Sztuczna inteligencja (AI) staje się kluczowym elementem transformacji przemysłowej, wpływając na optymalizację procesów, poprawę jakości i automatyzację zarządzania danymi. Kurs ma na celu przekazanie uczestnikom solidnych podstaw teoretycznych i praktycznych dotyczących AI, jej kluczowych technologii oraz rzeczywistych zastosowań w przemyśle.

Wykładowca

Szkolenie prowadzi dr Adam Krysztopa -  praktyk, Data Scientist z doktoratem w dziedzinie fizyki technicznej oraz ponad ośmioletnim doświadczeniem inżynierii maszyn wirnikowych. Specjalizuje się w analizie szeregów czasowych, obecnie koncentrując się na rozwiązywaniu problemów związanych z predykcyjnym utrzymaniem ruchu.

Nie dotyczy

Specjaliści odpowiedziani za wdrożenie nowych technologii, menedżerowie zakładów przemysłowych, inżynierowie branży elektrycznej i automatyki, projektanci.

1.       Wprowadzenie do Sztucznej Inteligencji i Uczenia Maszynowego

a)       Definicja sztucznej inteligencji i uczenia maszynowego, z naciskiem na ich znaczenie w inżynierii.

b)      Omówienie głównej nomenklatury i podstawowych przykładów.

c)       Praktyczne przykłady z różnych dziedzin ML/AI.

2.     Dane jako główne źródło informacji .

       a)       Typy danych i podejścia magazynowania: dane ustrukturyzowane i nieustrukturyzowane.

       b)       Podejście chmurowe kontra lokalne: różni dostawcy pamięci chmurowej vs. lokalne serwery danych – ryzyka i zalety.

       c)        Ile danych potrzeba by nauczyć model: przykłady

3.       Klasyczne metody Uczenia Maszynowego i zastosowanie.

a)       Predictive Maintenance:

o   Wyjaśnienie predykcyjnego utrzymania ruchu i jego przewagi nad tradycyjnymi strategiami.

o   Omówienie idei cyfrowego bliźniaka.

o   Wprowadzenie metod uczenia maszynowego, takich jak analiza regresji i prognozowanie szeregów czasowych, stosowanych do przewidywania awarii sprzętu.

o   Prezentacja rzeczywistego przykładu skutecznego wdrożenia predykcyjnego utrzymania ruchu.

b)      Wykrywanie anomalii:

o   Definicja wykrywania anomalii i jego znaczenie w identyfikacji nieprawidłowości w systemach i sygnałach.

o   Omówienie algorytmów (Isolation Forest, autoenkodery i metody klastrowania) używanych do wykrywania anomalii.

o   Przykład zastosowania wykrywania anomalii w kontroli jakości lub monitorowaniu systemów.

3.       Przetwarzanie i rozpoznawanie obrazów w inżynierii

a)      Jak rozpoznawanie obrazów umożliwia interpretację i przetwarzanie informacji wizualnych, wspomagając automatyzację i zadania inspekcyjne.

b)      Wykrywanie niezgodności lub awarii: Automatyzacja wykrywania defektów w procesach produkcyjnych.

c)       Kontrola jakości: klasyfikacja z użyciem rozpoznawania obrazów, przykłady.

d)       Monitorowanie bezpieczeństwa: Wykorzystanie systemów wizyjnych do monitorowania przestrzeni roboczych pod kątem zgodności z zasadami bezpieczeństwa.

4.       Duże modele językowe (LLM) i generowanie wspomagane wyszukiwaniem (RAG) 

a)       Wprowadzenie LLM i frameworku RAG, z wyjaśnieniem, jak usprawniają one wyszukiwanie i generowanie informacji.

b)      Wyszukiwanie informacji w instrukcjach/dokumentach:

o   Przykład, jak inżynierowie mogą wykorzystać RAG do efektywnego przeszukiwania dokumentacji technicznej i serwisowej.

o   Usprawnienia w rozwiązywaniu problemów i zrozumieniu systemów.

c)       Dodatkowe zastosowanie – Wykrywanie anomalii:

o   Jak LLM mogą pomóc w interpretacji wzorców danych i identyfikacji anomalii w działaniu systemów.

o   Podkreślenie ulepszeń strategii predykcyjnego utrzymania ruchu dzięki zaawansowanej analizie danych.

        d)       System agentowy – zaawansowane podejście do budowy narzędzi LLM

               o    na czym polega działanie sytemu agentowego, czyli jak modele ze sobą się porozumiewają. Przykładowe zastosowania.

5.       Przyszłe trendy: Pojawiające się technologie AI i ich potencjalny wpływ na inżynierię.

6.       Dyskusja

dr Adam Krysztopa

ON-LINE

5 godzin