Szkolenie: Jev w praktyce - budowa inteligentnych systemów decyzyjnych
Szkolenie "Jev w praktyce" to warsztat dla programistów, którzy chcą wbudować w swoje aplikacje klasyfikacje i decyzje tworzone przez AI. Uczestnicy poznają Jev – model typu System One. Następnie po omówieniu niezbędnej teorii będziemy wspólnie tworzyć kilka praktycznych projektów, w których przetestujemy zdobytą wiedzę. Podane przykłady projektów mogą się niezncznie zmienić w zależności od tempa pracy oraz potrzeb uczestników.
Jev w praktyce - budowa inteligentnych systemów decyzyjnych
Cele szkolenia
Szkolenie uczy projektowania zapytań do modelu Jev z wykorzystaniem typów pytań choice, score i noul oraz interpretowania zwracanych prawdopodobieństw i poziomu pewności klasyfikacji AI
Szkolenie przygotowuje do budowy inteligentnych aplikacji decyzyjnych, w których model System One automatyzuje decyzje w procesach biznesowych, a niepewne przypadki przekazuje do weryfikacji człowieka
Szkolenie pokazuje, jak łączyć model decyzyjny Jev z modelami LLM i tworzyć inteligentne systemy kierujące zapytania do modelu AI dopasowanego do trudności zadania
Szkolenie omawia kryteria wyboru między System One, modelami LLM i klasycznymi modelami machine learning (ML), uwzględniając koszty, czas odpowiedzi i dokładność działania
Dla kogo?
Programiści, którzy chcą dodać do aplikacji automatyczne decyzje oparte na AI
Inżynierowie AI szukający tańszej i szybszej alternatywy dla LLM w zadaniach klasyfikacyjnych
Specjaliści automatyzacji procesów z podstawami programowania
Efekty kształcenia
Uczestnik buduje w trakcie szkolenia prototypy inteligentnych aplikacji AI, które rozwiązują konkretne problemy biznesowe, takie jak klasyfikacja tekstu, analiza opinii klientów i automatyzacja obsługi zgłoszeń
Uczestnik dobiera model AI do konkretnego zadania, porównując System One, modele LLM i klasyczne modele ML pod względem kosztów, czasu odpowiedzi i dokładności klasyfikacji
Uczestnik projektuje logikę decyzyjną aplikacji z wykorzystaniem modelu Jev i tworzy kod z pomocą agenta AI, koncentrując się na praktycznym wdrażaniu inteligentnych systemów decyzyjnych
Wymagania
Znajomość Pythona oraz podstawowych koncepcji związanych z AI
Rozumienie zasady działania aplikacji webowych (frontend, backend, baza danych)
Podstawowe doświadczenie w pracy z modelami LLM i agentami kodującymi
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Model generatywny a model decyzyjny - kiedy AI powinna odpowiadać, a kiedy decydować
Budowa zapytania do Jev: state, questions i typy pytań choice, score oraz noul
Prawdopodobieństwa i confidence - progi automatycznej decyzji i przekazanie do ręcznej weryfikacji
Budowa własnego klasyfikatora i ocena jego skuteczności na danych testowych: spam, sentyment, zgłoszenia serwisowe
Przypadki brzegowe, deterministyczność i skuteczność dla języka polskiego i angielskiego
System One, LLM i klasyczne modele ML - porównanie kosztów, czasu działania i dokładności
Ocena poziomu trudności pytania użytkownika: odpowiedź bezpośrednia, potrzebna wiedza domenowa lub potrzebne narzędzia zewnętrzne
Kierowanie zapytania do właściwego modelu: lekki i tani model do prostych pytań, rozbudowany LLM z wyszukiwarką, bazą wiedzy lub API do trudniejszych
Ścieżka awaryjna - gdy pewność klasyfikacji jest zbyt niska, zapytanie trafia do silniejszego modelu
Rozbijanie wieloczęściowych pytań na mniejsze zadania i rozdzielanie ich pomiędzy różne modele
Podział newslettera na pojedyncze artykuły i klasyfikacja ich tematyki za pomocą modelu System One
Definiowanie własnego profilu zainteresowań - tematy, które chcesz śledzić, i te, które chcesz pomijać
Ocena dopasowania artykułu do profilu za pomocą pytań typu score i filtrowanie według ustalonego progu
Ranking ważności - ocena istotności i pilności artykułów za pomocą pytań typu score oraz sortowanie newslettera od najważniejszych informacji
Wykrywanie treści niepożądanych za pomocą pytań typu noul - artykuły sponsorowane, reklamy ukryte w treści i tematy, które nas nie interesują
Rozpoznawanie, czego dotyczy wiadomość klienta, i przekazywanie jej do właściwego zespołu
Blokowanie wulgarnych i niedozwolonych treści w rozmowie w czasie rzeczywistym
Określanie pilności sprawy i nastroju klienta - ustalanie kolejności obsługi i przekazanie rozmowy człowiekowi w razie potrzeby
Podział ról między modelami: System One podejmuje szybkie decyzje, a LLM przygotowuje odpowiedzi tam, gdzie jest to potrzebne
Klasyfikacja sentymentu opinii jako pozytywnej, neutralnej lub negatywnej za pomocą modelu System One
Przypisanie głównego tematu opinii, np. jakość produktu, dostawa, obsługa klienta, cena
Ocena poszczególnych aspektów w jednej opinii za pomocą pytań typu score, np. zadowolenie z produktu przy jednoczesnym niezadowoleniu z dostawy
Wykrywanie opinii wymagających reakcji za pomocą pytań typu noul - reklamacje, zgłoszenia błędów i prośby o kontakt
Automatyczna publikacja pozytywnych opinii na stronie z progiem pewności i przekazaniem niepewnych przypadków do ręcznej akceptacji
Autorem szkolenia jest Patryk Palej
Od 2018 roku zajmuje się analizą danych, uczeniem maszynowym oraz programowaniem w Pythonie. W międzyczasie ukończył studia na kierunku Energetyka w trakcie których zajmował się matematycznym modelowaniem procesów transportu ciepła i masy. Szybko jednak przebranżowił się do IT i jako data scientist pracował przy projektach dla takich sektorów jak finanse, telekomunikacja czy media.
Poza tym prowadzi szkolenia, warsztaty oraz zajęcia na bootcampie z zagadnień na pograniczu Pythona i data science.…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
Uczestnik szkolenia “Efektywne modelowanie w Enterprise Architect”
Anna Smoczyńska
Sporo wiedzy przekazanej w przystępny sposób. Szkolenie w formie warsztatów, angażujące i praktyczne
21.10.2026
Uczestnik szkolenia “Programowanie interfejsów użytkownika w QtQuick - poziom podstawowy”
Jan Kowalski, WB Electronics S.A.
Szczegółowe pokrycie tematu. Interakcja z prowadzącym.
21.10.2026
Uczestnik szkolenia “IREB® CPRE Foundation Level”
Daniel Zając
Szkolenie było dobrze przygotowane i prowadzone w przystępny sposób. Dużym plusem były praktyczne przykłady z doświadczenia opowiedziane przez prowadzącą , które pomagały zrozumieć omawiane zagadnienia i możliwości ich wykorzystania w codziennej pracy.
21.10.2026
Rafal Prochalski, ING Hubs B.V. sp. z o.o. Oddział w Polsce
Fajna kolezenska atmosfera, duzo nowych informacji przekazywanych w prostej i przyjemniej formie
21.10.2026
JAKUB SERAFIN, ING Hubs B.V. sp. z o.o. Oddział w Polsce