Nie kupujesz kursów.
Wchodzisz w cały system.

Niedawno podjęłam się niemałego wyzwania, a mianowicie uczestniczyłam w kursie Praktyczny LLM od DataWorkshop i muszę przyznać, że nigdy nie miałam okazji brać udziału w tak dobrze przygotowanym programie nauki.
Dużo zadań praktycznych w już wcześniej przygotowanym do tego środowisku, realne przykłady biznesowe, praca z narzędziami do monitorowania modeli oraz konsekwentne podejście do jakości.
To doświadczenie było dla mnie szczególnie cenne, ponieważ to moje początki z AI i Pythonem.
Najbardziej fascynujące było zrozumienie, że z modelami językowymi można pracować w sposób kontrolowany - nie tylko poprzez odpowiednią strukturę promptu, ale również przez walidację odpowiedzi i świadome projektowanie całego procesu.
Ogromne podziękowania dla zespołu DataWorkshop, a w szczególności dla Anna Kamila Sarz za wsparcie i merytoryczne prowadzenie.
Współpraca z innymi uczestnikami oraz długie godziny pracy własnej dały efekt w postaci praktycznej wiedzy i tego certyfikatu!

Prawdziwy rozwój zaczyna się tam, gdzie mówimy sobie:
jest jeszcze dużo rzeczy, których jeszcze nie wiem.
I chcę się dowiedzieć.
Założenie, że jest się już ekspertem i nic nowego się już nie odkryje, to najgorsze co można zrobić ze swoim rozwojem.
Dlatego z otwartą głową dołączyłem do #dwthon-rag prowadzonego przez DataWorkshop i jednego z najlepszych instruktorów ML i AI w PL: Vladimir Alekseichenko
I jak zwykle, nie zawiodłem się :-) ZAWSZE znajduje coś nowego.
A tymczasem, dzień pierwszy zaliczony 💪

Zamiast iść spać, przebiegłam #DWthon -"RAG pod kontrolą" mini DataWorkshop maraton od Vladimir Alekseichenko. I teraz siedze po nocy, patrze na tą rosnącą mapę wiedzy, którą wzieliśmy na warsztat (super spójną sieć znaczeń, model informacji zamiast pociętych kawałków) — i myślę sobie: „u nas też by się taka przydała 😄”.
Dzięki Tomasz Uss za podesłanie tych warsztatów i Twojego entuzjazmu, który mnie zmotywował by ukończyć całość. Brawa Vladimir za ogrom wiedzy i za super knowledge transfer 👏

5 tygodni intensywnej nauki — i Kurs Praktyczny LLM zaliczony! 🎉
Kilka rzeczy, które zmieniły moje myślenie:

• structured output to dla mnie już codzienność — przestało być czymś nowym.
• RAG to nie tylko baza wektorowa. Co więcej — ta baza to w sumie najmniej ważna część całej układanki. Najważniejszy jest kontekst i mechanizm, który nim zarządza.
• I jedno z kluczowych odkryć: LLMowi trzeba założyć homonto. Nie może szaleć — nie na tym nam zależy. Stabilność i przewidywalność są ważniejsze niż efektowne wyniki w demo.

Dzięki Vladimir Alekseichenko i cały team DataWorkshop za przygotowanie tego kursu — to była naprawdę dobra inwestycja.
A teraz? Czas na Agentic AI. Kolejne poziomy autonomii czekają 🚀

Most people focus on agent autonomy
I learned memory is what actually scales them
Just wrapped up an intensive, 5-week hands-on Agentic AI program at DataWorkshop.
30 lessons. 5 modules. Level 4-5 AI autonomy - the same level tools like Claude Code and Codex operate at.
What surprised me the most:
The 7-layer memory model in agent systems, and the best-practice approaches to agent harness design.
Thanks to Vladimir for going this deep on agentic architectures.

Po prawie roku wróciłem do DataWorkshop po nową dawkę wiedzy i jak zwykle się nie zawiodłem :).
5 tygodni rozkładaliśmy na czynniki pierwsze budowanie agentów AI, ale z głową. Jak takie produkty jak Claude Code albo Codex działają pod spodem. Jak je zaprojektować, a potem narzucić im ramy działania. Bez magii i szybkiego efektu nad którym nie mamy kontroli.
Tym razem o krok dalej, skupiając się na decision loop, structured reasoning and planning, memory, tools i projektowaniu harnessu, włączając w to testowanie i mierzenie jakości każdego etapu.
Dzięki Vladimir Alekseichenko za coś więcej niż kod do wykorzystania, tylko za podejście i inżynierską perspektywę.

Biorę udział w kolejnym DWthonie od DataWorkshop 👉
Co mnie zaskoczyło? W końcu ktoś w prosty sposób tłumaczy, czym jest RAG. RAG to klasa systemów, która żyje na czterech poziomach: narzędzie, wariant, wzorzec, klasa. Karpathy pokazał wariant. Mapa Wiedzy to wzorzec. Baza wektorowa to narzędzie.
To dobry kierunek w prostowaniu pojęć. Dzięki, Vladimir Alekseichenko!

3x DWthon = AI Stack na nowym poziomie.🚀
Zamiast „AI-magii” wybieram inżynierską kontrolę.
✅ LLM Engineering: Bielik LLM, structured outputs i deterministyczność w produkcji.
✅ Agentic AI: Architektura OpenClaw, przepływ kontekstu i custom skills.
✅ RAG: Metadata extraction i multi-stage retrieval.
To był bardzo praktyczny cykl który uporządkował moje podejście do rozwiązań AI.
Dziękuję DataWorkshop, Vladimir Alekseichenko, Anna Kamila Sarz za tą możliwość.

Jestem po ukończeniu pierwszego kursu Practical LLM z Data Workshop.
Śmiało mogę go polecić. Bardzo dużo wiedzy, dobrze zorganizowanej i przedstawionej. Praktyczne przykłady i dodatkowo sporo nowinek ze świata LLM.
Bardzo podobało mi się podejście inżynieryjne do rozwiązywania problemów i budowania rozwiązań a nie hypowanie się na teraz popularne narzędzia.
Naprawdę polecam :)

Z czystym sumieniem moge polecic Data Workshop. Uporzadkowana wiedza, bez niepotrzebnych, nie uzasadnionych technicznie informacji i lania wody.
Praktyczne podejscie zamiast mainstreamowych czarów jak to wszechwiedzace AI robi wszystko w moment, oczywiscie nie wymagajac kodu, a nawet myslenia.
Szkolen, podcastow i materialow dotyczacych LLM w sieci jest masa, ale wiarygodnych i wartosciowych niewiele - to jest wlasnie jedno z tych zrodel, ktore warto sprawdzic.

W dzisiejszym zalewie kursów trudno znaleźć materiały, które oferują coś więcej niż tylko teoretyczne informacje. DataWorkshop dostarcza wiedzę w niezwykle przystępny sposób, a co najważniejsze – zapewnia środowisko do eksperymentowania. Pozwala to uczestnikom nie tylko przyswoić nowe koncepcje, ale także samodzielnie sprawdzić, co faktycznie działa w praktyce.
Uczestniczyłem w kursie Praktyczny LLM i muszę przyznać, że jego program przeniósł moje oczekiwania. W przeciwieństwie do wielu innych szkoleń, ten kurs nie skupia się na chwilowych nowinkach czy marketingowych sloganach. Zamiast tego, szczegółowo wyjaśnia koncepcje, które są fundamentem do budowania i utrzymywania stabilnych systemów z wykorzystaniem dużych modeli językowych (LLM) przez wiele lat. Kurs opiera się na sprawdzonych technologiach, dając solidne podstawy do tworzenia rozwiązań z LLM przy zachowaniu ich wysokiej jakości i stabilności.
Zdecydowanie polecam ten kurs każdej osobie, która ma styczność z tematyką dużych modeli językowych, niezależnie od stopnia zaawansowania. Dla mnie, jako Domain Architecta, możliwość szybkiego przełożenia zdobytej wiedzy na konkretne, produkcyjne rozwiązania jest priorytetem, a DataWorkshop doskonale mi to umożliwił.

Z DataWorkshop związałem się pod koniec października 2021, a że zacząłem się zastanawiać w co zainwestować swój wolny czas, aby przygotować się na "Świat, który zmienia się szybciej niż myślisz" stwierdziłem, że spróbuję swoich sił w czymś nowym i nieznanym mi temacie.
Pomimo początkowych trudności ze zrozumieniem kodu czy założeń, to cała społeczność z DataWorkshop i ich kursy są pomocne i w sposób przystępny wiedza jest przekazana. Oczywiście bez poświęcenia własnego czasu nie osiągniesz sukcesu, ale zawsze możesz liczyć na DataWorkshop, podpowiedzą gdzie poszukać, czym się zainspirować.
Po prawie roku i przerobieniu kilku bezpłatnych inicjatyw zdecydowałem się na płatne szkolenie "Python w analizie danych", które sporo napotkanych problemów rozwiązało i nauczyło mnie jak oczyszczać dane, jak je przeglądać i co można z nich wyciągnąć :)
W każdym razie polecam DataWorkshop za inicjatywę i promocję w języku polskim - Machine Learning(ML) i Artificial Intelligence(AI) oraz za to, że są wspaniałą i bardzo pomocną firmą, która wie jak to wszystko ugryźć w przystępnym dla każdego języku.

Kolejny DWthon dzięki DataWorkshop, i Vladimir Alekseichenko zrealizowany.
Tym razem na warsztat, a w zasadzie pod lupę RAG, czyli poziom 3 z 7 poziomów autonomii AI w koncepcji Software 3.0.
Ogrom wiedzy, którą w części już rozumiem i utrwalam, oraz wiele nowych dla mnie zagadnień: Mapa Wiedzy, integracja z Obsidianie, a w nim: widoczne wyspy firm,na których danych pracowaliśmy, koncepty, mosty cross-company.
3 intensywne dni, po których moja optyka, jak okiełznać modele LLM, przy wykorzystaniu Pythona i innych narzędzi jak wspomniany Obisidian, by zwracały nam dane, których potrzebujemy i były wiarygodne, cały czas ulega ewolucji.
Tylko utwierdzam się w przekonaniu, że warto poświęcić, czas na edukację z DataWorkshop. To nie jest nauka, programowania, czy pisania promptów. To przemyślana i zaprojektowana metodologia, podejścia do wyzwań biznesowych.

Cześć wszystkim! Kurs DS jest fantastyczny. Władimir wszystko jasno, zwięźle i angażująco wyjaśnia! Tatiana jest zawsze dostępna i zapewnia doskonałe konsultacje! Polecam zarówno początkującym, jak i doświadczonym profesjonalistom – jest naprawdę praktyczny i dużo się nauczysz!

Bardzo polecam kursy i inicjatywy Data Workshop. Są świetnie przygotowane pod kątem merytorycznym i technicznym. A do tego zespół ludzi, pasjonatów, którzy dzielą się swoim entuzjazmem i pozytywną energią. Ja dzięki Data Workshop stawiam pierwsze kroki w ogromnym świecie Machine Learning/Data Science i coraz bardziej mi się to podoba. Dziękuję Wam bardzo!

Co udało się zrobić w ramach #dwthon_RAG - świetnej inicjatywie od DataWorkshop i Vladimir Alekseichenko?

• Mapa Wiedzy z ponad 1400 tabel pobranych z raportów finansowych spółek z GPW
• Graf w Obsidianie, na którym widać powiązania między firmami
• System, który znajduje odpowiedzi w danych i pokazuje, skąd je wziął

Prawdziwy RAG zaczyna się od tego, jak uporządkujesz dane - i to jest kluczowe. W dalszym ciągu poszerzam swoją wiedzę o AI i konsekwentnie rozwijam swoje kompetencje w tym obszarze.
Dziękuję @Vladimir Alekseichenko, @Anna Sarz i całej ekipie @DataWorkshop za świetnie poprowadzony kurs.

Właśnie ukończyłem kurs Agentic AI w DataWorkshop. I chcę powiedzieć wprost — to nie był "kolejny kurs o AI".
30 lekcji. 5 modułów. 5 tygodni. Poziom 4-5 autonomii AI — czyli ten poziom, na którym działają systemy takie jak Claude Code czy Codex.
Zanim zacząłem, myślałem, że wiem, czym jest "agent AI". Chatbot z podpiętymi narzędziami, trochę promptingu, może RAG. Coś, co można złożyć w weekend z tutoriala.
Myliłem się.
Prawdziwy agent to nie prompt + tool + magia. To architektura.
🔷 Domain-Driven Design — myślisz jak architekt systemu, nie autor promptów. Mapowanie stanów, edge case'y, kontrakt danych.
🔷 Warstwowa pamięć — największy przełom. "Historia w messages" to NIE pamięć. Prawdziwa pamięć to 7 warstw: core, semantic, workflow, working, episodic, procedural, resource. Pomylenie ich = system, który działa na demo, sypie się w produkcji.
🔷 Kontrolowane narzędzia — nie "wpięcie API do prompta", ale architektura: discovery, execution, security.
🔷 Pętla ReAct — cel → NextStep → dispatch → obserwacja → replanowanie. Agent, który rewiduje plan po zderzeniu z rzeczywistością.
🔷 Harness jakości — bez własnego systemu oceny każda zmiana promptu to ryzyko produkcyjne. "Chyba dobrze działa" to nie standard.
Co teraz buduję?
Agent monitorujący piec do obróbki cieplnej w czasie rzeczywistym — OPC UA jako źródło danych, pętla ReAct do analizy parametrów i wykrywania anomalii, alerty na Slack, własny harness jakości. Nie demo — system zaprojektowany pod realne środowisko produkcyjne.
Automatyka przemysłowa i AI przestają być odrębnymi światami.
Jeśli chcesz wyjść poza poziom demo — obserwuj Vladimir Alekseichenko i ekipę DataWorkshop. Polecam bez wahania.

After 5 intensive weeks, I've just completed Agentic AI course at DataWorkshop. 30 lessons and 5 modules focused on building real AI agent systems, not just prompt tricks.
The biggest shift for me was realising how different production AI systems are from most of the AI content currently online.
A few things that completely changed how I think about designing AI agent systems:
"Chat history" is not memory.
That was probably the biggest mindset shift for me. The 7 layer memory concept changed how I think about AI agents that need to remember, adapt, and operate over time.
Better prompts alone are not enough.
What actually matters is architecture, decision loops, structured outputs, replanning, memory, and evaluation.
And probably the most important one: AI quality cannot be based on "it feels good enough". Without proper evaluation and quality controls, every prompt change becomes a production risk.
What I appreciated most about this program was the focus on architecture, engineering thinking, and the practical challenges of building AI agent systems that can work reliably.
Definitely not another "build an AI agent in 5 minutes" course. 😄
Huge thanks to Vladimir Alekseichenko and the DataWorkshop team.

Wiosna była dość pracowita – ukończyłem dwa kursy związane z LLM, dzięki którym praca z modelami językowymi stała się czystą przyjemnością. Złośliwi twierdzą, że wciąż jeszcze dochodzę po nich do siebie! :P
Pierwszym z nich był "Praktyczny LLM" od DataWorkshop, prowadzony przez Vladimir Alekseichenko. Kurs pokazał mi zupełnie inny kierunek niż ten mainstreamowy. Dzięki niemu zacząłem uzyskiwać powtarzalne wyniki, a co najważniejsze – zyskałem pełną kontrolę nad modelem językowym. "Rzeźbienie" structured output do perfekcji zostanie ze mną już na stałe, podobnie jak nowe podejście do RAG: najpierw struktura danych, a dopiero potem sposób ich wyszukiwania.

Wspominałem już w zeszłym tygodniu o tym dlaczego warto brać udział we wszelkiego rodzaju hackathonach i dlaczego cenię szkolenia DataWorkshop i jaki to ma wpływ na rozwój.
Konsekwentnie po raz kolejny nie zawiodłem się.
Buduję RAG-i od pewnego czasu, więc temat nie jest mi obcy. Ale dzięki warsztatowi z Vladimir Alekseichenko uporządkowałem i rozszerzyłem wiedzę o kolejne elementy.
Kiedy np. szukasz na Allegro jakiegoś produktu, używasz tylko tekstowej wyszukiwarki?
Zapewne tylko w pierwszym kroku. A potem po lewej stronie masz dziesiątki filtrów, którymi możesz doszczegółowić wyszukiwanie i znaleźć precyzyjnie produkt którego szukasz.
I to samo możemy zrobić w RAG-u

• przygotujemy dane. LLM wyciąga informacje do filtrów. Zapisujemy zarówno oryginalny chunk + wyciągnięte metadane
• przy wyszukiwaniu: rozbijamy intencję usera NA TE SAME FILTRY
• dzięki temu baza precyzyjnie znajduje to czego model szuka

Zastosowałem ten pomysł już w moim projekcie (razem z moim własnym pomysłem rozszerzania listy wyszukiwania przez tezaurus). Efekty są obiecujące!
Dlatego już wiem że zapisuję się do kolejnych hackathonów u Vladimira – i zachęcam do tego każdego, kto chce się rozwijać w zakresie ML i LLM - budowanie i warsztaty to najlepszy sposób na rozwój.

Ukończyłam DWthon: RAG pod lupą — 3 intensywne dni nauki, praktyki i porządkowania myślenia o tym, czym naprawdę jest RAG.
Najbardziej wartościowe było dla mnie to, że zamiast samego „używania narzędzi” można było zrozumieć fundamenty: Structured Output, reprezentację wiedzy, parser intencji i to, jak z tych elementów składa się sensowny system.
Dziękuję organizatorom i prowadzącym za świetnie przygotowane materiały, dużo praktyki i bardzo dobrze poprowadzony proces krok po kroku. Dzięki także całej społeczności uczestników za energię, pytania i wzajemne wsparcie.
Wracam z nową wiedzą i jeszcze większą ochotą, żeby iść dalej w stronę LLM, RAG i pracy z wiedzą w praktyce.

Chyba macie już dość scrollowania 😄
Więcej opinii i doświadczeń uczestników znajdziecie na moim LinkedIn oraz na profilu DataWorkshop