Rozwiązania chmurowe dla sztucznej inteligencji Kierunek studiów: Data Science i sztuczna inteligencja
Kod programu: W4-S1DS25.2025

Nazwa modułu: Rozwiązania chmurowe dla sztucznej inteligencji
Kod modułu: W4_DSAI_S1_RCSI
Kod programu: W4-S1DS25.2025
Semestr: semestr zimowy 2026/2027
Język wykładowy: polski
Forma zaliczenia: zaliczenie
Punkty ECTS: 3
Cel i opis treści kształcenia:
Celem modułu jest przygotowanie studentów do projektowania, wdrażania i utrzymania skalowalnych systemów sztucznej inteligencji z uwzględnieniem praktyk inżynierii AI, MLOps i LLMOps. Treści kształcenia obejmują zagadnienia związane z automatyzacją cyklu życia modeli uczenia maszynowego oraz dużych modeli językowych, ich wdrażaniem w środowiskach chmurowych, monitorowaniem i utrzymaniem. Specjalny nacisk położony jest na zagadnienia związane z orkiestracją procesów, wersjonowaniem danych i modeli, oceną jakości działania systemów AI oraz zarządzaniem kosztami i bezpieczeństwem. Studenci zdobywają umiejętności praktyczne w zakresie budowania kompletnych rozwiązań AI gotowych do wdrożenia w środowisku produkcyjnym.
Lista modułów koniecznych do zaliczenia przed przystąpieniem do tego modułu (o ile to konieczne): nie dotyczy
Efekt modułowy Kody efektów kierunkowych do których odnosi się efekt modułowy [stopień realizacji: skala 1-5]
Jest gotów do samodzielnego aktualizowania wiedzy i umiejętności w dynamicznie rozwijającym się obszarze usług chmurowych i sztucznej inteligencji. [K01]
 DSAI_1S_U10 [3/5] DSAI_1S_K01 [3/5]
Wykazuje odpowiedzialność za jakość i bezpieczeństwo rozwiązań AI wdrażanych w chmurze, uwzględniając kontekst etyczny i społeczny ich zastosowania. [K02]
 DSAI_1S_K03 [3/5]
Efektywnie komunikuje się w zespole, podejmując współpracę przy projektowaniu i wdrażaniu rozwiązań chmurowych z zakresu sztucznej inteligencji. [K03]
 DSAI_1S_U08 [3/5] DSAI_1S_U09 [3/5] DSAI_1S_K03 [3/5]
Potrafi zaprojektować i wdrożyć rozwiązanie AI w chmurze, wykorzystując odpowiednie usługi i narzędzia do przechowywania danych, trenowania modeli oraz ich skalowalnego uruchamiania. [U01]
 DSAI_1S_U02 [3/5] DSAI_1S_U04 [3/5] DSAI_1S_U03_inż [3/5]
Umie zautomatyzować procesy związane z uczeniem maszynowym (MLOps, LLMOps) z wykorzystaniem narzędzi do monitorowania, wersjonowania i aktualizacji modeli w środowiskach chmurowych. [U02]
 DSAI_1S_U02 [3/5] DSAI_1S_U04 [3/5] DSAI_1S_U03_inż [3/5]
Potrafi analizować i optymalizować koszty, bezpieczeństwo oraz wydajność rozwiązań opartych o sztuczną inteligencję wdrażanych w chmurze. [U03]
 DSAI_1S_U02_inż [3/5] DSAI_1S_U03_inż [3/5]
Ma usystematyzowaną wiedzę w zakresie architektury i zasad działania usług chmurowych wykorzystywanych w systemach sztucznej inteligencji, w tym dotyczących wdrażania, skalowania i monitorowania modeli AI. [W01]
 DSAI_1S_W04 [3/5] DSAI_1S_W02_inż [3/5]
Zna metody organizacji i automatyzacji pracy w środowiskach chmurowych z wykorzystaniem infrastruktury jako kodu, orkiestracji procesów oraz narzędzi wspomagających operacjonalizację modeli ML i LLM. [W02]
 DSAI_1S_W02 [3/5] DSAI_1S_W04 [3/5] DSAI_1S_W02_inż [3/5]
Rozumie uwarunkowania prawne i etyczne oraz zagrożenia związane z przetwarzaniem danych i wdrażaniem systemów AI w chmurze, w tym zagadnienia bezpieczeństwa i zgodności z przepisami. [W03]
 DSAI_1S_W06 [4/5] DSAI_1S_W07 [3/5]
Forma prowadzonych zajęć Liczba godzin Metody prowadzenia zajęć Sposób weryfikacji efektów uczenia się Efekty uczenia się
laboratorium [fs01] 45 Objaśnienie/wyjaśnienie [a05] 
Metody aktywizujące: dyskusja/debata [b04] 
Metody aktywizujące: studium przypadku [b07] 
Metody aktywizujące: peer learning [b08] 
Pokaz/demonstracja [c06] 
Prezentacja [c07] 
Praca z komputerem [d01] 
Ćwiczenie laboratoryjne/doświadczenie [e01] 
Symulacja [e07] 
Autoedukacja [f01]  		zaliczenie K01 K02 K03 U01 U02 U03 W01 W02 W03
Praca studenta poza udziałem w zajęciach obejmuje w szczególności:
Nazwa Kategoria Opis
Czytanie literatury / analiza materiałów źródłowych [a02] Przygotowanie do zajęć
czytanie literatury wskazanej w sylabusie; przegląd, porządkowanie, analiza i wybór materiałów źródłowych do wykorzystania w ramach zajęć
Ćwiczenie praktycznych umiejętności [a03] Przygotowanie do zajęć
czynności polegające na powtarzaniu, doskonaleniu i utrwalaniu praktycznych umiejętności, w tym ćwiczonych podczas odbytych wcześniej zajęć lub nowych, niezbędnych z punktu widzenia realizacji kolejnych elementów programu (jako przygotowanie się uczestnictwa w zajęciach)
Zapoznanie się z zapisami sylabusa [b01] Konsultowanie programu i organizacji zajęć
przeglądanie zawartości sylabusa i zapoznanie się z treścią jego zapisów
Studiowanie wykorzystanej literatury oraz wytworzonych w ramach zajęć materiałów [c02] Przygotowanie do weryfikacji efektów uczenia się
wgłębianie się, dociekanie, rozważanie, przyswajanie, interpretacja lub porządkowanie wiedzy pochodzącej z literatury, dokumentacji, instrukcji, scenariuszy, itd., wykorzystanych na zajęciach oraz z notatek lub innych materiałów/wytworów sporządzonych w ich trakcie
Analiza korekt/informacji zwrotnej ze strony NA dotyczących wyników wer. ef. ucz. [d01] Konsultowanie wyników weryfikacji efektów uczenia się
przegląd uwag, ocen i opinii sporządzonych przez NA odnoszących się do realizacji zadania sprawdzającego poziom osiągniętych efektów uczenia się
Opracowanie planu korekty i zadań uzupełniających/korygujących [d02] Konsultowanie wyników weryfikacji efektów uczenia się
przegląd i wybór zadań oraz czynności pozwalających na eliminację wskazanych przez NA błędów, ich weryfikację lub poprawę oraz zaliczenie zadania na, co najmniej, najniższym dopuszczalnym poziomie
Załączniki
Opis modułu (PDF)
Informacje o sylabusach mogą ulec zmianie w trakcie trwania studiów.
Sylabusy (USOSweb)
Semestr Moduł Język wykładowy
(brak danych)