Warsztat praktyczny · 2 dni · 16 h
Jak wykorzystać LLM do wyszukiwania informacji we własnych dokumentach firmowych — kompletny, prywatny system RAG działający lokalnie, bez wysyłania danych do internetu.
Warsztat jest dla zespołów technicznych, które chcą zbudować własny, prywatny system RAG (Retrieval-Augmented Generation) — czyli wykorzystać LLM jako inteligentną wyszukiwarkę po WŁASNYCH dokumentach firmowych — i utrzymać go w środowisku bez dostępu do internetu.
Poziom: średniozaawansowany / zaawansowany, raczej techniczny. Wygodna jest podstawowa znajomość Pythona i pracy z API, choć dużą część pipeline’u (ingest, indeks, backend, frontend) budujemy w modelu low-code/no-code z pomocą Cursor AI — ze zrozumieniem tego, co dzieje się „pod spodem”.
Po ukończeniu warsztatu uczestnik będzie potrafił samodzielnie zaprojektować, zbudować i utrzymać prywatny system RAG wyszukujący informacje we własnych zbiorach tekstowych.
Dzień 1 buduje kompletny pipeline retrievalu na własnych dokumentach. Dzień 2 to jeden spójny projekt — od backendu i frontendu, przez tryb offline i zgodność z RODO, po ewaluację i wdrożenie działającego systemu end-to-end.
| Dzień / Czas | Moduł | Zakres praktyczny |
|---|---|---|
| Dzień 1 · 9:00 – 9:40 | Po co własny RAG i architektura systemu | Czym jest RAG i kiedy bije zwykłe wyszukiwanie. LLM jako wyszukiwarka po własnych danych. Architektura referencyjna „od zera do produkcji”. |
| Dzień 1 · 9:40 – 11:00 | Embeddingi i chunking od podstaw | Jak działają embeddingi i wyszukiwanie semantyczne. Strategie chunkingu, overlap, metadane. Ćw. 1: pierwsze embeddingi własnego tekstu. |
| Dzień 1 · 11:00 – 11:15 | — | Przerwa kawowa |
| Dzień 1 · 11:15 – 12:45 | Ingest i parsowanie dokumentów | Parsowanie PDF, DOCX, TXT, HTML. Czyszczenie, normalizacja, kontrola jakości danych. Ćw. 2: ingest własnych plików do pipeline’u. |
| Dzień 1 · 12:45 – 13:45 | — | Przerwa obiadowa |
| Dzień 1 · 13:45 – 15:15 | Wektorowa baza danych i wyszukiwanie semantyczne | Wybór i konfiguracja bazy wektorowej. Indeksowanie, wyszukiwanie top-k, filtrowanie po metadanych. Ćw. 3: semantyczne wyszukiwanie w bazie. |
| Dzień 1 · 15:15 – 15:30 | — | Przerwa kawowa |
| Dzień 1 · 15:30 – 16:30 | Reranking i jakość kontekstu | Hybrid search (semantyka + słowa kluczowe), reranking, ograniczanie halucynacji. Ćw. 4: poprawa trafności wyników. |
| Dzień 1 · 16:30 – 17:00 | Podsumowanie dnia 1 | Pierwszy działający pipeline retrievalu. Q&A + zapowiedź projektu z dnia 2. |
| Dzień 2 · 9:00 – 10:30 | Projekt: Backend RAG API | Połączenie retrievalu z LLM. Generacja odpowiedzi z cytowaniami źródeł. Praca nad projektem (z Cursor AI). |
| Dzień 2 · 10:30 – 10:45 | — | Przerwa kawowa |
| Dzień 2 · 10:45 – 12:15 | Projekt: Frontend i zarządzanie biblioteką | Interfejs pytań i odpowiedzi. Upload plików, metadane, aktualizacja/usuwanie dokumentów i przebudowa indeksu. Praca nad projektem. |
| Dzień 2 · 12:15 – 13:15 | — | Przerwa obiadowa |
| Dzień 2 · 13:15 – 14:15 | Projekt: Tryb offline i lokalne modele | Uruchomienie lokalnego LLM i lokalnych embeddingów (on-premise). Odcięcie od internetu, prywatność danych. Praca nad projektem. |
| Dzień 2 · 14:15 – 14:30 | — | Przerwa kawowa |
| Dzień 2 · 14:30 – 15:30 | RODO, prywatność i zarządzanie danymi | Dane wrażliwe, anonimizacja/pseudonimizacja, kontrola dostępu, audyt, retencja. Dlaczego offline ułatwia zgodność. Kategoryzacja i uprawnienia w bibliotece. |
| Dzień 2 · 15:30 – 16:15 | Ewaluacja jakości i wdrożenie do produkcji | Jak mierzyć trafność i wierność odpowiedzi (ewaluacja RAG). Deployment, bezpieczeństwo, koszty, monitoring jakości. |
| Dzień 2 · 16:15 – 17:00 | Finalizacja projektu end-to-end | Uruchomienie działającego systemu na własnych dokumentach. Roadmapa utrzymania. Rozdanie szablonów. Q&A. |
Embeddingi, strategie chunkingu, wektorowa baza danych i wyszukiwanie top-k z filtrowaniem po metadanych. To serce systemu — uczymy, jak dobrać parametry tak, by RAG realnie znajdował właściwe fragmenty, a reranking i hybrid search podnosiły trafność i ograniczały halucynacje.
Parsowanie różnych formatów (PDF, DOCX, TXT, HTML), czyszczenie i normalizacja tekstu oraz kontrola jakości danych wejściowych. Pokazujemy, jak „śmieci na wejściu” psują odpowiedzi i jak temu zapobiegać już na etapie ingestu.
Budowa API RAG z cytowaniami źródeł oraz prostego frontendu — z pomocą Cursor AI. Dokładamy zarządzanie biblioteką wiedzy: dodawanie plików, metadane, wersjonowanie, aktualizację i usuwanie dokumentów oraz przebudowę indeksu.
Uruchomienie całego systemu bez dostępu do internetu: lokalny LLM i lokalne embeddingi działające na infrastrukturze firmy. Dane nie opuszczają organizacji — to fundament prywatności i zgodności.
Dane wrażliwe, anonimizacja i pseudonimizacja, kontrola dostępu, audyt i retencja. Wyjaśniamy, dlaczego rozwiązanie offline znacząco ułatwia zgodność z RODO — bezpieczeństwo traktujemy jako temat pierwszoplanowy.
Jak mierzyć trafność i wierność odpowiedzi (ewaluacja RAG), a następnie wdrożyć system do produkcji: deployment, bezpieczeństwo, koszty, monitoring jakości odpowiedzi i utrzymanie indeksu w czasie.
Drugi dzień to nie zbiór oderwanych ćwiczeń, lecz praca nad jednym, realnym systemem RAG. Każdy uczestnik rozwija własny projekt, krok po kroku dokładając kolejne warstwy — aż do działającego, prywatnego rozwiązania.
Efekt: uczestnik wychodzi z warsztatu z własnym, działającym i prywatnym systemem RAG — wyszukiwarką po dokumentach firmowych działającą bez dostępu do internetu — oraz z roadmapą jego utrzymania i rozwoju.
Dla zaawansowanych zespołów inżynierskich, które chcą wejść głębiej, dostępny jest wariant 3-dniowy (24 h) z rozszerzeniem o: zaawansowane strategie chunkingu i hybrid search, skalowanie wektorowej bazy danych, automatyzację aktualizacji indeksu (pipeline’y), pełną ewaluację RAG na zestawach testowych oraz utwardzanie bezpieczeństwa i obserwowalność wdrożenia produkcyjnego.
Warsztat gotowy do realizacji w wersji 2-dniowej (16 h); dla zaawansowanych grup technicznych możliwe rozszerzenie do 3 dni (24 h). Program i stack technologiczny dostosowujemy do infrastruktury i dokumentów uczestników — każdy wychodzi z własnym, działającym systemem RAG.
Zapytaj o szkolenie „Zbuduj własny system RAG — od zera do produkcji”Inne programy
Pełna oferta warsztatów AI — od analityków Excela po zespoły marketingu i HR.
