Szkolenia Sztuczna inteligencja (AI) w praktyce

AI w dokumentacji medycznej wspiera tworzenie opisów, podsumowań wizyt, tłumaczeń i materiałów informacyjnych, ale nie zastępuje oceny klinicznej ani weryfikacji personelu. W praktyce warto sprawdzić źródło danych wejściowych, zakres anonimizacji, sposób walidacji odpowiedzi oraz to, czy narzędzie nie dopowiada informacji niewynikających z dokumentacji. Przykładem jest przygotowanie roboczego opisu wizyty na podstawie ustrukturyzowanych notatek, a następnie zatwierdzenie treści przez pielęgniarki lub personel medyczny.
Ten temat przerabiamy praktycznie na szkoleniu: AI dla lekarzy i personelu medycznego – analiza danych, dokumentacja medyczna.

Automatyzacja procesów biznesowych z użyciem no-code i AI polega na łączeniu aplikacji, danych i reguł decyzyjnych bez budowania pełnego rozwiązania programistycznego od zera. Najpierw trzeba opisać proces, wskazać punkty wejścia i wyjścia danych, zdefiniować warunki oraz sprawdzić integracje API, uprawnienia i logikę wyjątków. Typowy przykład to przepływ w n8n, który pobiera zgłoszenie, klasyfikuje je modelem AI, zapisuje wynik w systemie i wysyła powiadomienie do Slacka.
Wersję warsztatową (z konfiguracją i przykładami) znajdziesz w programie szkolenia: Automatyzacja procesów biznesowych z wykorzystaniem no-code i AI.

Skuteczne prompty to polecenia, które precyzują cel, kontekst, format wyniku, ograniczenia oraz kryteria jakości odpowiedzi modelu. Warto sprawdzić, czy prompt zawiera rolę systemową lub zadaniową, dane wejściowe, oczekiwany układ odpowiedzi i instrukcję weryfikacji, zamiast liczyć na poprawny wynik z jednego ogólnego pytania. Przykładem jest prompt do przygotowania podsumowania zgłoszeń pacjentów w tabeli z kategorią, priorytetem i rekomendowaną dalszą akcją.
Jeśli chcesz przećwiczyć to krok po kroku, zobacz: Prompt engineering.

Dobór narzędzi AI zależy od typu danych, wymaganej integracji i poziomu kontroli nad przetwarzaniem, dlatego inne rozwiązania sprawdzają się dla tekstu, inne dla danych tabelarycznych czy dokumentów PDF. Przed wyborem trzeba ocenić obsługę plików, możliwości analityczne, dostęp do API, zgodność z polityką bezpieczeństwa oraz łatwość połączenia z Pythonem, Excelem lub środowiskami chmurowymi. Przykładem jest połączenie modeli językowych z notebookami i danymi CSV w celu automatycznego generowania raportów oraz podsumowań menedżerskich.
Dokładnie ten zestaw narzędzi i workflow ćwiczymy podczas szkolenia: AI w pracy Analityka Danych.

AI Act i RODO regulują różne aspekty stosowania sztucznej inteligencji, dlatego przed wdrożeniami trzeba ocenić zarówno poziom ryzyka systemu AI, jak i zasady przetwarzania danych osobowych. Należy sprawdzić rolę organizacji jako dostawcy lub użytkownika, zakres obowiązków informacyjnych, sposób nadzoru nad wynikami modelu, podstawę prawną przetwarzania oraz mechanizmy minimalizacji danych. Przykładem jest analiza chatbota obsługowego pod kątem obowiązków transparentności, logowania działań i zgodności z zasadami ochrony danych.
To jedno z zagadnień omawianych podczas szkolenia: Wprowadzenie do AI Act – regulacji sztucznej inteligencji w UE.

Chatbot AI to interfejs konwersacyjny, który korzysta z modeli językowych i danych kontekstowych do odpowiadania na pytania, klasyfikowania spraw lub uruchamiania zadań w innych systemach. Trzeba sprawdzić źródła wiedzy, sposób ograniczania halucynacji, reguły eskalacji do człowieka, integrację z CRM lub helpdeskiem oraz jakość logów do późniejszej analizy. Przykładem jest chatbot, który odpowiada na pytania o status zgłoszenia, a w bardziej złożonych przypadkach tworzy ticket i przekazuje sprawę do odpowiedniego zespołu.
Ten temat przerabiamy praktycznie na szkoleniu: AI dla działu obsługi klienta – chatboty, analiza zgłoszeń, automatyzacja odpowiedzi.