Szkolenie: Budowanie aplikacji opartych na AI z wykorzystaniem biblioteki PydanticAI
Szkolenie z budowy aplikacji AI w Pythonie uczy integracji modeli językowych za pomocą PydanticAI (z dostępem do wielu dostawców modeli przez OpenRouter), tworzenia agentów z ustrukturyzowanym wyjściem, zaawansowanego użycia narzędzi (w tym MCP), wyszukiwania informacji w dokumentach i bazach danych (RAG), budowy systemów wieloagentowych oraz testowania i ewaluacji jakości odpowiedzi AI
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:2 dni (16h)
Kod kursu:AI/PYDANTIC-AI
Dostępne terminy szkolenia
Termin:
Termin gwarantowany
Trwają zapisy na szkolenie
Dostępne w Bazie Usług Rozwojowych
Oferta specjalna
online_paymentsTrener:
Cena:
2450 PLN netto
Lokalizacja:
ZdalneTermin:
Trwają zapisy na szkolenieDostępne w Bazie Usług Rozwojowychonline_paymentsTrener:
Cena:
2450 PLN nettoLokalizacja:
ZdalneTermin:
Trwają zapisy na szkolenieDostępne w Bazie Usług Rozwojowychonline_paymentsTrener:
Cena:
2450 PLN nettoLokalizacja:
ZdalneTermin:
Trwają zapisy na szkolenieDostępne w Bazie Usług Rozwojowychonline_paymentsTrener:
Cena:
2450 PLN nettoLokalizacja:
ZdalneTermin:
Trwają zapisy na szkolenieDostępne w Bazie Usług Rozwojowychonline_paymentsTrener:
Cena:
2450 PLN nettoLokalizacja:
ZdalneBudowanie aplikacji opartych na AI z wykorzystaniem biblioteki PydanticAI
Cele szkolenia
Szkolenie przygotowuje do samodzielnego projektowania i implementowania aplikacji AI w Pythonie z wykorzystaniem biblioteki PydanticAI oraz modeli językowych LLM dostępnych przez OpenRouter
Szkolenie uczy budowy agentów AI zwracających ustrukturyzowane dane z wykorzystaniem Pydantic BaseModel oraz obsługujących multimodalne wejście i wyjście, w tym obrazy
Szkolenie uczy projektowania, testowania i kontrolowania narzędzi (tools) wykorzystywanych przez agentów AI, w tym integracji z serwerami MCP, dependency injection, toolsets i mechanizmem human-in-the-loop
Szkolenie pokazuje, jak budować systemy RAG wykorzystujące embeddings, wyszukiwanie semantyczne, BM25, parent document retrieval, HyDE oraz SQL, a także projektować systemy wieloagentowe
Szkolenie uczy testowania i ewaluacji działania agentów AI, w tym wykorzystania LLM as a Judge, własnych ewaluatorów, judge alignment, oceny jakości wyszukiwania danych oraz testów wieloturowych
Dla kogo?
Programistów Pythona z doświadczeniem w budowie aplikacji, chcących wdrażać rozwiązania AI w swoich projektach
Specjalistów IT realizujących integracje systemów z modelami językowymi i narzędziami AI
Efekty kształcenia
Uczestnik projektuje i implementuje agentów AI w Pythonie z wykorzystaniem PydanticAI, Pydantic BaseModel oraz modeli językowych dostępnych przez OpenRouter
Uczestnik buduje systemy RAG wykorzystujące wyszukiwanie semantyczne, embeddings, BM25 oraz zaawansowane strategie wyszukiwania danych, takie jak parent document retrieval i HyDE
Uczestnik implementuje systemy RAG z bazami danych SQL, wykorzystując agenta do dynamicznego wyszukiwania informacji o schemacie oraz bezpiecznego generowania i wykonywania zapytań SQL
Uczestnik projektuje systemy wieloagentowe AI, wykorzystując delegację zadań między agentami, subagentów oraz agentów doradczych (advisor)
Uczestnik integruje agentów AI z zewnętrznymi usługami i narzędziami za pomocą protokołu MCP oraz projektuje narzędzia z wykorzystaniem dependency injection, toolsets i human-in-the-loop
Uczestnik testuje i ewaluje jakość działania agentów AI, wykorzystując LLM as a Judge, własne ewaluatory, ocenę jakości wyszukiwanych danych, judge alignment oraz testy wieloturowe
Wymagania
Znajomość Pythona na poziomie wystarczającym do zaimplementowania REST API oraz połączenia z bazą danych
Podstawowa znajomość biblioteki Pydantic (modele danych) będzie pomocna, ale nie jest wymagana
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
Autorem szkolenia jest Bartosz Mikulski
Inżynier danych, MLOps engineer. W pracy zawodowej zajmuje się budowaniem zautomatyzowanej platformy wdrażania modeli uczenia maszynowego na produkcji. Specjalizuje się w inżynierii danych z użyciem AWS. Od 2017 roku pisze bloga o inżynierii danych, uczeniu maszynowym i sztucznej inteligencji. Napisał jeden z rozdziałów książki "97 Things Every Data Engineer Should Know". Występuje na konferencjach i meetupach w roli prelegenta gdzie dzieli się swoim doświadczeniem ze społecznością programistów.…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
