zbiory walidacyjne:
  • Cross-validation,
  • K-fold validation
• Uczenie nienadzorowane:
  • Detekcja anomalii i klasteryzacja,
• Deep and reinforcement learning.

Na zajęciach zostaną przedstawione rzeczywiste przykłady projektów, w których zastosowano rozwiązania oparte na sztucznej inteligencji (AI), w różnych obszarach biznesu i przemysłu. Uczestnicy zapoznają się z mocnymi i słabymi stronami zaprezentowanych rozwiązań, a także z wyzwaniami związanymi z implementacją AI w praktyce. Przewidziano czas na dyskusję, analizę przypadków oraz wymianę doświadczeń uczestników związanych z wykorzystaniem nowoczesnych technologii w ich środowisku zawodowym.