Kategoria: Szkolenia AI, GPT i Machine Learning
Szkolenie AI Assisted Development prezentuje, jak świadomie wykorzystywać narzędzia AI w procesie tworzenia oprogramowania. Od analizy wymagań i pracy ze specyfikacją, przez generowanie i refaktoryzację kodu, aż po testy, code review, dokumentację i bezpieczeństwo.
Celem naszego szkolenia nie jest „pokazanie magicznego pisania kodu przez AI”, a solidna i uporządkowana dawka wiedzy, praktyk, które pozwalają zwiększyć produktywność zespołu. Ograniczając przy tym ryzyka związane z halucynacjami modeli, niską jakością kodu, czy wyciekiem danych.
Podczas zajęć uczestnicy poznają m.in. sposoby dobierania modeli i narzędzi do konkretnych zadań programistycznych, pracę z agentami AI w środowiskach developerskich, zarządzanie kontekstem projektu oraz przygotowywanie dokumentacji „LLM-ready”. Ważną częścią szkolenia są dobre praktyki pracy z kodem legacy, automatyzacja pętli: specyfikacja → implementacja → testy → poprawki, a także wykorzystanie linterów, testów i skanerów typów jako technicznych zabezpieczeń przed błędami generowanymi przez AI.
Szkolenie ma charakter praktyczny i warsztatowy. Prowadzone jest przez doświadczonego trenera-praktyka, który łączy bogate doświadczenie szkoleniowe i konferencyjne z codzienną pracą przy projektach IT. Dzięki temu omawiane zagadnienia nie są oderwaną prezentacją narzędzi, ale pokazują realne scenariusze pracy zespołów developerskich w organizacjach, które chcą korzystać z AI odpowiedzialnie, efektywnie i zgodnie z dobrymi standardami inżynierskimi.
Czas trwania
2 dni
Program
- Ekosystem AI Assisted Development i dobór narzędzi
- Czym jest AI Assisted Development i jak zmienia codzienną pracę zespołów developerskich?
- Przegląd głównych klas narzędzi: modele konwersacyjne, agenci kodujący, rozszerzenia IDE, narzędzia code review i automatyzacji.
- Model-to-Task Mapping: jak dobierać model lub narzędzie do rodzaju zadania.
- Które narzędzia lepiej sprawdzają się przy refaktoryzacji, analizie logiki biznesowej, pisaniu testów, dokumentacji i pracy z kodem legacy?
- Różnice między pracą z modelem konwersacyjnym, asystentem w IDE i agentem wykonującym zadania w repozytorium.
- Praktyczne ograniczenia modeli: halucynacje, błędne założenia, problemy z kontekstem, nadmierna pewność odpowiedzi.
- Pattern Recognition: analiza kodu i architektury z pomocą AI
- Wykorzystanie AI do rozpoznawania wzorców i antywzorców w kodzie.
- Identyfikacja code smells i miejsc wymagających refaktoryzacji.
- Analiza zależności w większych systemach i repozytoriach.
- Odtwarzanie logiki biznesowej na podstawie istniejącego kodu.
- Tworzenie mapy modułów, komponentów i zależności na potrzeby dalszych prac.
- Wykorzystanie AI do przygotowania technicznego opisu fragmentu systemu.
- Zarządzanie kontekstem i dokumentacja LLM-ready
- Context Window Management: jak dostarczać modelowi właściwy kontekst bez zalewania go zbędnymi informacjami.
- RAG, long context i praca na plikach projektowych — kiedy które podejście ma sens?
- Jak pisać README, pliki .md i dokumentację techniczną, aby były użyteczne dla zespołu i dla modeli AI.
- Tworzenie dokumentacji domenowej: pojęcia, reguły biznesowe, wyjątki, ograniczenia.
- Definiowanie standardów projektu: styl kodu, architektura, konwencje nazewnicze, zasady testowania.
- Wymuszanie na AI stosowania wzorców projektowych i standardów zespołu.
- Przykładowe pliki kontekstowe dla agentów i środowisk developerskich.
- Praca z agentami AI i środowiskami developerskimi
- Jak efektywnie współpracować z agentem AI w IDE i repozytorium.
- Tryb planowania: analiza problemu przed rozpoczęciem implementacji.
- Dzielenie zadania na małe, kontrolowalne kroki.
- Tworzenie własnych promptów, instrukcji projektowych i reużywalnych workflowów.
- Automatyzacja powtarzalnych zadań developerskich.
- Praca z plikami kontekstowymi, np. regułami projektu, instrukcjami dla agenta i opisem architektury.
- Kontrola zmian generowanych przez AI: diff, commit, review, rollback.
- Specification-Driven Development z wykorzystaniem AI
- Praca od specyfikacji do implementacji: dlaczego AI wymaga precyzyjnego opisu zadania.
- Tworzenie specyfikacji funkcjonalnej i technicznej dla modelu.
- Przekładanie wymagań biznesowych na zadania developerskie.
- Generowanie szkicu rozwiązania, planu implementacji i listy ryzyk.
- Weryfikacja założeń przed wygenerowaniem kodu.
- Przykładowy workflow: wymaganie biznesowe → specyfikacja → implementacja → testy → code review.
- Jak zadawać pytania modelowi, aby nie „dopowiadał” nieistniejących wymagań.
- Jakość kodu, testy i minimalizowanie halucynacji
- Typowe błędy w kodzie generowanym przez AI.
- Jak wymuszać analizę problemu i uzasadnienie decyzji technicznych przed implementacją.
- Pętla automatycznej poprawy: AI generuje kod → testy wykrywają błąd → AI proponuje poprawkę.
- Integracja AI z testami jednostkowymi, integracyjnymi i regresyjnymi.
- Generowanie brakujących testów dla istniejącego kodu.
- Wykorzystanie linterów, formatterów, skanerów typów i narzędzi CI jako bariery bezpieczeństwa.
- Rola człowieka w ocenie jakości: co można automatyzować, a czego nie warto oddawać modelowi.
- AI w pracy z kodem legacy
- Bezpieczne wprowadzanie zmian w systemach słabo udokumentowanych.
- Analiza fragmentów starego kodu i odtwarzanie ich intencji.
- Generowanie dokumentacji technicznej dla istniejących modułów.
- Tworzenie testów zabezpieczających przed refaktoryzacją.
- Planowanie migracji do nowszych wersji bibliotek, frameworków lub standardów języka.
- Identyfikacja miejsc wysokiego ryzyka przed rozpoczęciem zmian.
- Jak nie dopuścić do sytuacji, w której AI „upraszcza” kod, niszcząc ukrytą logikę biznesową.
- Workflows & Best Practices: dzień z życia dewelopera pracującego z AI
- Scenariusze pracy z AI w typowym cyklu developerskim.
- Implementacja nowej funkcjonalności z pomocą AI.
- Refaktoryzacja i poprawa czytelności kodu.
- Przygotowanie code review z wykorzystaniem AI.
- Debugowanie błędów z pomocą modelu.
- Tworzenie dokumentacji zmian i opisów technicznych.
- Świadomy użytkownik AI vs. bezrefleksyjne kopiowanie kodu.
- Jak budować zespołowe standardy korzystania z AI w codziennej pracy.
- Bezpieczeństwo w AI Assisted Development
- Security-first development w projektach wspieranych przez AI.
- Wykrywanie podatności w kodzie generowanym przez model i przez człowieka.
- Przykłady typowych problemów: SQL Injection, XSS, błędy autoryzacji, niewłaściwa walidacja danych.
- Prompt injection w aplikacjach korzystających z modeli językowych.
- Ryzyka związane z dynamicznym budowaniem zapytań do modeli wewnątrz aplikacji.
- Ochrona danych osobowych, danych firmowych, kluczy API i sekretów projektowych.
- Zasady bezpiecznego korzystania z publicznych i firmowych narzędzi AI.
- Odpowiedzialność, governance i standardy organizacyjne
- Nowa rola dewelopera: odpowiedzialność za produkt w świecie, w którym część kodu generuje AI.
- Code review po nowemu: jak zmienia się kontrola jakości kodu.
- Kiedy można używać AI, a kiedy powinno to być zabronione lub ograniczone?
- Wewnętrzne zasady pracy z AI w zespole developerskim.
- Ryzyka licencyjne i organizacyjne związane z kodem generowanym przez AI.
- Dokumentowanie użycia AI w procesie wytwarzania oprogramowania.
Szkolenie realizujemy zarówno w trybie ogólnodostępnym (każdy chętny może się zapisać – w terminach opublikowanych na stronie), jak również na zamówienie dla grup z firm oraz instytucji. Czy to w formie interaktywnych warsztatów, czy prelekcji, również konferencyjnych (dla większych wydarzeń).
Training also available in English .
Przeznaczenie i wymagania
Szkolenie jest przeznaczone dla osób technicznych oraz osób decyzyjnych zaangażowanych w proces tworzenia oprogramowania: programistów, tech leadów, architektów, engineering managerów, liderów zespołów IT oraz osób odpowiedzialnych za standardy technologiczne w organizacji. Będzie szczególnie przydatne dla zespołów, które już testują, lub używają narzędzi AI w developmencie i chcą wdrożyć je w sposób bardziej uporządkowany, bezpieczny i zgodny z dobrymi praktykami.
Od uczestników wymagana jest podstawowa znajomość procesu tworzenia oprogramowania i doświadczenie praktyczne w pracy z kodem, projektami IT lub zespołami developerskimi. Szkolenie nie jest kursem programowania od zera — zakładamy, że uczestnicy rozumieją pojęcia takie jak repozytorium, testy, code review, API, framework, czy środowisko IDE. Nie jest natomiast wymagana wcześniejsza, a w szczególności zaawansowana, znajomość narzędzi AI.
Certyfikaty
Uczestnicy szkolenia otrzymują imienne certyfikaty sygnowane przez ALX.