AI

System RAG w Pythonie łączy pobieranie kontekstu z bazy wiedzy z generowaniem odpowiedzi przez model językowy. W praktyce trzeba sprawdzić pipeline obejmujący ekstrakcję danych, chunking, embeddingi, bazę wektorową, retrieval, reranking i warstwę generowania odpowiedzi. Przykładowa implementacja może wykorzystywać Python, PostgreSQL z pgvector, FastAPI oraz modele embeddingowe do wyszukiwania semantycznego.
Jeśli chcesz przećwiczyć to krok po kroku, zobacz: Python RAG od podstaw do produkcji: mikroserwis API i baza wektorowa PostgreSQL (PYTHON/RAG).

Narzędzia AI do programowania w Pythonie wspierają generowanie kodu, objaśnianie fragmentów programu, refaktoryzację, testowanie i dokumentowanie zmian. Warto porównać sposób integracji z IDE, limity zapytań, model licencjonowania, jakość podpowiedzi oraz to, jak radzą sobie z halucynacjami i uzupełnianiem kontekstu projektu. Przykładem takiego porównania są ChatGPT, GitHub Copilot i inni asystenci kodu używani do tworzenia funkcji, testów jednostkowych oraz commit message.
Ten temat przerabiamy praktycznie na szkoleniu: Podstawy programowania w języku Python z wykorzystaniem generowania kodu przez sztuczną inteligencję (AI) (Python/GENAI).

Kod generowany przez AI wymaga takiej samej weryfikacji jak kod napisany ręcznie, a często nawet dokładniejszej kontroli założeń i danych wejściowych. Należy sprawdzić poprawność składni, zgodność z wymaganiami, pokrycie testami, obsługę wyjątków, bezpieczeństwo zależności oraz to, czy model nie wprowadził nieistniejących bibliotek albo błędnej logiki. Przykładem dobrej praktyki jest wygenerowanie testów jednostkowych, ręczny code review i uruchomienie scenariuszy brzegowych przed scaleniem zmian do repozytorium.
To jedno z zagadnień omawianych podczas szkolenia: Python i generatywna AI w praktyce (AI/Python-PRO).

Baza wektorowa z pgvector pozwala przechowywać embeddingi w PostgreSQL i wykonywać wyszukiwanie podobieństwa na podstawie reprezentacji wektorowych. Przy wdrożeniach warto sprawdzić model danych, typ metryki podobieństwa, sposób indeksowania, relacje z danymi źródłowymi oraz parametry retrieval, takie jak top-k i filtrowanie po metadanych. Przykładowe użycie obejmuje wyszukiwanie fragmentów dokumentów PDF na podstawie znaczenia zapytania, a nie wyłącznie dopasowania słów kluczowych.
Wersję warsztatową (z konfiguracją i przykładami) znajdziesz w programie szkolenia: Python RAG od podstaw do produkcji: mikroserwis API i baza wektorowa PostgreSQL (PYTHON/RAG).

Generowanie kodu w Pythonie z pomocą AI przyspiesza pracę, ale nie zastępuje zasad projektowania, testowania i kontroli wersji. Trzeba doprecyzować prompty, ograniczać zakres zadań, weryfikować zgodność kodu ze standardami zespołu i regularnie wykonywać refaktoryzację zamiast bezkrytycznie akceptować podpowiedzi. Przykładem rozsądnego workflow jest wygenerowanie szkicu funkcji, poprawienie nazw i typów, a następnie uzupełnienie dokumentacji oraz testów automatycznych.
Dokładnie ten zestaw narzędzi i workflow ćwiczymy podczas szkolenia: Python i generatywna AI w praktyce - podstawy (AI/Python-USER).

Wdrażanie modeli AI na urządzeniach IoT i AIoT polega na uruchamianiu inferencji blisko źródła danych, czyli na urządzeniu brzegowym lub gatewayu. Przed wdrożeniem trzeba sprawdzić ograniczenia pamięci, opóźnienia, zużycie energii, sposób komunikacji MQTT lub HTTP oraz to, czy model da się zoptymalizować przez kwantyzację albo użycie TensorFlow Lite czy ONNX Runtime. Przykładem jest stacja pomiarowa na Raspberry Pi, która odczytuje dane z sensorów, lokalnie wykrywa anomalię i wysyła wynik do chmury lub brokera MQTT.
Ten temat przerabiamy praktycznie na szkoleniu: Python - IoT i AIoT (Internet of Things oraz Artificial Intelligence of Things) (PYTHON/AIOT).