Praktyczny LLM

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!

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 🚀

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.

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.

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.

Ukończyłem „Praktyczny LLM" Vladimira Alekseichenko.

W internecie jest mnóstwo materiałów o budowaniu z LLM. Problem w tym, że 90% z nich to „użyj narzędzia X, które zrobi za ciebie wszystko!" albo „RAG = wektorowa baza danych". Nikt nie mówi, że w RAG najważniejsze jest R — czyli jak naprawdę wyszukujesz i przygotowujesz dane, zanim cokolwiek trafi do modelu. Mój RAG przed kursem trafiał 1/5, po zrozumieniu jak to działa mam 5/5 trafień!
Kurs Praktyczny LLM to 5 modułów: od structured output przez RAG po systemy wieloagentowe. Zero buzzwordów, 100% praktycznego zastosowania i architektury.

Jedno zdanie, które zmienia perspektywę: „Nie oddawaj LLM-owi kontroli nad flow - zaprojektuj tory, po których ma się poruszać."
Buduję systemy z LLM od miesięcy, ale dopiero teraz czuję, że robię to świadomie, a nie intuicyjnie.

Polecam - szczególnie jeśli jesteś na etapie „dlaczego nie działa w demo? a my to mamy na produkcję wdrożyć...".

Kolejny certyfikat na koncie
Ten kurs dobrze pokazał, jak istotne w pracy z LLM są struktura i kontekst — szczególnie w budowie stabilnych rozwiązań produkcyjnych.
Zakres obejmował: RAG, agentów AI, strukturalne outputy, walidację i integrację z ML — z naciskiem na jakość i praktyczne zastosowanie.
Dzięki za merytoryczne, praktyczne podejście Vladimir Alekseichenko i DataWorkshop

Finished the Practical LLM course. Certificate in hand. ✅
For a QA engineer who spends half their day thinking about how systems fail - learning how to actually control quality in LLM-powered systems hit different.
5 weeks. 5 modules. The real stuff:
- LLM API fundamentals & prompt engineering
- Structured outputs with Pydantic + function calling
- RAG: building systems that answer from real documents
- AI Agents: ReAct patterns, multi-agent orchestration
- LLM + classical ML integration

The core idea that stuck with me: LLMs are non-deterministic by nature - but that's no excuse to lose control. You can build reliable, production-ready systems if you know how.
Now to build something real with it.
Big thanks to the DataWorkshop team and Vladimir Alekseichenko for putting together a course that actually goes beyond the demos.

Hej! Chciałem się podzielić tym, że w ostatnim czasie miałem okazję lepiej poznać temat predykcji modeli ML. Poznałem nie tylko teorię, lecz także sposób stosowania modeli na rzeczywistych danych, zdobywając praktyczne doświadczenie w nadzorowanym uczeniu maszynowym.
Wielkie podziękowania dla zespołu DataWorkshop, a szczególnie dla Urszula Skiepko i Vladimir Alekseichenko.
Nauka z Wami była naprawdę wartościowym doświadczeniem!🚀

What is LLM? How can you use it effectively? Why might a larger, more expensive model usually not be the best solution to a problem? What is RAG? Why don't you want to use popular, non-controlled-by-you RAG solutions? Why don't you want to use LangChain? How to use ML together with LLM? And why is maintaining quality control key to successfully implementing LLM in production?

These and many other questions are answered in the Practical LLM course from DataWorkshop. A solid dose of knowledge. The foundations that will allow you to create stateless AI agents that will work for your business or project exactly as you expect.

Honestly, for me, it was more than just a course. It was five weeks that changed my perspective on the future of software.

Cieszę się z nowego certyfikatu!
DataWorkshop i Vladimir Alekseichenko nie podają wszystkiego na tacy, tak że wystarczy sama obecność, więc wysiłek włożony w 5 tygodni nauki Praktycznego wykorzystania LLM daje staysfakcję.
Przyznaję, że już dawno nie nauczyłem się tak wiele 😍

It's time to shine. I've managed to complete several initiatives. Vladimir Alekseichenko, thank you for your knowledge and thoughtful approach to #AI and the #LLM.

But that's not all. Today I started another course with DataWorkshop, this time on Agentic AI.

Zapewne zgodzicie się ze mną, że w całym tym Hype Ai potrzebne jest odpowiedzialne inżynieryjne podejście oraz edukacja na wysokim poziomie pobierana z solidnych źródeł!
I nie chodzi mi tu o robienie dziesiątek kursów online na różnych platformach
(byłem tam i te dopaminowe strzały nigdzie mnie nie doprowadziły )
- tylko o metodyczne podejście do nauki i robienie czegoś co przynosi mierzalne efekty.

Streszczę wam moją ostatnią edukacyjną przygodę i co się działo u mnie przez ostatnich 5 tygodni
– jako uczestnika kursu kohortowego Praktyczny_LLM.
Łącząc obowiązki służbowe na przemian z pracą w środowisku kursowym (jupyter notebooks na platformie #dataworkshop), przeszedłem drogę:

Tydzień 1
- Wprowadzenie do LLM
- Praktyczne wykorzystanie API modeli LLM
- Techniki promptowania
- LLM w parze z SQL
- Strukturyzacja danych JSON

Tydzień 2
- Strukturyzowane promptowanie
- Function Calling, Pydantic i Instructor
- Strukturyzacja danych z LLM przy użyciu Pydantic

Tydzień 3
- RAG fundamenty
- Analiza danych finansowych z RAG
- Kompletny system do analizy
- Zaawansowany RAG z pytaniami pomocniczymi do analizy finansowej

Tydzień 4
- Agenci AI wprowadzenie
- Praktyczne zastosowania agentów (ReAct)
- Analiza prawna z agentami
- Zaawansowany agent do generowania umów
- Implementacja systemu wieloagentowego

Tydzień 5
- LLM połączony z klasycznym ML
- ekstrakcja cech i struktury tekstu z LLM
- ekstrakcja z LLM w praktyce
- budowa narzędzia predykcyjnego dla HR

Dodatkowo bonusy!

W każdym tygodniu było coś ciekawego do zrobienia jako zadania podstawowe i bonusowe - rozwiązałem wszystkie, choć bywało mocno intensywnie.
Najlepsze jest to, że po każdym tygodniu miałem pomysł na nowe działanie (pomysł na projekt) czy jakieś usprawnienie (mojego projektu).
Wartością dodaną są dyskusje na #Slack

Podsumowując - siła społeczności #Praktyczny_LLM i jakość dostarczanych treści wraz z materiałami dod. tworzą gęstą praktyczną mieszankę z przekazywaniem porcji solidnej wiedzy.

W jednym z odcinków #DarrenDaily_On_Demand trafiła do mnie taka sentencja, że czas który mamy możemy spędzać albo inwestować (przeleci albo nas rozwinie).
- zdecydowanie te ostatnie 5 tygodni było w moim przypadku inwestycją. 👍

Na koniec dziękuję całemu zespołowi #DataWorkshop

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