Warsztaty mają na celu zapoznanie uczestników ze sposobami prowadzenia analizy danych z wykorzystaniem narzędzi AI w środowisku zapewniającym kontrolę nad danymi, kodem, historią pracy oraz dostępem do projektu. Szczególny nacisk zostanie położony na pracę w środowisku Codex uruchamianym lokalnie, z wykorzystaniem lokalnego repozytorium oraz GitHuba jako narzędzia do wersjonowania, dokumentowania i kontroli procesu analitycznego. Podczas warsztatów uczestnicy zdobędą praktyczną wiedzę na temat tego, w jaki sposób przygotować bezpieczne środowisko pracy, uporządkować dane, prowadzić analizę oraz dokumentować jej przebieg w sposób umożliwiający odtworzenie wyników i kontrolę jakości.

Podczas kursu uczestnicy dowiedzą się, jak wykorzystywać Codexa do wsparcia analizy danych liczbowych, tekstowych, graficznych i multimodalnych. Nauczą się, jak projektować strukturę repozytorium, oddzielać dane wejściowe od kodu i wyników, zabezpieczać dane wrażliwe, korzystać z plików konfiguracyjnych, tworzyć instrukcje dla agenta analitycznego oraz prowadzić iteracyjny proces badania danych. Warsztat obejmie zarówno przygotowanie danych, jak i ich eksplorację, czyszczenie, analizę, wizualizację oraz raportowanie wyników.

Kurs obejmuje zastosowanie narzędzi AI z uwzględnieniem ich zalet i ograniczeń, jak również demonstrację i ćwiczenia pozwalające na zastosowanie tych narzędzi w praktyce, na własnych danych lub danych przykładowych. Uczestnicy będą mogli przećwiczyć stworzenie bezpiecznego przepływu pracy, w którym analiza prowadzona jest lokalnie, kod i dokumentacja są wersjonowane, a dane objęte szczególną ochroną nie są niekontrolowanie przekazywane do zewnętrznych usług. Szczególna uwaga zostanie poświęcona zasadom pracy z danymi poufnymi, anonimizacji, pseudonimizacji, kontroli dostępu, historii zmian oraz świadomemu wykorzystaniu GitHuba w projektach badawczych i organizacyjnych.

Kurs jest przeznaczony dla naukowców, analityków, doktorantów oraz wszystkich, którzy pracują z danymi i chcą wykorzystywać AI w sposób uporządkowany, bezpieczny i możliwy do kontroli. Będzie szczególnie wartościowy dla osób, które analizują dane pochodzące z ankiet, dokumentów, wywiadów, skanów, obrazów, tabel, materiałów archiwalnych, zasobów cyfrowych lub zbiorów multimodalnych, a jednocześnie muszą dbać o bezpieczeństwo danych, zgodność z procedurami instytucjonalnymi i możliwość odtworzenia przebiegu analizy.

Uczestnicy po zakończeniu warsztatu otrzymają pocztą elektroniczną certyfikat potwierdzający ukończenie kursu.

Termin: 22 września 2026, 9:00-14:00 (warsztat online).

Liczba godzin: 5 godzin z przerwą kawową.

Lokalizacja: warsztaty zdalne.

Grupa: do 15 osób.

Wykładowca: Dr Joanna Siwek

Cena: 895 zł netto (1100,85 zł brutto). Pracownikom finansowanym przez instytucje naukowe (lub inne jednostki finansowane ze środków publicznych) przysługuje zwolnienie z VAT.

Metody płatności: przelew na konto.

Zagadnienia:

1. Wprowadzenie do Codex
2. Zasady bezpieczeństwa danych
• Dane wrażliwe, poufne i osobowe
• Anonimizacja i pseudonimizacja
• Praca lokalna a praca w chmurze
• Kontrola dostępu do danych
• Pliki wyłączane z repozytorium
• Bezpieczna obsługa kluczy, haseł i danych konfiguracyjnych
3. Przygotowanie środowiska pracy
• Codex lokalnie
• Lokalne repozytorium projektu
• Struktura katalogów
• Pliki instrukcji dla Codexa
• Dokumentowanie założeń analitycznych
• Git i GitHub w pracy analitycznej
4. Zarządzanie projektem analitycznym
• Wersjonowanie kodu i praca na gałęziach
• Kontrola jakości wyników
• Odtwarzalność analizy
• Dokumentowanie decyzji analitycznych
5. Przygotowanie danych
• Import danych z różnych formatów
• Czyszczenie danych
• Walidacja danych
• Opis struktury danych
• Tworzenie słowników zmiennych
• Oddzielanie danych surowych od danych przetworzonych
6. Analiza danych liczbowych
• Eksploracyjna analiza danych
• Statystyki opisowe
• Wyszukiwanie braków, odstających wartości i błędów
• Grupowanie i porównywanie danych
• Wizualizacja danych liczbowych
• Automatyzacja powtarzalnych analiz
7. Analiza danych tekstowych
• Przygotowanie korpusu tekstowego
• Czyszczenie i normalizacja tekstu
• Kategoryzacja i kodowanie treści
• Wyszukiwanie wzorców i tematów
• Streszczanie dużych zbiorów tekstów
• Analiza dokumentów i materiałów źródłowych
8. Analiza danych graficznych
• Praca ze skanami, obrazami i materiałami wizualnymi
• Opisywanie cech obrazu
• Ekstrakcja informacji z grafik
• Łączenie opisu wizualnego z metadanymi
• Kontrola jakości interpretacji obrazów
9. Analiza danych multimodalnych
• Łączenie danych liczbowych, tekstowych i graficznych
• Projektowanie wspólnej struktury danych
• Porównywanie informacji z różnych źródeł
• Tworzenie raportów łączących różne typy danych
• Weryfikacja spójności wyników
10. Raportowanie wyników
• Generowanie raportów z analizy
• Tworzenie wykresów i tabel
11. Agenci analityczni
• Budowa własnych instrukcji dla Codexa
• Tworzenie agenta wspierającego analizę danych
• Definiowanie zadań i ograniczeń
• Punkty kontrolne i alerty o błędach
• Praca iteracyjna z kodem, danymi i dokumentacją

Cele kształcenia

Po kursie uczestnik będzie:

1. Znać potencjał Codexa i narzędzi AI w procesie analizy danych liczbowych, tekstowych, graficznych i multimodalnych.
2. Umieć przygotować lokalne środowisko pracy do bezpiecznej analizy danych.
3. Potrafić zaprojektować strukturę lokalnego repozytorium analitycznego.
4. Korzystać z Git i GitHuba do wersjonowania kodu, dokumentacji i wyników analizy.
5. Rozumieć, które dane mogą być przechowywane w repozytorium, a które powinny zostać z niego wyłączone.
6. Stosować podstawowe zasady bezpieczeństwa danych, w tym anonimizację, pseudonimizację i kontrolę dostępu.
7. Wykorzystywać Codexa do eksploracji, czyszczenia, analizy i wizualizacji danych liczbowych.
8. Wykorzystywać Codexa do pracy z dużymi zbiorami tekstów, dokumentów i materiałów źródłowych.
9. Analizować dane graficzne, takie jak skany, obrazy, mapy, diagramy lub dokumenty.
10. Łączyć dane różnego typu w ramach analizy multimodalnej.
11. Tworzyć powtarzalne i możliwe do odtworzenia przepływy pracy analitycznej.
12. Dokumentować założenia, decyzje, kod i wyniki analizy.
13. Budować instrukcje i agentów wspierających konkretne zadania analityczne.
14. Kontrolować jakość wyników generowanych z pomocą AI.
15. Przygotowywać raporty, wykresy, tabele i podsumowania na podstawie analizy.
16. Wykorzystywać narzędzia AI do zwiększenia efektywności pracy analitycznej przy zachowaniu bezpieczeństwa danych.

Dr Joanna Siwek

Doktor w zakładzie Sztucznej Inteligencji na Wydziale Matematyki i Informatyki Uniwersytetu im. Adama Mickiewicza w Poznaniu. Pracuje naukowo w dziedzinie tworzenia algorytmów sztucznej inteligencji, dokładnie w budowie roju mobilnych robotów wyposażonych we wnioskowanie empatyczne. Zajmuje się również zastosowaniami zbiorów rozmytych w finansach i teorii decyzji. Jest kierownikiem kierunku studiów Informatyka na wydziale a dydaktycznie zajmuje się nauczaniem chmury obliczeniowej, zastosowań zbiorów rozmytych, łączeniem sfery biznesu i ekonomii z informatyką oraz AI w zakresie sztucznej empatii. Współpracuje z Politechniką Poznańską, Uniwersytetem Ekonomicznym w Poznaniu, Instytutem Informatyki i Kognitywistki w Katanii, Włochy.