Szkolenie: Spring AI – sztuczna inteligencja w Spring Boot
Szkolenie „Spring AI — zastosowanie sztucznej inteligencji w aplikacjach Spring Boot” pokazuje, jak łatwo połączyć modele językowe i wektorowe bazy danych z aplikacjami tworzonymi w Springu. Uczestnicy poznają bibliotekę Spring AI i uczą się budować nowoczesne funkcje, takie jak czat-boty, wyszukiwanie semantyczne czy automatyzacja zadań za pomocą inteligentnych agentów. Wszystko w praktycznej formie warsztatowej.
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:2 dni (16h)
Kod kursu:SPRING/AI
Spring AI – sztuczna inteligencja w Spring Boot
Cele szkolenia
Poznanie modułów Spring AI: nauka pracy z komponentami Chat, Embeddings, Vector Store oraz Flow w kontekście integracji AI z backendem opartym na Spring Boot
Konfiguracja usług AI: praktyczne wdrożenie usług takich jak OpenAI, Azure AI czy Hugging Face w aplikacjach Java + AI, z uwzględnieniem nowoczesnych API do przetwarzania języka naturalnego
Tworzenie i testowanie promptów: rozwijanie umiejętności prompt engineeringu w środowisku backendowym – klucz do wydajnych i spersonalizowanych rozwiązań AI
Embeddingi i wyszukiwanie wektorowe: implementacja modelowania semantycznego i wektorowych baz danych (Vector Store), z naciskiem na wykorzystanie embeddingów w aplikacjach biznesowych
Budowa systemów RAG (Retrieval-Augmented Generation): tworzenie inteligentnych usług AI z pamięcią podręczną, oceną jakości odpowiedzi i automatycznym pozyskiwaniem kontekstu
Automatyzacja z agentami AI: projektowanie backendowych agentów AI do wykonywania złożonych zadań oraz ich integracja z procesami aplikacji Spring Boot
Bezpieczeństwo i optymalizacja kosztów: wdrażanie dobrych praktyk w zakresie monitoringu kosztów, zarządzania danymi oraz zapewnienia bezpieczeństwa rozwiązań opartych na AI
Dla kogo?
Programistów Java/Spring chcących dodać AI do swoich aplikacji
Architektów projektujących usługi oparte na danych i sztucznej inteligencji
Developerów integrujących ChatGPT, Mistral, Ollama i inne LLM-y w firmach
Zalety
Nauka pracy z aktualną wersją Spring AI w praktyce - Szkolenie skupia się na najnowszej wersji Spring AI, z naciskiem na realne scenariusze wdrożeń. Uczestnicy nauczą się, jak wykorzystać moduły takie jak Chat, Embeddings i Vector Store w środowisku Java + AI, w tym jak skutecznie integrować duże modele językowe (LLM) z aplikacjami backendowymi
Przykładowe projekty rozwijane podczas warsztatów - Każdy uczestnik weźmie udział w praktycznych warsztatach z AI, podczas których stworzy własne mini-aplikacje, m.in. z wykorzystaniem wyszukiwania wektorowego, embeddingów, czy architektury RAG (Retrieval-Augmented Generation). Zajęcia oparte są na podejściu „learning by doing”
Praktyczne podejście do promptów i testowania LLM-ów - Szkolenie zawiera elementy prompt engineeringu, czyli sztuki pisania i testowania skutecznych promptów w celu uzyskania precyzyjnych wyników z LLM-ów. Uczestnicy poznają metody oceny jakości odpowiedzi i nauczą się, jak iteracyjnie udoskonalać zapytania w środowisku Spring Boot + AI
Omówienie rzeczywistych problemów i wyzwań z wdrażania AI - Warsztaty obejmują analizę wyzwań integracyjnych, kosztowych i bezpieczeństwa, jakie pojawiają się przy wdrażaniu AI w środowiskach produkcyjnych. Uczestnicy zyskają wiedzę, jak projektować niezawodne i skalowalne rozwiązania z użyciem agentów AI, jak monitorować koszty API oraz jak unikać typowych pułapek przy implementacji nowoczesnych usług AI
Wymagania
Dobra znajomość języka Java oraz Spring Boot
Ogólne pojęcie o dużych modelach językowych będzie pomocne, ale nie jest wymagane
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
Wprowadzenie do Spring AI
Czym jest Spring AI i jakie problemy rozwiązuje
Różnice między Spring AI a innymi narzędziami np. LangChain, OpenAI SDK
Konfiguracja środowiska i przygotowanie projektu
Bezpieczne przechowywanie kluczy API i danych wrażliwych
Praca z promptami i czatem
Jakie są role wiadomości w rozmowie z AI i jak je wykorzystywać
Tworzenie szablonów promptów w kodzie i z użyciem DSL
Strategie tworzenia skutecznych zapytań do modeli językowych
Strumieniowanie odpowiedzi i zapewnienie stabilności działania
Embeddingi i Vector Store
Co to są embeddingi i jak „rozumieją” one tekst
Jak masowo przetwarzać dokumenty i budować wyszukiwarkę semantyczną
Filtrowanie wyników na podstawie metadanych
Jak dbać o aktualność danych i wersjonowanie bazy embeddingów
Retrieval-Augmented Generation (RAG)
Łączenie danych z dokumentów z odpowiedziami generowanymi przez AI
Różne sposoby dzielenia dokumentów na fragmenty i ich wpływ na wyniki
Łączenie tradycyjnych algorytmów (np. BM25) z embeddingami
Jak poprawić szybkość i trafność odpowiedzi przez cache’owanie
Metody sprawdzania jakości odpowiedzi modeli językowych
Wykonywanie zadań i agenci
Udostępnianie funkcji aplikacji modelom AI w sposób kontrolowany
Jak ograniczyć dostęp do danych i kontrolować częstotliwość zapytań
Monitorowanie działań agentów i rejestrowanie zdarzeń
Budowa prostego agenta krok po kroku w stylu ReAct
Automatyzacja działań przez planowanie i wykonanie zadań z podziałem na etapy
Możliwość integracji z zewnętrznymi narzędziami do orkiestracji zadań
Praca z multimodalnymi danymi
Jak AI może tworzyć obrazy na podstawie opisu tekstowego
Rozpoznawanie i opisywanie treści na obrazach
Przetwarzanie mowy — zamiana głosu na tekst i odwrotnie
Praktyczne zastosowanie: bot głosowy z zapasową obsługą tekstową
Tworzenie przepływów w Spring AI Flow
Projektowanie przepływów zadań przy użyciu prostego języka DSL
Równoległe i sekwencyjne przetwarzanie zadań
Obsługa błędów i ponawianie nieudanych kroków
Zapisywanie i odtwarzanie stanu działania procesów
Testowanie i kontrola jakości
Jak testować prompty jak zwykłe funkcje aplikacji
Tworzenie zestawów testowych i porównywanie wyników
Wykorzystanie sztucznych modeli i danych do testów
Narzędzia do oceny i porównywania jakości odpowiedzi AI
Produkcyjne wdrożenie i bezpieczeństwo
Jak monitorować działanie aplikacji z pomocą Spring Boot Actuator
Śledzenie działania aplikacji w czasie rzeczywistym dzięki telemetryce
Ochrona przed nieodpowiednimi treściami i klasyfikacja tekstu
Budowanie zasad bezpieczeństwa, maskowanie danych wrażliwych
Analiza kosztów użycia modeli
Autorem szkolenia jest Łukasz Andrzejewski
Od ponad 17 lat z pasją dzielę się wiedzą jako trener, wspierając rozwój kompetencji technologicznych wśród specjalistów IT na różnych etapach ich kariery. W ostatnich 5 latach przeszkoliłem ponad 2000 osób, prowadząc szkolenia zarówno otwarte, jak i dedykowane, dla czołowych firm z sektorów bankowości, ubezpieczeń i IT – m.in. Santander Bank Polska, ERGO Hestia, Asseco Poland oraz Orange. Specjalizuję się w szerokim zakresie technologii – od rozwiązań z ekosystemu Java, przez nowoczesny frontend,…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
