Chcesz wiedzieć, jak Large Language Models mogą usprawnić prac w organizacji? Co konkretnie LLM może dla Ciebie zrobić?
Zarejestruj się i obejrzyj bezpłatnie dwa wystąpienia ekspertów z obszaru sztucznej inteligencji!
Zobacz prezentacje dotyczące praktycznego zastosowania dużych modeli językowych, które miały miejsce podczas kwietniowej konferencji Data AI Warsaw Tech Summit.
Dowiesz się z nich, jak LLM-y usprawniają codzienną pracę. Od automatyzacji działań dzięki agentowi AI, po uproszczony dostęp do danych dzięki Text-to-SQL. Konkretna wiedza i gotowe do zastosowania przykłady!
Praktyczne zastosowanie wiedzy i przykłady wdrożeń narzędzi Text-to-SQL i CrewAI
Podnieś efektywności i automatyzacja zadań, zwiększającą wydajność pracy
Poznaj strategie optymalizacji i dobre praktyki
Ewolucja sztucznej inteligencji przeszła imponującą drogę — od samodzielnych modeli językowych (LLM) po złożone systemy integrujące różnorodne funkcjonalności, czego kulminacją jest rozwój agentowej AI (agentic AI). W trakcie tej prelekcji prześledzimy tę ścieżkę, pokazując, w jaki sposób agentowa AI umożliwia autonomiczne rozumowanie, planowanie i podejmowanie działań, stając się kluczowym przełomem w rozwiązywaniu złożonych i dynamicznych problemów.
Zgłębimy zasady działania agentowej AI, omawiając, jak funkcjonuje i dlaczego jest niezbędna do tworzenia adaptacyjnych, zorientowanych na zadania rozwiązań. W drugiej części sesji zostanie zaprezentowane CrewAI — open-source biblioteka w języku Python, która upraszcza proces budowy inteligentnych agentów. Na przykładzie praktycznego przypadku uczestnicy dowiedzą się, jak zaimplementować swojego pierwszego agenta przy użyciu CrewAI, zyskując konkretne umiejętności w zakresie wykorzystania tego narzędzia do tworzenia nowych, opartych na AI rozwiązań.
The evolution of AI has seen a remarkable transition from standalone language models (LLMs) to compound systems integrating diverse functionalities, culminating in the rise of agentic AI. This talk traces the journey of AI systems, exploring how agentic AI enables autonomous reasoning, planning, and action, making it a pivotal development in solving complex, dynamic problems.
We will dive into the principles of agentic AI, discussing how it works and why it is essential for creating adaptive, task-oriented solutions. The session will then introduce **CrewAI**, an open-source Python package that simplifies the development of intelligent agents. Through a practical use case, participants will learn how to implement their first agent with CrewAI, gaining hands-on insights into leveraging this powerful tool to unlock new possibilities in AI-driven applications.
Coraz więcej organizacji opiera swoje decyzje na danych, dlatego szybki dostęp do informacji i ich analiza stają się kluczowe. Zapytania SQL pozostają jednak wyzwaniem technicznym dla wielu, co spowalnia pracę i ogranicza dostęp do danych do wybranych, wyspecjalizowanych członków zespołu. Podczas tej sesji zaprezentuje, w jaki sposób narzędzia Text-to-SQL oparte na dużych modelach językowych (LLM) mogą zniwelować tę lukę, umożliwiając osobom nietechnicznym — takim jak menedżerowie produktu czy analitycy biznesowi — tworzenie zapytań SQL za pomocą języka naturalnego. W trakcie wystąpienia omówione zostaną praktyczne sposoby wdrażania rozwiązań Text-to-SQL dla baz danych, strategie zwiększania trafności zapytań przy użyciu technik inżynierii promptów oraz sposoby optymalizacji wyników poprzez uwzględnienie struktury bazy danych. Uczestnicy wyniosą z prezentacji konkretne wskazówki, jak wspierać swoje zespoły, usprawniać proces tworzenia zapytań i zwiększać ogólną efektywność pracy.
As organizations increasingly rely on data to drive decision-making, the ability to quickly access and analyze data has become essential. However, SQL querying remains a technical hurdle for many, slowing down workflows and limiting data access to specialized team members. This session will demonstrate how LLM-based Text-to-SQL tools can close this gap, enabling non-technical team members—such as product managers and business analysts—to generate SQL queries using natural language. In this talk will explore how to implement Text-to-SQL solutions for databases, discuss strategies to improve query accuracy through prompt engineering techniques, and optimize results by incorporating database structure representations. Attendees will walk away with actionable insights on how to empower their teams, streamline query development, and increase overall productivity.
Alessandro Romano jest bardzo doświadczonym naukowcem zajmującym się danymi, z tytułem licencjata informatyki oraz magistra nauki o danych. Współpracował z wieloma różnymi firmami i organizacjami, a obecnie pełni funkcję starszego naukowca danych w gigancie logistycznym Kuehne+Nagel. Alessandro jest przede wszystkim pasjonatem statystyki i eksperymentów cyfrowych, ma także spore doświadczenie w stosowaniu tych umiejętności do rozwiązywania złożonych problemów. Regularnie dzieli się swoją wiedzą, przemawiając na wydarzeniach takich jak PyCon i ODSC.
The evolution of AI has seen a remarkable transition from standalone language models (LLMs) to compound systems integrating diverse functionalities, culminating in the rise of agentic AI. This talk traces the journey of AI systems, exploring how agentic AI enables autonomous reasoning, planning, and action, making it a pivotal development in solving complex, dynamic problems.
We will dive into the principles of agentic AI, discussing how it works and why it is essential for creating adaptive, task-oriented solutions. The session will then introduce **CrewAI**, an open-source Python package that simplifies the development of intelligent agents. Through a practical use case, participants will learn how to implement their first agent with CrewAI, gaining hands-on insights into leveraging this powerful tool to unlock new possibilities in AI-driven applications.
Sivan Biham jest badaczką zajmującą się uczeniem maszynowym, która zdobywała doświadczenie w takich firmach jak Computer Vision, Reinforcement Learning i Deep Learning. Obecnie jest szefową badań w Healthy.io, gdzie kieruje algorytmicznymi aspektami kilku produktów związanych z opieką zdrowotną w różnych dziedzinach medycyny. Sivan ma tytuł magistra informatyki Instytutu Weizmanna ze specjalizacją w Computer Vision i Deep Learning oraz tytuł licencjata informatyki i neuronauki Uniwersytetu Bar Ilan. Jest entuzjastycznie nastawiona do wykorzystywania swoich umiejętności i wiedzy w celu poprawy zdrowia i życia ludzi. W wolnym czasie uwielbia biegać i praktykować jogę.
Sivan Biham is a Machine Learning researcher with experience in Computer Vision, Reinforcement Learning and Deep Learning among others. Currently, she is the Head of Research at Healthy.io where she leads the algorithmic aspects of several healthcare-related products in various medical domains. Sivan holds an M.Sc. in Computer Science from Weizmann Institute with a specialization in Computer Vision and Deep Learning, and a B.Sc. in Computer Science and Neuroscience from Bar Ilan University. She is enthusiastic about using her skills and knowledge to improve people's health and life. In her spare time, she loves to run and practice yoga.
"*" oznacza pola wymagane