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.
PROGRAM
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
