Logo - Luqam Studia podyplomowe

Studia podyplomowe Manager Projektów AI

Praktyczne studia podyplomowe dla każdego, kto chce pewnie wejść w świat nowoczesnego IT i wykorzystać sztuczną inteligencję do rozwoju swojej kariery oraz organizacji. Niezależnie od Twojego dotychczasowego doświadczenia branżowego, wprowadzimy Cię od podstaw w świat zaawansowanych technologii. Zdobędziesz wiedzę, która usunie barierę między biznesem a technologią, pozwalając Ci stać się cyfrowym liderem i równorzędnym partnerem w rozmowach z interesariuszami projektów AI – zarządami, programistami i użytkownikami końcowymi.

✅ Potwierdzone uruchomienie kierunku.

Zapisz się na studia

Dołącz do liderów cyfrowej transformacji

Pokażemy Ci realistyczny obraz rynku, w którym najnowsze trendy spotykają się z korporacyjną praktyką. Opanujesz modele językowe (LLM) oraz systemy Low-Code, by szybko wdrażać usprawnienia, jednocześnie uwzględniając wymagania bezpieczeństwa danych i infrastruktury Big Data. Całość osadzimy na fundamentach Machine Learningu oraz Internetu Rzeczy (IoT), abyś wiedział, jak budować rozwiązania, które nie tylko robią wrażenie, ale przede wszystkim działają bezpiecznie i niezawodnie.

Przetłumaczymy AI na język biznesu. Poznasz logikę działania systemów, chmury obliczeniowej i nowoczesnych algorytmów. Nauczysz się zarządzać architekturą i wdrażać rozwiązania biznesowe bez konieczności programowania, zyskując większą samodzielność i sprawczość w cyfrowym świecie.

Wiedzę zdobędziesz wyłącznie od praktyków. Skuteczne wdrożenia AI wymagają szerokiej perspektywy, dlatego spotkasz nie tylko inżynierów, architektów i managerów IT, ale także prawników, ekspertów bezpieczeństwa informacji oraz liderów inżynierii z międzynarodowych organizacji, którzy na co dzień realizują projekty transformacji cyfrowej.

Zrozum z nami rewolucję AI i zacznij nią świadomie zarządzać.

Pobierz ofertę studiów!

Praktyczny charakter zajęć

Zajęcia prowadzone przez Praktyków

Możliwość uczestnictwa 100% online

Dostęp do międzynarodowej platformy szkoleniowej Opexity

Cashback do wykorzystania na szkolenia otwarte

Gotowość do prowadzenia transformacji AI w organizacji

9 zjazdów weekendowych

2 semestry

Prestiżowe certyfikaty

Wybierz ten kierunek, jeśli Twoim celem zawodowym jest:

Skuteczne zarządzanie projektami wdrożeniami AI

Chcesz zrozumieć cykl życia projektów technologicznych i prowadzić zyskowne wdrożenia. Nauczysz się płynnej komunikacji z zespołami programistów i analityków danych, zyskując umiejętność sprawnego łączenia oczekiwań biznesowych z możliwościami systemów.

Samodzielność technologiczna

Chcesz swobodnie poruszać się w środowisku cyfrowym, rozróżniać rodzaje algorytmów i modeli sztucznej inteligencji, skupiając się na ich logice i zastosowaniu rynkowym, bez konieczności technicznego kodowania rozwiązań.

Budowa bezpiecznego ekosystemu innowacji

Zależy Ci na tym, aby wdrażanie nowych narzędzi odbywało się z korzyścią dla organizacji, ale w sposób w pełni odpowiedzialny. Zdobędziesz wiedzę, jak chronić firmowe dane i jak bezpiecznie nawigować w gąszczu nowych regulacji prawnych (w tym RODO, NIS2 oraz EU AI Act).

Świadome budowanie przewagi rynkowej

Chcesz zyskać szeroką perspektywę inwestycyjną – od systemów wsparcia decyzji, przez automatyzację (Low-Code), aż po zaawansowane modele generatywne. Dzięki temu będziesz w stanie ocenić potencjał różnych rozwiązań rynkowych i uchronić swoją organizację przed nietrafionymi inwestycjami.

Zwiększenie efektywności własnej i zespołu

Szukasz sprawdzonych sposobów na optymalizację codziennej pracy. Chcesz dowiedzieć się, jak wykorzystać najnowsze narzędzia i asystentów AI, aby uwolnić od rutynowych zadań czas swojego zespołu i skupić się na działaniach o strategicznej wartości dla firmy.

Program studiów podyplomowych AI

01 Niezbędnik Managera AI - od zrozumienia technologii do odpowiednich danych

  • Krótka historia rozwoju technologii AI
  • Droga od danych do AI
    • Big Data jako fundament informacyjny i „paliwo” dla algorytmów
    • Machine Learning jako proces nauki i wyciągania wzorców z danych
    • Deep Learning i sieci neuronowe jako zaawansowane warstwy wnioskowania
  • Słownik podstawowych pojęć technologicznych dla managera
    • Algorytm i architektura sieci neuronowej
    • Zbiór danych treningowych i wagi modelu
    • Proces uczenia maszynowego
    • Faza inferencji
  • Przegląd rynkowego ekosystemu i głównych dostawców technologii
    • Modele zamknięte komercyjnych gigantów (wstęp)
    • Modele otwarte i filozofia społeczności open-source
    • Rola dostawców infrastruktury sprzętowej
    • Rola twórców modeli narodowych
  • Procesory CPU, GPU i TPU w zastosowaniach AI.
  • Polskie modele LLM (PLLum, Bielik)
  • Specyfika projektów badawczo-rozwojowych w obszarze sztucznej inteligencji
  • Różnice między klasycznym harmonogramem IT a nieprzewidywalnością projektów AI
  • Architektura i projektowanie przepływu informacji w systemach informatycznych
  • Mini-warsztat z logiki projektów AI i weryfikacji gotowości danych firmy -weryfikacja użyteczności danych papierowych i systemowych dla algorytmów i ocena wykonalności pomysłów na projekt na podstawie jakości posiadanego zaplecza informacyjnego

02 Architektura IT dla Managera AI - ekosystem aplikacji, cykl życia oprogramowania i chmura

  • Anatomia nowoczesnej aplikacji oraz miejsce modelu AI w systemach firmy
  • Czym jest język programowania?
  • Fenomen języka Python i jego rola w świecie sztucznej inteligencji
  • Zrozumienie ról i podziału obowiązków w zespołach technologicznych
      • Inżynier danych i analityk danych
    • Data Scientist i Machine Learning Engineer
    • Programista backend i frontend
  • Cykl życia kodu – od pomysłu do użytkownika końcowego
  • Różnice między środowiskiem deweloperskim, testowym i produkcyjnym
  • Systemy kontroli wersji oraz platformy do zarządzania kodem (Git, GitHub, GitLab, Bitbucket)
  • Koncepcja wersjonowania kodu i współpracy programistów bez nauki pisania komend
  • Zasady komunikacji systemów informatycznych
    • Działanie interfejsów API i webhooków
    • Żądania, odpowiedzi i struktura plików JSON
  • Przegląd opcji wdrożeniowych i modeli utrzymania systemów AI
    • Serwer fizyczny
    • Chmura obliczeniowa
    • Modele hybrydowe i chmury prywatne
  • Kodowanie z AI – przegląd dostępnych rozwiązań

03 Generatywna Sztuczna Inteligencja i Prompt Engineering w zastosowaniach biznesowych

  • Czym różni się Generatywna AI od klasycznej analityki i uczenia maszynowego w ujęciu biznesowym
  • Przegląd zastosowań wiodących modeli językowych (LLM)
    • OpenAI (ChatGPT)
    • Anthropic (Claude)
    • Google (Gemini)
  • Weryfikacja możliwości sztucznej inteligencji i dobór technologii do projektu
    • Niezależne rankingi i benchmarki modeli (np. LMSYS Chatbot Arena)
    • Sposoby sprawdzania wydajności modeli pod kątem konkretnych zadań biznesowych
  • Warsztat z zaawansowanego Prompt Engineeringu w codziennej pracy managera
    • Anatomia idealnego promptu (kontekst, zadanie, instrukcja, format)
    • Antywzorce promptowania – najczęstsze błędy użytkowników i jak z nimi walczyć
    • Sprawdzone frameworki biznesowe w inżynierii promptów (np. model RTF, RACE, CREATE)
    • Nadawanie ról i person w komunikacji z modelem
    • Techniki wymuszania precyzji poprzez Few-Shot Prompting i Chain of Thought
    • Ograniczanie halucynacji i narzucanie struktury odpowiedzi
  • Budowa własnych, dedykowanych asystentów (Custom GPTs) do powtarzalnych zadań
  • Grywalizacja – bitwy promptów (Prompt Battle)
  • Ekosystem Microsoft 365 Copilot jako zaawansowany asystent korporacyjny
    • Architektura Microsoft Graph i przeszukiwanie rozproszonych danych firmowych
    • Błyskawiczna kompilacja wiedzy (np. generowanie dokumentów w Wordzie na podstawie maili, notatek z OneNote i danych z Excela)
    • Modelowanie scenariuszy biznesowych w Excelu na podstawie języka naturalnego
    • Tworzenie i formatowanie prezentacji zarządczych w PowerPoint na bazie raportów tekstowych
  • Warsztat strategiczny: Mapowanie procesów z wykorzystaniem metodyki AI Canvas – Praktyczna sesja z wykorzystaniem AI Canvas – strategicznego szablonu analitycznego, wspierającego planowanie projektów opartych na sztucznej inteligencji. Uczestnicy przejdą przez ustrukturyzowany proces projektowy – od identyfikacji procesów podatnych na automatyzację, przez określenie niezbędnych zasobów danych, po analizę ryzyk, zdefiniowanie kryteriów sukcesu oraz przygotowanie planu wdrożenia projektu obejmującego harmonogram, zasoby i budżet.

04 Inżynieria danych, Machine Learning i Computer Vision

  • Przykłady zbiorów Big Data
  • Wstęp do środowiska pracy inżyniera danych
  • Złota zasada „Garbage In, Garbage Out” z perspektywy inżyniera danych
  • Przygotowanie danych do analizy (Data Preprocessing)
    • Sposoby radzenia sobie z brakami w danych (imputacja) oraz duplikatami
    • Identyfikacja anomalii i wartości odstających (outliers) zaburzających modele
    • Kodowanie zmiennych – jak zamienić informacje kategoryczne (tekst) na wartości liczbowe
  • Inżynieria cech – jak z istniejących danych tworzyć nowe zmienne ułatwiające pracę modelom
  • Exploratory Data Analysis (EDA) – poszukiwanie sygnałów w szumie informacyjnym
    • Zrozumienie rozkładów prawdopodobieństwa i korelacji w dużych zbiorach
    • Wizualizacja danych jako podstawowe narzędzie do odkrywania ukrytych wzorców
  • Przejście przez proces czyszczenia „surowego” zbioru danych i przygotowanie go do modelowania – case study
  • Mechanika uczenia modeli ML – od drzew decyzyjnych po optymalizację gradientową
  • Rodzaje zadań analitycznych
    • Zadania klasyfikacji (np. kategoryzowanie maili)
    • Zadania regresji (np. przewidywanie wartości liczbowych)
    • Analiza szeregów czasowych w przewidywaniu trendów
    • Detekcja anomalii w danych napływających (np. logi systemowe)
  • Proces trenowania i walidacji modelu
    • Podział danych na zbiór treningowy, walidacyjny i testowy
    • Problem „przeuczenia” (Overfitting) i „niedouczenia” (Underfitting) algorytmu
  • Computer Vision (Widzenie Komputerowe)
    • Cyfrowa reprezentacja obrazu i przetwarzanie pikseli
    • Działanie sieci konwolucyjnych (CNN) w procesie ekstrakcji cech z obrazu
    • Przegląd zadań Computer Vision – klasyfikacja obrazu, detekcja obiektów, segmentacja i OCR
  • Uczenie Maszynowe w epoce LLM
    • LLM kontra inżynieria danych i uczenie maszynowe przy obsłudze zbiorów Big Data
    • Koszty, wydajność i szybkość wnioskowania (Latency)

05 Automatyzacja procesów biznesowych i integracja AI (Low-Code / No-Code)

  • Rewolucja No-Code w projektach sztucznej inteligencji
    • Dlaczego wdrażanie rozwiązań AI nie zawsze wymaga zespołu programistów
    • Przegląd wiodących platform automatyzacji na rynku (Make.com, Zapier, n8n)
  • Integracja algorytmów z ekosystemem firmy bez pisania kodu
    • Zrozumienie działania interfejsów API i Webhooków – przykłady
    • Anatomia formatu JSON – jak systemy wymieniają się danymi – przykłady
    • Zarządzanie przepływem informacji między aplikacjami (np. CRM, skrzynka mailowa, model LLM)
  • Architektura, budowa i optymalizacja przepływów pracy (Workflows)
    • Rola wyzwalaczy (Triggers), akcji (Actions) i warunków logicznych w projektowaniu procesu
    • Zabezpieczenia przed zapętleniem procesów i przepalaniem budżetu na zapytań API
    • Strategie przekazywania kontekstu biznesowego do modeli językowych w locie
  • Bezpieczeństwo i ład korporacyjny w narzędziach Low-Code
    • Problem „Shadow IT” – ryzyka związane z samodzielnym tworzeniem automatyzacji przez pracowników
    • Zarządzanie kluczami dostępu do API i ochrona wrażliwych danych firmowych

06 Agentic AI - od asystentów do systemów w pełni autonomicznych

  • Wprowadzenie do agentów AI i środowiska open-source
    • Definicja agenta AI i różnice względem standardowych modeli językowych
    • Przykłady rynkowych zastosowań: chatboty nowej generacji, asystenci głosowi (Voicebots), hiperautomatyzacja procesów
  • Przegląd rynkowych frameworków open-source do budowy agentów AI
    • LangChain: framework do budowy zaawansowanych aplikacji opartych na LLM
    • SpinAI: środowisko w TypeScript do tworzenia i monitorowania agentów
    • AutoGen: framework Microsoft do budowy systemów wieloagentowych
  • Warsztat praktyczny – budowa i konfiguracja prostego agenta AI w środowisku N8N.
    • Tworzenie agenta połączonego z wybranym modelem językowym
    • Rola Prompt Engineeringu w sterowaniu logiką i autonomią agenta
  • Utrzymanie, testowanie i optymalizacja operacyjna agentów
    • Monitorowanie użycia tokenów i zarządzanie kosztami agenta na produkcji

07 Internet Rzeczy (IoT)

  • Wprowadzenie do Internetu Rzeczy i ewolucja technologiczna
    • Definicja i znaczenie IoT w dzisiejszym świecie oraz mierzalny wpływ na transformację cyfrową biznesu
    • Historia rozwoju Internetu Rzeczy i analiza ewolucji jej głównych koncepcji projektowych
  • Warstwy technologiczne i operacyjne ekosystemu IoT
    • Dekompozycja warstw technologicznych Internetu Rzeczy: sensory, infrastruktura sieciowa, platformy chmurowe oraz aplikacje
    • Praktyczne zastosowania Internetu Rzeczy – przekrojowe omówienie rynkowych przykładów i wdrożeń w różnych branżach
  • Technologie, urządzenia i standardy transmisji w IoT
    • Przegląd typów sensorów i urządzeń końcowych pod kątem ich przydatności w zbieraniu i agregacji danych
    • Przykłady popularnych technologii, standardów bezprzewodowych oraz protokołów komunikacyjnych
  • Technologie sieciowe i zarządzanie architekturą IoT
    • Charakterystyka i celowy dobór technologii sieciowych specyficznie stosowanych w architekturze Internetu Rzeczy
    • Konfiguracja i bieżące operacyjne zarządzanie sieciami w kontekście realizacji złożonych projektów technologicznych
  • Bezpieczeństwo danych i ochrona fizycznej infrastruktury IoT
    • Identyfikacja wyzwań i specyficznych podatności związanych z bezpieczeństwem rozproszonych urządzeń brzegowych
    • Metody, standardy i sprawdzone praktyki zabezpieczania urządzeń oraz strumieni danych w całym ekosystemie
  • Styk Internetu Rzeczy i Sztucznej Inteligencji (AIoT i Edge AI)
    • Koncepcja Artificial Intelligence of Things (AIoT) – bezpośrednie zasilanie modeli uczenia maszynowego danymi z czujników w czasie rzeczywistym
    • Edge Computing (przetwarzanie brzegowe) – uruchamianie modeli AI bezpośrednio na urządzeniach fizycznych w celu redukcji opóźnień (Latency) i optymalizacji kosztów utrzymania chmury

08 AI Compliance - EU AI Act, dyrektywa NIS2 i zarządzanie ryzykiem prawnym

  • EU AI Act – europejska konstytucja sztucznej inteligencji
    • Fundamenty EU AI Act: rygorystyczny podział systemów AI na kategorie ryzyka (niedopuszczalne, wysokie, ograniczone, minimalne)
    • Obowiązki dla systemów wysokiego ryzyka (High-Risk AI): zarządzanie jakością danych, nadzór ludzki i ocena zgodności
    • Regulacje dotyczące modeli fundamentowych (GPAI) oraz sankcje finansowe i wizerunkowe za łamanie przepisów unijnych
  • Zderzenie AI z dyrektywą NIS2 i rygorami cyberbezpieczeństwa
    • Wymogi dyrektywy NIS2 w kontekście AI: zabezpieczenie łańcucha dostaw i rygorystyczne raportowanie incydentów
    • Osobista odpowiedzialność prawna zarządu za braki w architekturze cyberbezpieczeństwa przedsiębiorstwa
  • Ochrona danych osobowych (RODO/GDPR) w epoce GenAI
    • Zderzenie RODO z technologią LLM: prawo do zapomnienia kontra stałość wag w statystycznych modelach matematycznych
    • Metody anonimizacji i pseudonimizacji firmowych danych treningowych przed wysłaniem ich do chmury obliczeniowej
  • Własność intelektualna (IP) i ład korporacyjny (AI Governance)
    • Ryzyko naruszenia praw osób trzecich i status praw majątkowych do treści wygenerowanych przez sztuczną inteligencję
    • Projektowanie, wdrażanie i egzekwowanie wewnątrzfirmowych polityk korzystania z AI (AI Acceptable Use Policy)
    • Powoływanie komitetów sterujących ds. innowacji i audytowania etyki wdrażanych systemów zautomatyzowanych
  • Warsztat prawno-biznesowy: Audyt zgodności compliance
    • Ocena planowanego wdrożenia asystenta AI pod kątem rygorystycznych wymogów EU AI Act
    • Projektowanie odpowiednich klauzul informacyjnych dla klientów obsługiwanych przez systemy autonomiczne

09 Fundamenty cyberbezpieczeństwa

  • Wprowadzenie do cyberbezpieczeństwa
    • Omówienie pojęć cyberbezpieczeństwa i cyberprzestępczości: identyfikacja rodzajów zagrożeń, typów atakujących oraz ich kluczowych motywacji
    • Biznesowy rachunek zysków i strat: metodyka wyliczania opłacalności dbania o IT oraz skuteczne uzasadnianie tych inwestycji przed zarządem
    • Pryncypia cyberbezpieczeństwa: uniwersalne zasady projektowania i wdrażania polityk ochronnych w całym przedsiębiorstwie
  • Krajobraz klasycznych zagrożeń i wektory ataków na organizację
    • Anatomia nowoczesnego cyberataku: od zmasowanego phishingu i socjotechniki po zaawansowane kampanie Ransomware i szantaż podwójny
    • Biały wywiad (OSINT) i inżynieria społeczna: wykorzystanie ogólnodostępnych informacji do profilowania ofiar oraz analiza mechaniki ataków na bazie realnych przykładów
  • Architektura bezpieczeństwa: zarządzanie technologią i procesami
    • Fundamenty modelu Zero Trust w rygorystycznej ochronie tożsamości, danych i krytycznych zasobów w środowiskach chmurowych
    • Technologia i monitorowanie 24/7 – audyt zerowy, systemy SIEM oraz wsparcie Security Operations Center (SOC)
  • Czynnik ludzki (Human Firewall) i operacyjna ochrona dostępu (Endpoint Security)
    • Budowa kultury bezpieczeństwa w zespole – weryfikacja higieny cybernetycznej, cykliczne szkolenia Security Awareness oraz symulowane kampanie phishingowe
    • Zarządzanie tożsamością i hasłami dostępu – wytyczne korporacyjne, menedżery haseł, weryfikacja wycieków oraz rygor uwierzytelniania wieloskładnikowego (2FA)
    • Utrzymanie bezpieczeństwa urządzeń w sieci firmowej oraz w coraz bardziej narażonych na ataki warunkach pracy zdalnej i domowej

10 Cyberbezpieczeństwo systemów AI i Red Teaming

  • Sztuczna inteligencja jako nowa broń w rękach cyberprzestępców
    • Hiperpersonalizacja i automatyzacja ataków – od generowania złośliwego kodu przez LLM po syntetyczny spear-phishing omijający tradycyjne filtry antyspamowe
    • Zagrożenia reputacyjne i oszustwa finansowe z wykorzystaniem technologii Deepfake (np. klonowanie głosu i wizerunku zarządu do autoryzacji przelewów)
  • Podatności modeli językowych (standardy OWASP Top 10 dla LLM) z perspektywy cyberbezpieczeństwa
    • Data Poisoning (Zatruwanie danych) – manipulacja procesem uczenia modelu poprzez celowe zanieczyszczanie zbiorów treningowych lub baz wektorowych (RAG)
    • Prompt Injection i Jailbreaking  techniki przejmowania kontroli nad logiką działania firmowych asystentów AI i zmuszanie ich do ominięcia nałożonych restrykcji
  • Aktywna obrona i audytowanie własnej infrastruktury AI
    • Zjawisko „Shadow AI” – mapowanie i zapobieganie niekontrolowanym wyciekom danych wrażliwych przez pracowników używających prywatnych, niezabezpieczonych kont
    • Red Teaming systemów sztucznej inteligencji – na czym polega kontrolowane „hakowanie” i testowanie własnych modeli przed wypuszczeniem ich na produkcję
  • Symulacja ataku na asystenta AI – warsztat
    • Projektowanie i przeprowadzanie ataków typu Prompt Injection na przykładowego, firmowego chatbota (próba zdobycia ukrytych instrukcji systemowych)
    • Opracowanie matrycy mitygacji i wdrożenie zabezpieczeń blokujących niepożądane odpowiedzi algorytmu (Guardrails)

11 Zwinne zarządzanie w projektach IT & Data Science

  • Struktura i interdyscyplinarność współczesnych zespołów produktowych
    • Różnice strukturalne między klasycznym zespołem IT, a zespołem Data Science i podział zadań
    • Mapowanie odpowiedzialności i unikanie konfliktów za pomocą macierzy RACI w projektach uczenia maszynowego
    • Nowoczesne podejście 'Team Topologies’ (zespoły Stream-aligned, Enabling, Complicated subsystem, Platform) na przykładach rynkowych
    • Zderzenie różnych stylów pracy i komunikacji poprzez model Dual-Track Agile (Discovery vs. Delivery)
  • Klasyczne i zwinne ramy zarządzania projektami
    • Tradycyjne podejście kaskadowe (Waterfall) – 6 faz cyklu życia projektu, zalety, wady oraz ryzyka Royce’a
    • Charakterystyka standardów formalnych PMBOK (PMI) i PRINCE2 oraz specyfika projektów hybrydowych
    • Matryca złożoności zadań jako kryterium doboru właściwego podejścia zarządczego do backlogu
    • Warsztat praktyczny: Gra symulacyjna „Papierowe Samoloty” jako doświadczenie dynamiki iteracji i bicia serca Scruma
  • Modele komunikacji w zespołach rozproszonych
    • Synchroniczne podejście do współpracy: zalety szybkiej decyzyjności i problem przeciążenia spotkaniami
    • Asynchroniczna komunikacja w projektach globalnych i optymalizacja dokumentacji wiedzy
  • Filozofia Agile w epoce „Oprogramowania 3.0” i operacjonalizacja Scruma
    • Paradygmat „Oprogramowania 3.0” (ML-driven) – modele jako nośniki logiki kontra aplikacje deterministyczne
    • Patologie wdrożeniowe zwinności: zjawiska i ograniczenia typu Water-Scrum-Fall oraz ScrumBut
    • Filar empiryzmu – traktowanie frameworku Scrum jako usystematyzowanej metody naukowej (hipoteza-eksperyment-obserwacja)
  • Szacowanie, wymagania i cyfrowe środowisko pracy (Jira, GitHub)
    • Przejście z tradycyjnego szacowania roboczogodzin na punkty złożoności (Story Points) i technika Planning Poker
    • Konstruowanie wymagań w formacie User Stories dla aplikacji klasycznych, systemów RAG oraz modeli ML
    • Hierarchia struktur i koordynacja zadań w cyfrowych ekosystemach Atlassian Jira oraz GitHub Projects
  • Jakość, metryki i integracja Scruma ze standardem CRISP-DM
    • Rola Definition of Done (DoD) dla faz Data Science (Eksploracja EDA, przygotowanie danych, modelowanie i walidacja)
    • Monitorowanie kondycji i przepływu za pomocą metryk (Velocity, Sprint Burndown Chart, Lead Time, Cycle Time)
    • Zarządzanie długiem technologicznym i wąskie gardła procesów analitycznych
    • Mapowanie 6 faz standardu CRISP-DM na zwinne ramy i cykle sprintów
    • Biznesowe korzyści (autonomia, orientacja na wartość) oraz wyzwania (presja Time-boxingu w R&D) wdrażania Scrum w Data Science

12 Zarządzanie portfelem projektów i strategiczne KPI

  • Różnice między projektami AI a klasycznym IT w kontekście budżetowania
    • Analiza przesunięcia budżetowego – transformacja klasycznych kosztów inwestycyjnych (CapEx) w dynamiczne koszty utrzymania w chmurze (OpEx)
  • Wykorzystanie matrycy wartości (AI Value Matrix) do oceny potencjału i priorytetyzacji inicjatyw w firmie
  • Tworzenie i zarządzanie portfelem projektów technologicznych
  • Balansowanie ryzyka w portfelu – od Quick Wins po zaawansowane i ryzykowne projekty R&D
  • Metodologia wyliczania zwrotu z inwestycji (ROI) i wyznaczanie KPI
    • Wyznaczanie twardych wskaźników efektywności finansowej: kalkulacja progu rentowności (Break-Even Point) oraz Total Cost of Ownership (TCO) systemu
    • Kwantyfikacja korzyści miękkich i operacyjnych: oszczędność czasu pracowników (FTE), redukcja błędów ludzkich oraz automatyczne przyspieszenie procesów
  • Realizacja projektu, budżetowanie i ROI na przykładach dla firmy produkcyjnej
    • Case study 1 – elementy Predictive Maintenance
    • Case study 2 – analiza cykli pracy

13 Kultura organizacyjna, cyfrowe przywództwo i Industry 5.0

  • Cyfrowe przywództwo w erze Industry 5.0
    • Zmiana paradygmatu: od dążenia do całkowitej automatyzacji do synergii kompetencji ludzkich i maszynowych (Human-Centric Approach)
    • Rola lidera w budowaniu zrównoważonego środowiska pracy, uwzględniającego etykę, ESG i bezpieczeństwo technologiczne
  • Kultura organizacyjna i transformacja oparta na AI – od wizji do wdrożenia
    • Kształtowanie środowiska sprzyjającego innowacjom (kultura otwartego eksperymentowania „Fail-Fast”) i przełamywanie silosów informacyjnych
    • Strategiczne kaskadowanie wizji transformacji od zarządu po cele operacyjne dla poszczególnych działów firmy
  • Zarządzanie zmianą w dobie radykalnej cyfryzacji (Change Management)
    • Diagnozowanie źródeł oporu: lęk przed utratą pracy, niezrozumienie koncepcji „czarnej skrzynki” algorytmu i taktyki ich mitygacji
    • Mapowanie interesariuszy zmiany i budowanie wewnętrznej koalicji „AI Championów” (ambasadorów AI) wspierających wdrożenie w zespołach nietechnicznych
  • Warsztat strategiczny: Projektowanie transformacji i adaptacji – Interaktywna praca w podgrupach, prowadzona przez trenera, oparta na analizie zróżnicowanych studiów przypadków (case studies) zaczerpniętych z praktyki rynkowej. Każdy z zespołów będzie pracował nad innym scenariuszem biznesowym, dotyczącym wyzwań związanych z zarządzaniem zmianą oraz dostosowaniem organizacji do założeń Industry 5.0.
  • Prezentacja autorskich projektów AI słuchaczy studiów (dla chętnych)

14 Architektura RAG i wdrożenia Generatywnej AI - od koncepcji po LLMOps

  • Ograniczenia modeli „pudełkowych” i zasilanie wiedzą
    • Zjawisko halucynacji i brak dostępu do wewnętrznego know-how firmy
    • Strategia: RAG (Retrieval-Augmented Generation) vs. Fine-Tuning – analiza czasu wdrożenia i ukrytych kosztów obu podejść
  • Inżynieria systemu RAG w praktyce (krok po kroku)
    • Ekstrakcja danych i chunking (strategie podziału tekstów i trudnych tabel)
    • Embeddings, wyszukiwanie semantyczne i zarządzanie bazą wektorową w zmieniającym się środowisku (np. przy aktualizacji dokumentów)
  • Nadzór nad dostawcami IT i kontraktowanie wdrożeń (Buy vs Build)
    • Złudzenie błyskawicznego prototypu (PoC) w zderzeniu z produkcją
    • Weryfikacja wycen zewnętrznych dostawców, klauzule SLA i zabezpieczenie własności intelektualnej do modeli
  • Testowanie, Kontrola Jakości (QA) i bezpieczeństwo na produkcji
    • Definiowanie kryteriów akceptacji i ewaluacja skuteczności (metoda „Human-in-the-loop”)
    • Rozpoznawanie długu technologicznego i audyt bezpieczeństwa (Security by Design)
  • Praktyka AI FinOps i LLMOps (Utrzymanie rozwiązania)
    • Monitorowanie zużycia tokenów, celowy dobór mniejszych modeli i systemy ostrzegania przed nagłym wzrostem rachunków API
    • Zabezpieczenie przed atakami wyczerpującymi budżet (Denial of Wallet) oraz reagowanie na degradację jakości modelu w czasie (Data Drift)

15 Sztuczna Inteligencja - analiza case studies

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.<\p>

Certyfikaty, które możesz zdobyć po ukończeniu studiów ze sztucznej inteligencji

Świadectwo ukończenia studiów podyplomowych Manager Projektów AI

Świadectwo wydawane jest przez Wyższą Szkołę Zarządzania i Bankowości w Krakowie.

Manager Projektów AI

Certyfikat wydawany przez LUQAM po ukończeniu studiów.

Odznaka Manager Projektów AI

Cyfrowa odznaka potwierdzająca zdobyte kompetencje, wydawana przez WSZiB po ukończeniu studiów. Można ją dodać do LinkedIn lub CV.

Industry 4.0 and cybersecurity

Certyfikat ekspercki po ukończeniu szkolenia Industry 4.0 and cybersecurity na platformie szkoleniowej Opexity

Informacje szczegółowe Studia podyplomowe AI

Aby zapisać się na studia należy:
  • zarejestrować się na stronie rekrutacji Wyższej Szkoły Zarządzania i Bankowości wybierając studia prowadzone przez LUQAM,
  • dostarczyć osobiście, przesłać pocztą lub mailowo (rekrutacja@wszib.edu.pl) do biura rekrutacji: ksero/skan dyplomu ukończenia studiów wyższych, 1 zdjęcie w kolorze (legitymacyjne/dowodowe), dowód opłaty rezerwacyjnej w wysokości 100 zł, zaliczanej na poczet czesnego (na podstawie umowy o odpłatności za studia) oraz informacje o liczbie rat za studia (całość/ 2 raty).
Ważne! Jeśli dokumenty są dostarczane osobiście – należy mieć ze sobą oryginał dyplomu do wglądu. Jeśli dokumenty są przesyłane pocztą lub mailowo – oryginał dyplomu należy okazać podczas pierwszego zjazdu.
Opłaty rezerwacyjnej należy dokonać na konto bankowe:
Wyższa Szkoła Zarządzania i Bankowości
ul. Kijowska 14 30-079 Kraków
Numer konta: 61 1440 1127 0000 0000 0193 3148
tytułem: nazwa kierunku_imię i nazwisko kandydata_2026/2027

Płatność w 1 racie: 6900 zł brutto

Płatność w 2 ratach: 7100 zł brutto (2 x 3 550zł brutto)

Terminy płatności:

Zgodnie z terminami podanymi w umowie o naukę.

Stała promocja: Zapisz się na studia i odbierz cashback do wykorzystania na szkolenia otwarte dostępne w harmonogramie i kursy online dostępne na Opexity.

Dodatkowe zniżki:

  • 3% dla 2 lub więcej osób zapisujących się wspólnie na studia.
  • 3% rabatu dla osób, które ukończyły studia licencjackie, inżynierskie lub magisterskie w bieżącym roku akademickim (tj. 2025/2026).
  • 10% rabatu przy zapisie na studia do 30.06.2026 r.*
  • 6 miesięczny, bezpłatny dostęp do Digital Factory,
  • 15% dla firm grających w Lidze Mistrzów 5S LUQAM.
  • Jednorazowy rabat o wartości 500 zł dla absolwentów Wyższej Szkoły Zarządzania i Bankowości w Krakowie.
  • Zniżki korporacyjne rozpatrywane są indywidualnie.

Rabaty nie sumują się. Podczas rekrutacji należy poinformować Uczelnię o obowiązującej zniżce.

*Aby odebrać zniżkę należy przejść przez pełen proces rekrutacji tj. wypełnić formularz rekrutacyjny, wpłacić opłatę rezerwacyjną oraz dostarczyć dokumenty na Uczelnię do 30.06.2026 r.

Liczba semestrów: 2 – zajęcia rozpoczynają się w październiku 2026, a kończą w czerwcu roku kolejnego.

Liczba zjazdów: 9

Zajęcia: sobota i niedziela 09.00-15.30

W ramach programu część zajęć będzie prowadzona w formie wideokonferencji realizowanej na żywo.

Istnieje możliwość uczestnictwa w zajęciach w 100% zdalnie (w uzasadnionych przypadkach za zgodą kierownika kierunku).

Część zajęć może być prowadzona wspólnie z innymi kierunkami.

Zasady zaliczenia:

  • Egzamin dyplomowy.
  • Minimum 70% obecności na zajęciach.

Zajęcia obejmują minimum 160 godzin dydaktycznych.

Absolwent studiów podyplomowych Manager Projektów AI posiada kompetencje umożliwiające skuteczne planowanie, wdrażanie i zarządzanie projektami wykorzystującymi sztuczną inteligencję w organizacjach. Rozumie zarówno biznesowe, jak i technologiczne aspekty AI, dzięki czemu potrafi efektywnie współpracować z zarządem, użytkownikami biznesowymi oraz zespołami IT, Data Science i cyberbezpieczeństwa.

Potrafi identyfikować procesy o największym potencjale automatyzacji i optymalizacji, dobierać odpowiednie technologie AI oraz oceniać ich opłacalność i wpływ na organizację. Zna możliwości i ograniczenia nowoczesnych rozwiązań, takich jak Generative AI, duże modele językowe (LLM), systemy RAG, agenci AI, automatyzacje Low-Code/No-Code oraz rozwiązania oparte na danych.

Absolwent posiada również wiedzę z zakresu cyberbezpieczeństwa, AI Governance oraz regulacji prawnych, w tym EU AI Act, NIS2 i RODO, co pozwala mu realizować projekty AI w sposób bezpieczny i zgodny z obowiązującymi wymaganiami.

Po ukończeniu studiów jest przygotowany do pełnienia ról związanych z transformacją cyfrową i wdrażaniem sztucznej inteligencji, takich jak: AI Project Manager, AI Transformation Manager, AI Product Owner, AI Innovation Manager, Specjalista ds. wdrożeń AI, Konsultant ds. transformacji cyfrowej i AI oraz Koordynator projektów Data & AI.

Zarejestruj się na studia

Rekrutacja trwa!

Masz pytania? Zadzwoń +48 507 174 084

Zarejestruj się!

Prowadzący studia podyplomowe z zarządzania projektami AI - nie uczysz się od teoretyków

Bartłomiej Rachwał

Ekspert zajmujący się praktycznym zastosowaniem sztucznej inteligencji w operacjach biznesowych. W LUQAM pełni funkcję koordynatora projektów wdrożeniowych w obszarze IT/AI. Kieruje tworzeniem zaawansowanych rozwiązań analitycznych szytych na miarę, a także wdrażaniem nowoczesnych narzędzi w ramach ekosystemu SaaS Digital Factory. Jego pasja do innowacji wykracza poza świat AI – jest również założycielem i kierownikiem laboratorium VR, w którym zajmuje się możliwościami wykorzystania wirtualnej i rozszerzonej rzeczywistości. Fundamentem jego wiedzy technologicznej są twarde dane. Zanim zaczął wspierać biznes, swoje unikalne kompetencje w obszarze Big Data, architektury systemów i rozwoju oprogramowania budował podczas prac w międzynarodowym ośrodku badawczym CERN w Szwajcarii (eksperyment LHCb). Praca ta zaowocowała doktoratem, a dziś dzieli się swoim doświadczeniem jako pracownik badawczo-dydaktyczny na Wydziale Fizyki i Informatyki Stosowanej AGH. Jako doświadczony architekt przepływu informacji odpowiada również za administrację systemami zarządzania pracą.

Agnieszka Siedlecka-Kurzeja

Trenerka i Konsultantka LUQAM. Swoje doświadczenie zdobywała w branży Automotive,  FMCG oraz Automatyki przemysłowej na stanowiskach Regional Continuous Improvement Leader, Manufacturing Engineering Manager, Project Launch Manager. W swojej karierze zawodowej zajmuje się projektowaniem oraz optymalizacją procesów produkcyjnych obejmującą zarówno analizę procesów,  jak i wdrażanie nowoczesnych systemów zarządzania produkcją. Prowadzi szkolenia i warsztaty z obszarów Lean Management. Pasjonatka szeroko pojętego ‘Przemysłu 4.0’ i nowych technologii. Absolwentka Politechniki Śląskiej, Wydziału Chemicznego, oraz Uniwersytetu Ekonomicznego w Krakowie i St. Gallen Business School gdzie ukończyła studia International MBA. Absolwentka studiów podyplomowych realizowanych na WSB – Akademia Lean Leadera oraz Controlling Finansowy. Posiada tytuł Green Belt’a.

Krzysztof Sterniczuk

Praktyk zarządzania projektami AI i transformacji cyfrowej z doświadczeniem w międzynarodowym środowisku przemysłowym. Odpowiada za wdrażanie rozwiązań opartych na AI, Industry 4.0 oraz LLM, wspierających automatyzację procesów i wzrost efektywności organizacji. Na co dzień zarządza globalnymi projektami nowych uruchomień dla infrastruktury centrów danych i sztucznej inteligencji. Autor wdrożeń generujących oszczędności rzędów milionów euro, lider projektów optymalizacyjnych (TPM, SMED, wzrost produktywności) oraz cyfryzacji procesów produkcyjnych. Łączy wiedzę z zakresu AI, Lean Management, Industrial Engineering i zarządzania zmianą, pokazując jak skutecznie przekładać nowe technologie na wymierne wyniki biznesowe. Specjalizuje się w projektowaniu skalowalnych rozwiązań opartych na danych i AI, które mogą być wdrażane w złożonych środowiskach produkcyjnych i usługowych. Aktywnie rozwija kompetencje zespołów i organizacji w zakresie praktycznego wykorzystania sztucznej inteligencji, łącząc rolę eksperta wdrożeniowego z rolą trenera i doradcy.

Kamila Kalecińska

Specjalistka Data Science łącząca doświadczenie naukowe z praktycznym zastosowaniem uczenia maszynowego i analizy danych. Doktorantka Akademii Górniczo-Hutniczej w Krakowie, gdzie prowadziła badania w obszarze sztucznej inteligencji oraz analizy danych medycznych, obecnie na końcowym etapie uzyskania stopnia doktora nauk fizycznych. Doświadczenie badawcze zdobywała w projektach z zakresu obrazowania medycznego i AI, m.in. przy analizie trójwymiarowych danych medycznych, segmentacji obrazów oraz zastosowaniu sieci neuronowych w radioterapii. Pracowała również przy projektach związanych z nowoczesnymi technologiami przetwarzania danych obrazowych. Specjalizuje się w uczeniu maszynowym, deep learningu oraz computer vision. Na co dzień zajmuje się analizą danych, budową modeli, projektowaniem pipeline’ów danych oraz tworzeniem rozwiązań software’owych opartych o AI. Doświadczona dydaktyczka – prowadzi zajęcia z zakresu analizy danych i sztucznej inteligencji na studiach podyplomowych oraz w środowisku akademickim, w tym kursy dotyczące machine learning, deep learning i przetwarzania danych z wykorzystaniem GPU. Współpracowała również z instytucjami międzynarodowymi, prowadząc warsztaty z zakresu uczenia maszynowego. W pracy stawia na interdyscyplinarność i praktyczne podejście do AI, podkreślając znaczenie zrozumienia danych i problemu biznesowego ponad samą złożoność modeli.

Damian Chudzik

Lider praktyki prawa własności intelektualnej oraz nowych technologii, ochrony danych osobowych i zamówień publicznych oraz partner w kancelarii prawno-podatkowej Axelo. Radca prawny od 2017 roku. Absolwent Wydziału Prawa i Administracji Uniwersytetu Rzeszowskiego. Ukończył studia podyplomowe z zakresu prawa nowych technologii w Instytucie Nauk Prawnych Polskiej Akademii Nauk, studia podyplomowe z zakresu prawa własności intelektualnej na Uniwersytecie Jagiellońskim oraz studia podyplomowe „Prawo Sztucznej Inteligencji” w Akademii Leona Koźmińskiego. Specjalizuje się w prawie własności intelektualnej, problematyce prawnej z obszaru nowych technologii i handlu elektronicznego, jak również w prawie ochrony danych osobowych i zamówieniach publicznych. Posiada duże doświadczenie w obsłudze prawnej podmiotów z branży IT i e – commerce. Zajmuje się przygotowaniem, negocjowaniem i opiniowaniem umów z obszaru IT i nowych technologii, w tym wdrożeniowych, serwisowych i licencyjnych. Nadzoruje i koordynuje prace zespołów audytowych ds. ochrony danych osobowych oraz własności intelektualnej w przedsiębiorstwach Klientów. Reprezentuje Klientów w sporach o ochronę praw własności intelektualnej.

Robert Rajs

Ekspert i praktyk zajmujący się praktycznym zastosowaniem sztucznej inteligencji w zastosowaniach zarządzania, inżynierii, inżynierii jakości. W LUQAM pełni funkcję trenera, wykładowcy zagadnień z cyberbezpieczeństwa oraz sztucznej inteligencji. Naucza jak tworzyć dasboard’y na pracowników produkcji, jakości, menadżerów w obszarze IT/AI. Jest wykładowcą z ponad 27 letnim stażem na PANS Krosno, gdzie prowadzi przedmioty z dziedziny informatyki. Jego pasja do innowacji wykracza poza świat AI – jest również kierownikiem IT Academy Microsoft, IT Academy Asseco Wapro, IT Academy Telemedicine na krośnieńskiej uczelni – PANS Krosno. W chwili obecnej realizuje się jako trener kompetencji cyfrowych wraz z zagadnieniami AI w ramach projektów EU (KPO 2026). Pełni także rolę mentora z zagadnień AI dla sektora kultury w ramach projektu Ministra Kultury i Dziedzictwa Narodowego oraz Instytut Przemysłów Kreatywnych dla podmiotów z województwa Podkarpackiego. Jest autorem ponad 25 artykułów naukowych, kilku książek branżowych. Specjalizuje się w projektowaniu skalowalnych rozwiązań opartych na danych i AI, które mogą być wdrażane w złożonych środowiskach produkcyjnych i usługowych. W chwili obecnej wdraża projekt edukacyjny dla sektora ochrony zdrowia – inamedu.ai, gdzie jest ambasadorem marki Inamedu.ai.

Adam Dendek

Doktor nauk fizycznych oraz Data Scientist z sześcioma latami doświadczenia komercyjnego w projektach dotyczących budowania modeli uczenia maszynowego oraz analizy danych. Stopień doktora uzyskał na podstawie projektu realizowanego dla eksperymentu LHCb w ośrodku badawczym CERN, w ramach którego stworzył model bazujący na uczeniu maszynowym do rekonstrukcji śladów cząstek długo życiowych. Po zakończeniu kariery naukowej, pracował w przemyśle zajmując się przetwarzaniem danych tekstowych (NLP), klasyfikacją tekstów oraz wykrywaniem anomalii. Jest fanatykiem wysokiej jakości kodu oraz testowania. Obecnie pracuje na stanowisku Senior Data Scientist w Bayer.

FAQ

1

Do kogo skierowane są studia podyplomowe Manager Projektów AI?

Studia podyplomowe Manager Projektów AI są skierowane do osób, które chcą praktycznie wykorzystywać sztuczną inteligencję w biznesie, ale niekoniecznie zajmować się jej programowaniem. Grupą odbiorców są:

  • managerowie i liderzy zespołów, którzy odpowiadają za innowacje, transformację lub rozwój produktów oraz potrzebują rozumieć AI, aby podejmować lepsze decyzje biznesowe,
  • specjaliści IT i analitycy biznesowi, którzy chcą rozwinąć się w kierunku zarządzania projektami AI oraz zwiększyć swoją wartość na rynku pracy,
  • osoby planujące zmianę kariery, szukające praktycznej ścieżki przebranżowienia,
  • przedsiębiorcy i właściciele firm, którzy szukają sposobów na automatyzację procesów oraz chcą zwiększyć efektywność i przewagę konkurencyjną.

2

Czy wymagana jest znajomość programowania?

Nie. Nie wymagamy znajomości programowania. Skupiamy się na zastosowaniach AI, zarządzaniu projektami i rozumieniu technologii – a nie na jej tworzeniu od podstaw.

3

Czego dokładnie nauczysz się na studiach Manager Projektów AI?

Po ukończeniu studiów z AI będziesz potrafił oceniać potencjał wdrożeń sztucznej inteligencji w organizacji, planować i koordynować projekty AI, skutecznie współpracować z dostawcami technologii oraz zespołami IT i Data Science. Zdobędziesz umiejętności związane z wdrażaniem automatyzacji procesów biznesowych i rozwiązań opartych na Generative AI, a także zarządzaniem ryzykiem, bezpieczeństwem i zgodnością regulacyjną projektów wykorzystujących sztuczną inteligencję. Będziesz również przygotowany do wspierania organizacji w procesie transformacji cyfrowej oraz budowania strategii wykorzystania AI w celu osiągania mierzalnych korzyści biznesowych.

4

Jakie są warunki ukończenia studiów?

Aby, ukończyć studia podyplomowe Manager Projektów AI i zdobyć wszystkie certyfikaty należy zdać egzamin dyplomowy oraz mieć minimum 70% obecności na zajęciach.

5

Czy zajęcia prowadzone na studiach AI są praktyczne?

Tak – program ma praktyczny charakter. Pracujesz na realnych case’ach i tworzysz własne rozwiązania, które możesz wykorzystać w pracy lub dodać do portfolio. Jednocześnie poznajesz konkretne narzędzia wykorzystywane w biznesie, m.in. modele językowe (LLM), narzędzia automatyzacji oraz analizy danych.

6

Czy te studia się opłacają i czym różnią się od dostępnych w sieci kursów online?

Tak – to inwestycja, która może zwrócić się poprzez realną możliwość zdobycia awansu, zmianę pracy na lepiej płatną, wdrożenie AI w obecnej firmie oraz rozwój kompetencji przyszłości. W przeciwieństwie do kursów online masz uporządkowany program, pracujesz z praktykami – ekspertami z zakresu wdrażania nowych technologii w biznesie.

7

W jaki sposób zapisać się na studia ze sztucznej inteligencji?

Aby zapisać się na studia należy wypełnić formularz rejestracyjny na stronie WSZIB, znajdujący się pod adresem: https://suszi.wszib.edu.pl/suszi-web/recruitment/candidateForm/postgraduate, dostarczyć dokumenty wymagane w procesie rekrutacji oraz dokonać opłaty rezerwacyjnej w wysokości 100 zł, zaliczanej na poczet czesnego.

8

Czy trzeba posiadać wykształcenie wyższe, aby zapisać się na studia podyplomowe?

Aby zapisać się na studia podyplomowe Manager Projektów AI prowadzone przez LUQAM wystarczy ukończyć studia wyższe na poziomie licencjackim lub inżynierskim.

9

Czy można rozłożyć płatność za studia na raty?

Płatność za studia podyplomowe można rozłożyć na dwie raty. Terminy płatności określone są w umowie o naukę.

10

Jak skorzystać z promocji "cashback na szkolenia otwarte"?

Aby skorzystać z promocji „cashback na szkolenia otwarte” należy:

  1. Przejść pełen proces rekrutacji tj. wypełnić formularz rekrutacyjny, wpłacić opłatę rezerwacyjną oraz dostarczyć wymagane dokumenty do biura rekrutacji.
  2. Po uruchomieniu kierunku podpisać umowę i opłacić studia zgodnie z danymi zawartymi w umowie.

Po zaksięgowaniu wpłaty otrzymasz możliwość wykorzystania kwoty równej opłacie za studia na szkolenia otwarte dostępne w harmonogramie.
Cashback można wykorzystać przez cały czas trwania studiów, nie później niż do 30.06.2027 r. zapisując się na szkolenia otwarte poprzez formularz rejestracyjny dostępny na stronach poszczególnych szkoleń.
Promocja naliczana będzie ręcznie przez LUQAM podczas mailowego potwierdzania odnotowania zgłoszenia.

W kwestiach nieuregulowanych powyżej obowiązuje standardowy Regulamin Szkoleń LUQAM.

Masz pytania? Napisz do nas!

    Zapisz się do newslettera: