Architektura systemów IT w erze AI klasy enterprise

• Architekci rozwiązań, architekci korporacyjni i architekci oprogramowania

• Tech leaderzy, liderzy zespołów inżynierskich i seniorzy programiści

• Inżynierowie danych, ML/MLOps engineers, specjaliści platform danych

• Product Ownerzy i analitycy biznesowi pracujący z zespołami AI

• Konsultanci i menedżerowie technologii planujący transformację AI

• Zdobędziesz praktyczną wiedzę z projektowania architektury systemów IT wykorzystujących sztuczną inteligencję.
• Nauczysz się projektować rozwiązania oparte na LLM, GenAI oraz architekturze RAG.
• Poznasz uznane standardy architektoniczne, m.in. TOGAF, ArchiMate, C4 i Domain-Driven Design.
• Rozwiniesz umiejętność doboru nowoczesnych wzorców integracyjnych i architektur enterprise.
• Dowiesz się, jak tworzyć bezpieczne i zgodne z AI Act oraz RODO systemy AI.
• Nauczysz się projektować procesy MLOps wspierające wdrażanie i utrzymanie modeli AI.
• Zwiększysz swoją wartość na rynku pracy w obszarach architektury IT, AI i transformacji cyfrowej

1 – Wprowadzenie do architektury IT w erze AI

• Platform 4.0 – ewolucja platform technologicznych
• Hype Cycle Gartnera dla AI i technologii enterprise
• Rola architekta w organizacji wykorzystującej AI
• Trendy i kierunki rozwoju systemów klasy enterprise

2 – Standardy i notacje modelowania architektury

• TOGAF – ramy architektury korporacyjnej
• Model C4 – wizualizacja architektury oprogramowania
• Dobre praktyki dokumentowania decyzji architektonicznych (ADR)
• Mapowanie wymagań biznesowych na komponenty techniczne

3 – Domain-Driven Design (DDD)

• Strategiczne DDD – Bounded Context, Context Map
• Taktyczne DDD – Aggregate, Entity, Value Object
• Ubiquitous Language i współpraca z biznesem
• Event Storming jako technika odkrywania domeny

4 – Machine Learning vs Large Language Models

• Klasyczne ML – kiedy stosować, ograniczenia
• LLM – architektura, możliwości i typowe pułapki
• Kryteria wyboru: ML vs LLM vs rozwiązania hybrydowe
• Koszty, latencja i skalowalność modeli

5 – Wzorce integracji AI: RAG i agenci

• Retrieval-Augmented Generation – architektura end-to-end
• Bazy wektorowe i strategie chunkowania
• Wzorce agentowe i orkiestracja narzędzi
• Prompt engineering w kontekście architektury systemu

6 – Architektura sterowana zdarzeniami (Event-Driven)

• Event Sourcing i CQRS
• Brokery zdarzeń: Kafka, RabbitMQ, Pub/Sub
• Saga i wzorce kompensacji w systemach rozproszonych
• Integracja AI w przepływach zdarzeniowych

7 – Bezpieczeństwo i zgodność prawna AI

• AI Act – kategorie ryzyka i obowiązki organizacji
• OWASP Top 10 dla aplikacji LLM
• Prompt injection, data leakage, model poisoning
• Privacy by design oraz zarządzanie danymi treningowymi

8 – MLOps i cykl życia modeli AI

• Pipeline ML/LLMOps – od eksperymentu do produkcji
• Monitoring modeli: drift, halucynacje, jakość odpowiedzi
• Wersjonowanie modeli, danych i promptów
• A/B testing oraz strategie wdrożeń modeli

9 – Architektura serverless i mikroserwisowa dla AI

• Mikroserwisy a monolit – kiedy co wybrać
• Serverless dla obciążeń AI – zalety i ograniczenia
• Konteneryzacja, Kubernetes i orkiestracja workloadów GPU
• Wzorce skalowania i optymalizacja kosztów chmury

10 – Warsztat: projektowanie architektury z AI

• Event Storming dla wybranego case'u biznesowego
• Projekt architektury referencyjnej z komponentem LLM
• Analiza ryzyk bezpieczeństwa i zgodności
• Prezentacja i krytyka rozwiązań w grupach

• Podstawowa znajomość architektury systemów rozproszonych (HTTP, kolejki, bazy danych)

• Doświadczenie z co najmniej jednym językiem programowania (preferowane Python / Java / TypeScript)

• Świadomość pojęć: chmura publiczna, kontenery, CI/CD

• Mile widziane: pierwsze kontakty z modelami ML lub LLM (np. ChatGPT, scikit-learn)

Język polski