1. AI i modele językowe w pracy analitycznej

• Podstawy działania modeli LLM oraz ich zastosowanie w analizie danych.
• Modele deterministyczne i probabilistyczne - różnice w sposobie generowania wyników.
• Możliwości, ograniczenia i typowe pułapki związane z wykorzystaniem LLM w analityce.
• Obszary, w których AI zwiększa efektywność analityka, oraz sytuacje, w których może prowadzić do błędnych wniosków.
• Zmiana roli analityka - od wykonywania pojedynczych zapytań do projektowania i nadzorowania całych procesów analitycznych wspieranych przez AI.
• Zarządzanie kosztami wykorzystania modeli, tokenami oraz długością kontekstu.
• Modele RLM i zasady dopasowywania rodzaju modelu do charakteru zadania.
• Projektowanie architektury rozwiązań AI - integracja modeli językowych z bazami danych, narzędziami analitycznymi i kodem.

2. Prompt Engineering w analityce danych

• Jak modele językowe przetwarzają informacje i jak przekłada się to na sposób konstruowania promptów.
• Budowa skutecznego promptu przeznaczonego do zadań analitycznych.
• Zarządzanie kontekstem i przygotowywanie danych wejściowych w formatach takich jak Markdown, JSON, XML czy CSV.
• Tworzenie promptów systemowych określających rolę modelu, zakres jego działania, ograniczenia oraz oczekiwany format odpowiedzi.
• Wykorzystanie AI do tworzenia, poprawiania i optymalizowania zapytań SQL.
• Przekładanie potrzeb biznesowych na konkretne zadania i zapytania analityczne.
• Przegląd istniejących zapytań pod kątem jakości, wydajności, czytelności oraz sytuacji brzegowych.
• Mechanizmy "pamięci" AI - RAG, Agentic RAG, wyszukiwanie wektorowe oraz wykorzystanie baz grafowych.

3. Praktyczne zastosowania AI w analizie danych

• Automatyczne tworzenie podsumowań przeprowadzonych analiz i wyników biznesowych.
• Wspieranie analityka w poszukiwaniu insightów produktowych oraz formułowaniu nowych hipotez.
• Wykorzystanie AI do sanity checków - wyszukiwanie anomalii, brakujących danych i wyników niespójnych z założeniami.
• Projektowanie, definiowanie oraz kontrola poprawności KPI.
• Wsparcie AI w analizie i interpretacji wyników eksperymentów.
• Wykrywanie potencjalnych problemów w danych, metodologii oraz sposobie przeprowadzenia analizy.

4. Eksperymenty i testy A/B wspierane przez AI

• Wykorzystanie sztucznej inteligencji na etapie planowania i konstrukcji eksperymentów.
• Formułowanie hipotez oraz określanie założeń testów.
• Pomoc AI w interpretacji wyników statystycznych.
• Wspieranie procesu wyciągania wniosków i prezentowania rezultatów eksperymentów interesariuszom.
• Ograniczenia i zagrożenia związane z automatycznym interpretowaniem wyników testów A/B.
• Wykorzystanie syntetycznych użytkowników i person AI do wspierania procesu eksperymentowania.

5. Warsztaty na przykładach z codziennej pracy zespołu

• Rozwiązywanie rzeczywistych problemów analitycznych na podstawie przykładów pochodzących z pracy zespołu.
• Przegląd i usprawnianie obecnie wykorzystywanych promptów.
• Budowanie kilku wersji promptów dla tego samego zadania.
• Testowanie różnych sposobów komunikowania poleceń modelowi.
• Porównywanie rezultatów pod względem poprawności, jakości i użyteczności.
• Ocena, które zadania analityczne warto wspierać AI, a które lepiej realizować tradycyjnymi metodami.

6. AI jako element codziennego warsztatu analityka

• Model AI jako wsparcie i "copilot" analityka - uzupełnienie kompetencji, a nie ich zastąpienie.
• Zastosowanie AI podczas:
  • analiz ad-hoc,
  • eksploracji i poznawania danych,
  • tworzenia oraz aktualizacji dokumentacji,
  • przygotowywania i komunikowania insightów biznesowych.
• Automatyzowanie powtarzalnych i czasochłonnych czynności analitycznych.
• Organizacja współpracy zespołu z wykorzystaniem narzędzi AI.
• Dobre praktyki tworzenia wspólnych standardów, promptów i procesów pracy z AI.

7. Wiarygodność, bezpieczeństwo i odpowiedzialne wykorzystanie AI

• Weryfikowanie rezultatów generowanych przez modele językowe.
• Odpowiedzialność analityka za wykorzystanie wygenerowanych wyników i wniosków.
• Metody ograniczania ryzyka przekazania do biznesu nieprawidłowych insightów.
• Rozpoznawanie halucynacji w danych, liczbach, faktach i interpretacjach.
• Audytowanie wyników oraz zwiększanie przejrzystości procesów opartych na AI.
• Explainable AI oraz podejście "LLM-as-a-Judge" do oceny jakości odpowiedzi.
• Uruchamianie modeli open source, takich jak Llama 3, Mistral czy Gemma, lokalnie z wykorzystaniem narzędzi takich jak Ollama i LM Studio.
• Analiza danych poufnych i wrażliwych bez konieczności przesyłania ich do zewnętrznych usług chmurowych - podejście Local-First Analytics.
• Anonimizacja, pseudonimizacja i maskowanie danych przed wykorzystaniem zewnętrznych API.
• Projektowanie hybrydowego środowiska pracy łączącego rozwiązania lokalne i chmurowe.
• Zasady organizacyjne i standardy bezpiecznego korzystania z AI w zespole.

8. Podsumowanie i wdrożenie AI w zespole

• Określenie, w których zadaniach AI przynosi realną wartość, a w których lepiej stosować tradycyjne podejście.
• Przygotowanie checklist wspierających analityka podczas pracy z AI.
• Opracowanie rekomendowanego procesu pracy analityka korzystającego z narzędzi AI.
• Zdefiniowanie zasad kontroli i weryfikacji rezultatów generowanych przez AI.
• Identyfikacja obszarów, w których zespół może dalej rozwijać kompetencje związane z AI.
• Wypracowanie kierunków dalszego wdrażania sztucznej inteligencji w procesach analitycznych.