Szkolenie: Od API LLM do Agent-RAG – budowa systemów RAG
Szkolenie kompleksowo wprowadza w budowę systemów Retrieval-Augmented Generation, obejmując pracę z LLM, przygotowanie danych, embeddingi, bazy wektorowe i grafowe oraz projektowanie i wdrażanie wieloagentowych asystentów Q&A opartych na nowoczesnych frameworkach AI
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:5 dni (40h)
Kod kursu:AI/HYBRID-RAG
Dostępne terminy szkolenia
Termin:
Trener:
Cena:
4750 PLN netto
Lokalizacja:
ZdalneTermin:
Trener:
Cena:
4750 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
4750 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
4750 PLN nettoLokalizacja:
ZdalneTermin:
Trener:
Cena:
4750 PLN nettoLokalizacja:
ZdalneOd API LLM do Agent-RAG – budowa systemów RAG
Cele szkolenia
Szkolenie przygotowuje do samodzielnego projektowania i wdrażania systemów Retrieval-Augmented Generation, łączących modele językowe, bazy wektorowe i grafowe oraz architekturę agentową w środowiskach produkcyjnych
Szkolenie uczy efektywnego doboru, porównywania i integracji modeli LLM oraz optymalizacji procesów wyszukiwania semantycznego i strukturalnego w aplikacjach AI
Szkolenie rozwija umiejętność oceny jakości embeddingów, projektowania strategii chunkowania danych oraz implementacji hybrydowych retrieverów i rerankingu wyników
Szkolenie pokazuje, jak wdrażać wieloagentowe systemy AI z wykorzystaniem nowoczesnych narzędzi orkiestracji, automatyzacji i skalowania, zapewniając wysoką jakość i efektywność rozwiązań
Dla kogo?
Programiści backend oraz AI engineerzy z doświadczeniem w pracy z modelami językowymi i API
Data scientist i analitycy zajmujący się wdrażaniem rozwiązań RAG i systemów hybrydowych
Architekci systemów odpowiedzialni za projektowanie i integrację zaawansowanych narzędzi wyszukiwania
Zespoły projektowe rozwijające agentów AI i chatboty Q&A w środowiskach produkcyjnych
Efekty kształcenia
Uczestnik projektuje i wdraża systemy RAG z wykorzystaniem LLM, baz wektorowych i grafowych
Uczestnik analizuje i porównuje modele LLM pod kątem zastosowań w zadaniach NLP
Uczestnik konfiguruje i optymalizuje bazy danych do przechowywania embeddingów
Uczestnik ocenia jakość embeddingów przy użyciu metryk NDCG i MRR
Uczestnik implementuje hybrydowe strategie wyszukiwania i rerankingu
Uczestnik wdraża wieloagentowe systemy AI w środowiskach produkcyjnych
Wymagania
Znajomość Pythona i pracy z API.
Umiejętność pracy z terminalem i podstawowa znajomość Dockera.
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program szkolenia
Fundamenty LLM & API
Porównanie modeli GPT, Claude, Llama, Qwen
Praca z API, retry i streaming
Function calling i routing modeli
Guardrails i walidacja danych wyjściowych
Przygotowanie danych i embedding
Tworzenie loaderów i czyszczenie danych
Strategie chunkowania i metadane
Ocena embeddingów z wykorzystaniem NDCG, MRR
Budowa prostego RAG z Chroma
Bazy wektorowe
Przegląd HNSW, IVF, FAISS
Konfiguracja Weaviate i Qdrant (w tym multi-tenancy)
Benchmarkowanie i optymalizacja parametrów
Graph RAG & wyszukiwanie hybrydowe
Modelowanie grafu dokumentów i zapytania Cypher
Łączenie kryteriów grafowych i wektorowych
Implementacja hybrydowego retrievera + reranking
Agent‑RAG & wdrożenie
Projektowanie agenta (retriever, planner, answerer)
CrewAI + LangGraph + LangSmith
Deploy z Dockerem i autoscalerem K8s
Integracja CI/CD + staging/production
Autorem szkolenia jest Marcin Wierzbiński
Analityk danych i badacz sztucznej inteligencji z doświadczeniem akademickim i komercyjnym. Na co dzień wykłada na Uniwersytecie Warszawskim, a swoje kompetencje rozwijał również w międzynarodowych instytucjach badawczych, takich jak Instytut Maxa Plancka w Berlinie. Specjalizuje się w uczeniu maszynowym, analizie danych na dużą skalę oraz bioinformatyce – w szczególności w przetwarzaniu i analizie danych genetycznych. Prowadzi praktyczne kursy z zakresu analizy danych i deep learningu, kładąc…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
