Architektura nowoczesnych systemów AI - Szkolenie eksperckie

Szkolenie „Architektura nowoczesnych systemów AI” to kompleksowe wprowadzenie w świat architektury systemów opartych o dane, modele i sztuczną inteligencję. Uczestnicy poznają najważniejsze paradygmaty architektoniczne współczesnego IT, od klasycznego SOA i EDA, przez mikroserwisy i MLOps, aż po chmurowe i generatywne architektury AI-first. 

Program łączy teorię architektoniczną z praktyką wdrożeń AI w środowiskach enterprise, cloud-native i data-centric, pokazując jak planować, projektować i skalować inteligentne systemy przyszłości. 

Szkolenie skierowane jest do: 
- architektów IT, solution i system architects, 
- liderów technicznych i inżynierów DevOps, 
- projektantów systemów AI i specjalistów MLOps, 
- menedżerów IT odpowiedzialnych za transformację cyfrową i wdrożenia AI

PROGRAM SZKOLENIA:

Fundamenty architektury współczesnych systemów 
1. Wprowadzenie do architektury systemów 
- System vs Architektura 
- Interesariusze i role w procesie architektonicznym 
- Perspektywy architektoniczne 
- Model 4+1 i jego współczesne warianty (np. C4) 
- Architektura klasyczna vs AI-first architecture 
- Rola architekta AI, Data Architecta i MLOps Architecta 

2. Notacje i modele architektoniczne 
- TOGAF – podejście procesowe i ramowe 
- Arc42 – dokumentacja architektury w praktyce 
- ArchiMate vs UML – różnice i zastosowania 
- Model C4 w kontekście AI i mikroserwisów 
- Domain Driven Design – modelowanie koncepcji domeny danych 
- Event Storming – modelowanie procesów oparte na zdarzeniach 
- Wizualizacja architektury systemów data-centric i ML 

3. Trendy rozwoju IT i AI-first design 
- Krótki rys historyczny: od monolitu do AI-driven systems 
- 5 filarów współczesnych systemów IT 
- Od „code-centric” do „data-centric” 
- Model-as-a-Service i AI-as-a-Platform 
- Architektura kognitywna i multimodalna 
- Przyszłość systemów IT: agentowe i konwersacyjne aplikacje (LLM + API) 

4. Architektury historyczne jako kontekst 
- Monolit vs mikrousługa 
- SOA (Service-Oriented Architecture) – fundamenty integracji 
- ESB i mediacja usług 
- Rejestry usług i repozytoria 
-Jak SOA ewoluowało do mikroserwisów i API-first 
5. Komunikacja w systemach rozproszonych 
- Komunikacja synchroniczna vs asynchroniczna 
- Kolejki, messaging, brokers (RabbitMQ, Kafka) 
- Wzorce komunikacyjne: Request-Reply, Publish-Subscribe, Dead Letter Channel 
- Integracja mikroserwisów z pipeline’ami danych i modelami AI

Architektury nowej generacji 
6. Event Driven Architecture (EDA) 
- Czym jest zdarzenie (Event) 
- Wzorce EDA w nowoczesnych systemach 
- Event Sourcing, CQRS, Saga Pattern 
- Apache Kafka – mechanika, partycjonowanie, offsety 
- EDA jako podstawa systemów czasu rzeczywistego i pipeline’ów danych 

7. Architektura danych 
- Data Warehouse, Data Lake, Data Lakehouse 
- ETL vs ELT 
- Medallion Architecture (Bronze / Silver / Gold) 
- Feature Store – repozytorium cech modeli 
- Data Lineage i Data Governance 
- Integracja danych dla uczenia modeli 
- Jakość danych i walidacja (Data Quality) 

8. Architektura MLOps / ModelOps 
- Cykl życia modelu AI: Data → Train → Deploy → Monitor 
- CI/CD/CT dla modeli 
- Model Registry i wersjonowanie modeli 
- Monitorowanie modeli (drift, accuracy, bias) 
- MLflow, Kubeflow, Vertex AI, Sagemaker – przykłady ekosystemów 
- Micro-ML-Services i model serving (Batch / Online / Streaming) 
- Integracja z API i pipeline’ami danych 

9. Architektura mikroserwisów w kontekście AI 
- Dekompozycja i granice mikroserwisów 
- Wzorce: API Gateway, Service Mesh, Circuit Breaker 
- Odkrywanie i rejestrowanie usług 
- 12-Factor App – aktualne interpretacje 
- Testowanie i wdrażanie mikroserwisów ML 
- Kiedy nie warto używać mikroserwisów 

10. Architektura serverless i event-based AI 
- FaaS (AWS Lambda, Cloud Functions) i model inference 
- Integracja AI pipelines z funkcjami bezserwerowymi 
- Koszty, latency, cold start – architektoniczne kompromisy 
- AI workflows w środowisku serverless

Architektury cloud-native i generatywne 
11. Konteneryzacja i orkiestracja 
- Docker – konteneryzacja mikroserwisów i modeli AI 
- Kubernetes – podstawy orkiestracji 
- GPU workloads w K8s 
- Serving modeli ML (KServe, Seldon, TensorRT, ONNX) 
- Przykładowy pipeline: Data → Model → API → Monitor 

12. Architektura chmurowa dla systemów AI 
- Model usługowy (IaaS, PaaS, SaaS, AIaaS) 
-Typy chmur: publiczna, prywatna, hybrydowa, multi-cloud 
- Architektura chmurowa dla AI i Big Data 
-Przykłady: AWS Sagemaker, Azure ML, GCP Vertex AI 
- Zarządzanie kosztami i bezpieczeństwem danych w chmurze 

13. Architektura Generative AI 
- Large Language Models (LLM) jako komponent architektury 
- Architektura RAG (Retrieval-Augmented Generation) 
- LangChain, LlamaIndex, Vector DB (Pinecone, Weaviate) 
- Architektura multi-agentowa (AI Agents) 
- Caching, embedding store, semantyczne wyszukiwanie 
- Bezpieczeństwo GenAI: prompt injection, data leakage 
- Architektura generatywna w praktyce (chatbot, dokumentacja, analiza danych) 

14. Edge AI i architektury rozproszone 
- Edge vs Cloud AI – kompromisy 
- Inferencja na urządzeniach brzegowych 
- Synchronizacja i aktualizacja modeli (OTA) 
- Frameworki: TensorFlow Lite, ONNX Runtime, NVIDIA Jetson 

15. Przykładowe case studies 
- Architektura rekomendacyjna (EDA + MLflow) 
- RAG dla dokumentów firmowych (LangChain + Vector DB) 
- Real-time monitoring z modelem predykcyjnym 
- Analiza architektury AI-native systemu bankowego lub e-commerce 

16. Podsumowanie i kierunki rozwoju 
- Zestawienie wzorców architektonicznych AI vs klasycznych 
- Jak budować roadmapę wdrożenia architektury AI w organizacji 
- Rekomendacje technologiczne i narzędziowe 
- Dyskusja / Q&A / praktyczne pytania projektowe