Zaprogramuj sobie przyszłość...
System wyszukiwania dokumentów jak w banku - gotowe aplikacje RAG klasy enterprise + Agent AI
Miejsce: Wdrożenie zdalne / Stacjonarne
Czas trwania: 4 dni
Liczba godzin: 32
Start: 9:00
Czas trwania: 4 dni
Liczba godzin: 32
Start: 9:00
TWOJA FIRMA TONIE W DOKUMENTACH I DANYCH - I TO NE JEST METAFORA.
Każdego dnia pracownicy tracą godziny na szukanie informacji, które już istnieją, ale są rozproszone w setkach lub tysiącach plików: PDF'ach, regulacjach, procedurach, uchwałach, mailach i samych bazach danych.
Problem nie polega na braku danych.
Problem polega na tym, że te dane są praktycznie niedostępne w momencie, kiedy są potrzebne.
W praktyce wygląda to tak:
➡ pracownik nie wie, gdzie szukać
➡ znajduje kilka wersji tego samego dokumentu
➡ nie ma pewności, która jest aktualna
➡ musi czytać dziesiątki stron, żeby znaleźć jedną odpowiedź
➡ często zgaduje albo pyta innych.
A to generuje realne koszty:
❌ stracony czas (minuty zamieniają się w godziny)
❌ błędne decyzje (bo ktoś coś źle zinterpretował)
❌ powtarzalna praca (ta sama analiza robiona wiele razy)
❌ przeciążenie zespołów (ciągłe pytania zamiast pracy właściwej).
I najważniejsze:
👉 Twoja organizacja nie wykorzystuje wiedzy, którą już posiada
Im więcej dokumentów - tym gorzej.
Systemy, które miały pomagać (SharePoint, dyski sieciowe, CRM-y), w praktyce stają się magazynem chaosu, a nie źródłem wiedzy.
W pewnym momencie pojawia się ściana:
👉 przy 10 000 dokumentów „jeszcze jakoś działa”
👉 przy 100 000 zaczyna się problem
👉 przy 1 000 000 - wyszukiwanie przestaje mieć sens.
I wtedy firmy wpadają w pułapkę:
❌ zatrudniają więcej ludzi do analizy
❌ tworzą kolejne procedury
❌ budują ręczne procesy
❌ zwiększają koszty… zamiast rozwiązać problem u źródła.
A prawda jest prosta:
👉 człowiek nie jest w stanie efektywnie przeszukiwać i analizować dużych zbiorów dokumentów.
I właśnie dlatego ten problem nie znika. On rośnie razem z Twoją firmą.
Problem nie polega na braku danych.
Problem polega na tym, że te dane są praktycznie niedostępne w momencie, kiedy są potrzebne.
W praktyce wygląda to tak:
➡ pracownik nie wie, gdzie szukać
➡ znajduje kilka wersji tego samego dokumentu
➡ nie ma pewności, która jest aktualna
➡ musi czytać dziesiątki stron, żeby znaleźć jedną odpowiedź
➡ często zgaduje albo pyta innych.
A to generuje realne koszty:
❌ stracony czas (minuty zamieniają się w godziny)
❌ błędne decyzje (bo ktoś coś źle zinterpretował)
❌ powtarzalna praca (ta sama analiza robiona wiele razy)
❌ przeciążenie zespołów (ciągłe pytania zamiast pracy właściwej).
I najważniejsze:
👉 Twoja organizacja nie wykorzystuje wiedzy, którą już posiada
Im więcej dokumentów - tym gorzej.
Systemy, które miały pomagać (SharePoint, dyski sieciowe, CRM-y), w praktyce stają się magazynem chaosu, a nie źródłem wiedzy.
W pewnym momencie pojawia się ściana:
👉 przy 10 000 dokumentów „jeszcze jakoś działa”
👉 przy 100 000 zaczyna się problem
👉 przy 1 000 000 - wyszukiwanie przestaje mieć sens.
I wtedy firmy wpadają w pułapkę:
❌ zatrudniają więcej ludzi do analizy
❌ tworzą kolejne procedury
❌ budują ręczne procesy
❌ zwiększają koszty… zamiast rozwiązać problem u źródła.
A prawda jest prosta:
👉 człowiek nie jest w stanie efektywnie przeszukiwać i analizować dużych zbiorów dokumentów.
I właśnie dlatego ten problem nie znika. On rośnie razem z Twoją firmą.
TO NIE JEST SZKOLENIE. TO WDROŻENIE DZIAŁAJĄCYCH SYSTEMÓW + AGENTA AI
Po 4 dniach otrzymujesz:
✔ 2 gotowe aplikacje RAG klasy enterprise
✔ pełny pipeline przetwarzania dokumentów
✔ architekturę gotową do wdrożenia w Twojej firmie
✔ bazę pod dalszą automatyzację procesów.
Nie tylko uczysz się „co to jest RAG”.
Budujesz produkcyjny system, który możesz uruchomić od razu.
✔ 2 gotowe aplikacje RAG klasy enterprise
✔ pełny pipeline przetwarzania dokumentów
✔ architekturę gotową do wdrożenia w Twojej firmie
✔ bazę pod dalszą automatyzację procesów.
Budujesz produkcyjny system, który możesz uruchomić od razu.
CASE BIZNESOWY - SYSTEM JAK W BANKU
Budujesz system:
✔ który przeszukuje tysiące dokumentów (PDF, regulacje, procedury, uchwały)
✔ rozumie kontekst zapytań użytkownika
✔ zwraca trafne odpowiedzi łącznie z listą plików.
Efekt:
✔ pracownik nie szuka → system znajduje
✔ pracownik nie analizuje → system podaje odpowiedź.
👉 AI staje się dodatkowym pracownikiem
✔ który przeszukuje tysiące dokumentów (PDF, regulacje, procedury, uchwały)
✔ rozumie kontekst zapytań użytkownika
✔ zwraca trafne odpowiedzi łącznie z listą plików.
Efekt:
✔ pracownik nie szuka → system znajduje
✔ pracownik nie analizuje → system podaje odpowiedź.
REALNE KORZYŚCI DLA FIRMY
⏱️ Oszczędność czasu
✔ wyszukiwanie informacji: sekundy zamiast minut/godzin
✔ automatyczne przetwarzanie dokumentów
💰 Redukcja kosztów
✔ mniej pracy manualnej
✔ mniej osób potrzebnych do analizy danych
✔ brak opłat za zewnętrzne API (system lokalny)
⚠️ Redukcja błędów
✔ brak „ludzkiego zgadywania”
✔ spójność odpowiedzi
✔ kontrolowany pipeline danych
🔐 Bezpieczeństwo i kontrola
✔ dane nie wychodzą poza organizację
✔ brak zależności od dostawców (no vendor lock-in)
✔ pełna kontrola nad modelem i logiką.
✔ wyszukiwanie informacji: sekundy zamiast minut/godzin
✔ automatyczne przetwarzanie dokumentów
💰 Redukcja kosztów
✔ mniej pracy manualnej
✔ mniej osób potrzebnych do analizy danych
✔ brak opłat za zewnętrzne API (system lokalny)
⚠️ Redukcja błędów
✔ brak „ludzkiego zgadywania”
✔ spójność odpowiedzi
✔ kontrolowany pipeline danych
🔐 Bezpieczeństwo i kontrola
✔ dane nie wychodzą poza organizację
✔ brak zależności od dostawców (no vendor lock-in)
✔ pełna kontrola nad modelem i logiką.
CO REALNIE BUDUJESZ?
1. System wyszukiwania dokumentów (bank-grade)
» Full-Text Search + wektory
» wyszukiwanie semantyczne
» obsługa dużych zbiorów dokumentów
2. System RAG (Retrieval-Augmented Generation)
» pipeline produkcyjny
» chunking, embeddingi, indeksowanie
» generowanie odpowiedzi na podstawie danych firmowych
3. AI Agent (pracownik cyfrowy)
» integracja z bazą danych (SQL Server)
» automatyzacja zapytań
» wsparcie decyzji biznesowych
⚙️ TECHNOLOGIA = STABILNOŚĆ I SKALOWALNOŚĆ
Rozwiązujesz realny problem:
👉 „Dlaczego działa przy 10k dokumentów, a nie działa przy 1M?”
Budujesz rozwiązanie:
🧱 stabilne (brak zależności od SaaS)
🚀 skalowalne (ANN, HNSW, FAISS → przyspieszenie 100–1000x)
🧩 modułowe (łatwa rozbudowa).
» Full-Text Search + wektory
» wyszukiwanie semantyczne
» obsługa dużych zbiorów dokumentów
2. System RAG (Retrieval-Augmented Generation)
» pipeline produkcyjny
» chunking, embeddingi, indeksowanie
» generowanie odpowiedzi na podstawie danych firmowych
3. AI Agent (pracownik cyfrowy)
» integracja z bazą danych (SQL Server)
» automatyzacja zapytań
» wsparcie decyzji biznesowych
Rozwiązujesz realny problem:
👉 „Dlaczego działa przy 10k dokumentów, a nie działa przy 1M?”
Budujesz rozwiązanie:
🧱 stabilne (brak zależności od SaaS)
🚀 skalowalne (ANN, HNSW, FAISS → przyspieszenie 100–1000x)
🧩 modułowe (łatwa rozbudowa).
POZIOM ENTERPRISE (NIE DEMO)
Wdrażasz:
✔ rate limiting (czas odpowiedzi)
✔ guardrails (bezpieczeństwo AI)
✔ prompt engineering (dbałość o jakość odpowiedzi).
👉 To nie jest prototyp.
To jest system gotowy na produkcję.
✔ rate limiting (czas odpowiedzi)
✔ guardrails (bezpieczeństwo AI)
✔ prompt engineering (dbałość o jakość odpowiedzi).
To jest system gotowy na produkcję.
DLA KOGO JEST TEN PROGRAM WDROŻENIOWY?
✔ Firm, które chcą wdrożyć AI bez ryzyka i chaosu.
✔ Zespołów IT budujących rozwiązania wewnętrzne.
✔ Organizacji pracujących na zbiorach dokumentów.
Dotyczy przede wszystkim branż:
✔ finansowych
✔ windykacji
✔ ubezpieczeń
✔ minikredyty, pożyczki
✔ telekom
✔ multimedia
✔ prawo
✔ transport i logistyka
✔ HoReCa (Hotel, Restaurant, Catering/Café)
✔ BPO (Business Process Outsourcing).
✔ Zespołów IT budujących rozwiązania wewnętrzne.
✔ Organizacji pracujących na zbiorach dokumentów.
Dotyczy przede wszystkim branż:
✔ finansowych
✔ windykacji
✔ ubezpieczeń
✔ minikredyty, pożyczki
✔ telekom
✔ multimedia
✔ prawo
✔ transport i logistyka
✔ HoReCa (Hotel, Restaurant, Catering/Café)
✔ BPO (Business Process Outsourcing).
CZAS TRWANIA
4 dni po 8 godzin wdrożeniowych Start: godzina 9:00 Zakończenie: około godziny 16:00 W tym około dwie krótkie przerwy (po 10-15 minut) i jedna długa, obiadowa około 30-45 minut.SPOSÓB WDROŻENIA
▪ Zdalne
▪ Stacjonarne w siedzibie firmy
▪ Stacjonarne u Klienta
▪ Stacjonarne w siedzibie firmy
▪ Stacjonarne u Klienta
CO WYRÓŻNIA TEN PROGRAM WDROŻENIOWY?
🛠️ budowanie realnych produktów (nie slajdy)
🧠 uczenie się architektury, a nie tylko narzędzi
📦 dostajesz gotowe rozwiązania do customizacji
🏢 otrzymujesz rozwiązania klasy enterprise, a nie „demo z internetu”.
🧠 uczenie się architektury, a nie tylko narzędzi
📦 dostajesz gotowe rozwiązania do customizacji
🏢 otrzymujesz rozwiązania klasy enterprise, a nie „demo z internetu”.
4-DNIOWY PROCES BUDOWY GOTOWEGO SYSTEMU AI ZAWIERA:
[1] OMÓWIENIE STACKU TECHNOLOGICZNEGO
➡ 1.1 » Środowisko warsztatowe - Core
➡ 1.2 » Alternatywne technologie enterprise
➡ 1.3 » Podsumowanie i uzasadnienie stacku technologicznego
[2] INSTALACJA WYMAGANEGO ŚRODOWISKA
➡ 2.1 » Wymagania sprzętowe
➡ 2.2 » Instalacja oprogramowania + doinstalowanie wymaganych składników
➡ 2.3 » Graficzny schemat działania modelu
[3] CASE: SYSTEM WYSZUKIWANIA DOKUMENTÓW W BANKU
➡ 3.1 » Wprowadzenie do systemu
➡ 3.2 » Scenariusz biznesowy
➡ 3.3 » Zakres dokumentów
➡ 3.4 » Problem wyszukiwania dokumentów
➡ 3.5 » Architektura rozwiązania
➡ 3.6 » Model danych
[4] UTWORZENIE BAZY DANYCH, DBO, FTS I OMÓWIENIE DOKUMENTÓW
➡ 4.1 » Utworzenie bazy danych i DBO
➡ 4.2 » FTS (Full-Text Search)
➡ 4.3 » Omówienie dokumentów pdf
➡ 4.4 » Przygotowanie DBO dla dokumentów
➡ 4.5 » Docelowy proces wyszukiwania
➡ 4.6 » Załadowanie testowych dokumentów
[5] EMBEDDINGI, WEKTORY, METODY
➡ 5.1 » Wprowadzenie
➡ 5.2 » Reprezentacja tekstu jako wektor
➡ 5.3 » Przestrzeń wektorowa
➡ 5.4 » Podobieństwo wektorów
➡ 5.5 » Metoda cosine similarity (podobieństwo cosinusowe)
➡ 5.6 » Wyprowadzenie matematyczne
➡ 5.7 » Przykład obliczenia podobieństwa cosinusowego
➡ 5.8 » Normalizacja L2
➡ 5.9 » ANN - Approximate Nearest Neighbor (przybliżony najbliższy sąsiad)
➡ 5.10 » Ręczne obliczenie podobieństwa cosinusowego
➡ 5.11 » Implementacja cosine similarity w T-SQL
➡ 5.12 » Implementacja cosine similarity w .NET C# (CLR)
➡ 5.13 » Case: test wydajnościowy - SQL vs .NET C#
[6] BUDOWA PIPELINE (PROCES)
➡ 6.1 » Wprowadzenie do pipeline (proces)
➡ 6.2 » Architektura pipeline (proces)
➡ 6.3 » Cel dzielenia dokumentów na fragmenty
➡ 6.4 » Czym jest chunk
➡ 6.5 » Sliding window
➡ 6.6 » Overlap
➡ 6.7 » Granularność chunków
➡ 6.8 » Strategia segmentacji regulacji prawnych
➡ 6.9 » Implementacja chunkingu w .NET C#
➡ 6.10 » Model embeddingów i ich uzasadnienie
➡ 6.11 » Implementacja embeddingów w .NET C#
[7] GOTOWY PROJEKT RAG W C#
➡ 7.1 » Wstęp dotyczący podejścia
➡ 7.2 » Implementacja aplikacji RAG w C#
[8] CZYSZCZENIE / AKTUALIZACJA DOKUMENTÓW
➡ 8.1 » Wprowadzenie
➡ 8.2 » Implementacja procedury
➡ 8.3 » Podpięcie procedury do aplikacji
[9] CASE: WYSZUKIWANIE SEMANTYCZNE (HYBRID)
➡ 9.1 » Wprowadzenie do sposobów wyszukiwania
➡ 9.2 » Architektura pipeline (proces) systemu RAG
➡ 9.3 » Model llama3
➡ 9.4 » Implementacja pipeline RAG (hybrid)
➡ 9.5 » Case: lista wymaganych dokumentów (pl)
[10] CASE: UŻYCIE SEMANTIC KERNEL (.NET)
➡ 10.1 » Wstęp
➡ 10.2 » Semantic kernel (.NET) + orkiestracja
➡ 10.3 » Implementacja docelowa RAG + orkiestracja
➡ 10.4 » Podsumowanie
➡ 10.5 » Agent AI do SQL (plugin) v1
➡ 10.6 » Agent AI do SQL (plugin) v2
[11] PROBLEM SKALOWANIA W SYSTEMACH RAG
➡ 11.1 » Wstęp
➡ 11.2 » Brute-force similarity = o(n)
➡ 11.3 » Wąskie gardła, tzw. Bottlenecks
➡ 11.4 » Dlaczego 10k działa a 1m nie
➡ 11.5 » Case: pomiar czasu
➡ 11.6 » Case: ile ram zajmuje baza embeddingów
➡ 11.7 » Case: test realny w projekcie C#
[12] ANN, HNSW, IVF, FAISS: PRZYŚPIESZENIE 100-1000X
➡ 12.1 » ANN (Approximate Nearest Neighbor)
➡ 12.2 » HNSW (Hierarchical Navigable Small World)
➡ 12.3 » IVF (Inverted File Index)
➡ 12.4 » HNSW vs. IVF
➡ 12.5 » biblioteka FAISS vs. Vector DB
[13] INSTALACJA FAISS
➡ 13.1 » Wstęp
➡ 13.2 » Instalacja Python
➡ 13.3 » Środowisko wirtualne venv
➡ 13.4 » Instalacja FAISS
➡ 13.5 » Weryfikacja instalacji FAISS
➡ 13.6 » Podsumowanie
[14] RAG: POZIOM ENTERPRISE - IMPLEMENTACJA
➡ 14.1 » Schemat finalny rozwiązania klasy enterprise
➡ 14.2 » Budowa API FAISS (flask)
➡ 14.3 » Integracja z C# (nasz projekt)
➡ 14.4 » Testowanie
➡ 14.5 » Podsumowanie
[15] ROZSZERZENIA KLASY ENTERPRISE W SYSTEMIE RAG
➡ 15.1 » Rate limiting - ograniczenia szybkości
➡ 15.2 » Guardrails - bariery ochronne
➡ 15.3 » Analiza BIAS
➡ 15.4 » Wykrywaniem outlierów - wartości odstające
➡ 15.5 » Testy regresji modelu
➡ 15.6 » Podsumowanie modułu
➡ 1.1 » Środowisko warsztatowe - Core
➡ 1.2 » Alternatywne technologie enterprise
➡ 1.3 » Podsumowanie i uzasadnienie stacku technologicznego
[2] INSTALACJA WYMAGANEGO ŚRODOWISKA
➡ 2.1 » Wymagania sprzętowe
➡ 2.2 » Instalacja oprogramowania + doinstalowanie wymaganych składników
➡ 2.3 » Graficzny schemat działania modelu
[3] CASE: SYSTEM WYSZUKIWANIA DOKUMENTÓW W BANKU
➡ 3.1 » Wprowadzenie do systemu
➡ 3.2 » Scenariusz biznesowy
➡ 3.3 » Zakres dokumentów
➡ 3.4 » Problem wyszukiwania dokumentów
➡ 3.5 » Architektura rozwiązania
➡ 3.6 » Model danych
[4] UTWORZENIE BAZY DANYCH, DBO, FTS I OMÓWIENIE DOKUMENTÓW
➡ 4.1 » Utworzenie bazy danych i DBO
➡ 4.2 » FTS (Full-Text Search)
➡ 4.3 » Omówienie dokumentów pdf
➡ 4.4 » Przygotowanie DBO dla dokumentów
➡ 4.5 » Docelowy proces wyszukiwania
➡ 4.6 » Załadowanie testowych dokumentów
[5] EMBEDDINGI, WEKTORY, METODY
➡ 5.1 » Wprowadzenie
➡ 5.2 » Reprezentacja tekstu jako wektor
➡ 5.3 » Przestrzeń wektorowa
➡ 5.4 » Podobieństwo wektorów
➡ 5.5 » Metoda cosine similarity (podobieństwo cosinusowe)
➡ 5.6 » Wyprowadzenie matematyczne
➡ 5.7 » Przykład obliczenia podobieństwa cosinusowego
➡ 5.8 » Normalizacja L2
➡ 5.9 » ANN - Approximate Nearest Neighbor (przybliżony najbliższy sąsiad)
➡ 5.10 » Ręczne obliczenie podobieństwa cosinusowego
➡ 5.11 » Implementacja cosine similarity w T-SQL
➡ 5.12 » Implementacja cosine similarity w .NET C# (CLR)
➡ 5.13 » Case: test wydajnościowy - SQL vs .NET C#
[6] BUDOWA PIPELINE (PROCES)
➡ 6.1 » Wprowadzenie do pipeline (proces)
➡ 6.2 » Architektura pipeline (proces)
➡ 6.3 » Cel dzielenia dokumentów na fragmenty
➡ 6.4 » Czym jest chunk
➡ 6.5 » Sliding window
➡ 6.6 » Overlap
➡ 6.7 » Granularność chunków
➡ 6.8 » Strategia segmentacji regulacji prawnych
➡ 6.9 » Implementacja chunkingu w .NET C#
➡ 6.10 » Model embeddingów i ich uzasadnienie
➡ 6.11 » Implementacja embeddingów w .NET C#
[7] GOTOWY PROJEKT RAG W C#
➡ 7.1 » Wstęp dotyczący podejścia
➡ 7.2 » Implementacja aplikacji RAG w C#
[8] CZYSZCZENIE / AKTUALIZACJA DOKUMENTÓW
➡ 8.1 » Wprowadzenie
➡ 8.2 » Implementacja procedury
➡ 8.3 » Podpięcie procedury do aplikacji
[9] CASE: WYSZUKIWANIE SEMANTYCZNE (HYBRID)
➡ 9.1 » Wprowadzenie do sposobów wyszukiwania
➡ 9.2 » Architektura pipeline (proces) systemu RAG
➡ 9.3 » Model llama3
➡ 9.4 » Implementacja pipeline RAG (hybrid)
➡ 9.5 » Case: lista wymaganych dokumentów (pl)
[10] CASE: UŻYCIE SEMANTIC KERNEL (.NET)
➡ 10.1 » Wstęp
➡ 10.2 » Semantic kernel (.NET) + orkiestracja
➡ 10.3 » Implementacja docelowa RAG + orkiestracja
➡ 10.4 » Podsumowanie
➡ 10.5 » Agent AI do SQL (plugin) v1
➡ 10.6 » Agent AI do SQL (plugin) v2
[11] PROBLEM SKALOWANIA W SYSTEMACH RAG
➡ 11.1 » Wstęp
➡ 11.2 » Brute-force similarity = o(n)
➡ 11.3 » Wąskie gardła, tzw. Bottlenecks
➡ 11.4 » Dlaczego 10k działa a 1m nie
➡ 11.5 » Case: pomiar czasu
➡ 11.6 » Case: ile ram zajmuje baza embeddingów
➡ 11.7 » Case: test realny w projekcie C#
[12] ANN, HNSW, IVF, FAISS: PRZYŚPIESZENIE 100-1000X
➡ 12.1 » ANN (Approximate Nearest Neighbor)
➡ 12.2 » HNSW (Hierarchical Navigable Small World)
➡ 12.3 » IVF (Inverted File Index)
➡ 12.4 » HNSW vs. IVF
➡ 12.5 » biblioteka FAISS vs. Vector DB
[13] INSTALACJA FAISS
➡ 13.1 » Wstęp
➡ 13.2 » Instalacja Python
➡ 13.3 » Środowisko wirtualne venv
➡ 13.4 » Instalacja FAISS
➡ 13.5 » Weryfikacja instalacji FAISS
➡ 13.6 » Podsumowanie
[14] RAG: POZIOM ENTERPRISE - IMPLEMENTACJA
➡ 14.1 » Schemat finalny rozwiązania klasy enterprise
➡ 14.2 » Budowa API FAISS (flask)
➡ 14.3 » Integracja z C# (nasz projekt)
➡ 14.4 » Testowanie
➡ 14.5 » Podsumowanie
[15] ROZSZERZENIA KLASY ENTERPRISE W SYSTEMIE RAG
➡ 15.1 » Rate limiting - ograniczenia szybkości
➡ 15.2 » Guardrails - bariery ochronne
➡ 15.3 » Analiza BIAS
➡ 15.4 » Wykrywaniem outlierów - wartości odstające
➡ 15.5 » Testy regresji modelu
➡ 15.6 » Podsumowanie modułu