Warsztat dla wszystkich pracowników działów finansowych.

Celem szkolenia jest zbudowanie u uczestników solidnych podstaw z zakresu sztucznej inteligencji (AI) oraz uczenia maszynowego (ML), ze szczególnym uwzględnieniem ich zastosowań w finansach. Uczestnicy poznają kluczowe pojęcia, mechanizmy działania modeli, proces przygotowania danych, a także etyczne i prawne wyzwania związane z AI. Szkolenie kończy się analizą rzeczywistych przypadków biznesowych i dyskusją nad korzyściami oraz ryzykami wdrażania AI w organizacjach.

I. Wprowadzenie do AI i ML: czym jest sztuczna inteligencja?
Cel:
Zbudowanie wspólnego języka i zrozumienia podstawowych pojęć: AI, ML, deep learning, NLP, regresja, klasyfikacja.

Opis przebiegu:
Prowadzący wprowadzi uczestników w świat sztucznej inteligencji: omówi różnice między AI, ML i deep learningiem, wskaże, czym różnią się modele regresji od NLP, jak wygląda krótka historia AI oraz jakie są aktualne trendy. Zostanie pokazana mapa różnych typów modeli i ich zastosowań.

Rezultaty:
• Uczestnicy rozumieją podstawową terminologię związaną z AI i ML.
• Potrafią rozróżnić główne typy modeli i wiedzą, gdzie znajdują zastosowanie.

II. Jak działa uczenie maszynowe? – od danych do modelu
Cel:
Przedstawienie procesu budowy i oceny modelu AI: zbieranie danych, czyszczenie, trenowanie, walidacja, testowanie, interpretacja wyników.

Opis przebiegu:
Uczestnicy poznają cykl życia projektu ML. Na przykładzie prostego modelu w AutoML (np. scoring kredytowy) zobaczą, jak dane są przetwarzane, jak model się uczy i jak mierzymy jego skuteczność. Praca warsztatowa obejmuje analizę danych, obserwację procesu uczenia i wyciąganie wniosków z wyników.

Rezultaty:
• Uczestnicy rozumieją etapy budowy modelu AI.
• Potrafią zidentyfikować punkty krytyczne procesu: jakość danych, wybór cech, walidacja.

III. Etyka i odpowiedzialność: jak myśleć o AI świadomie?
Cel:
Zbudowanie świadomości ryzyk i wyzwań związanych z AI: bias, halucynacje, blackbox, zgodność z RODO.

Opis przebiegu:
Dyskusja i przykłady pokazujące ograniczenia i potencjalne zagrożenia AI. Prowadzący tłumaczy różnice między blackbox a glassbox, prezentuje problemy uprzedzeń algorytmicznych (np. dyskryminacja kredytowa) oraz omawia podstawowe wymagania prawne związane z AI, w tym RODO i AI Act.

Rezultaty:
• Uczestnicy znają podstawowe pojęcia etyczne i prawne w kontekście AI.
• Potrafią wskazać zagrożenia i sposoby ograniczania ryzyk.

IV. Zastosowania AI w finansach: przegląd przypadków
Cel:
Pokazanie realnych przykładów zastosowań AI w finansach: scoring kredytowy, fraud detection, automatyczne raportowanie i klasyfikacja dokumentów.

Opis przebiegu:
Uczestnicy pracują na case studies z rzeczywistego świata: poznają, jak AI wspiera podejmowanie decyzji kredytowych, jak wykrywa anomalie w płatnościach czy jak automatyzuje raportowanie kosztów. Każdy przypadek zawiera analizę technologii, rezultatów i ryzyk.

Rezultaty:
• Uczestnicy znają konkretne zastosowania AI w finansach.
• Rozumieją, jakie technologie stoją za tymi rozwiązaniami i jak ocenić ich skuteczność.

V. Projekt końcowy: analiza ryzyk i korzyści wdrożenia AI
Cel:
Ugruntowanie wiedzy poprzez analizę konkretnego rozwiązania AI z punktu widzenia wartości biznesowej, ryzyk i wyzwań.

Opis przebiegu:
Uczestnicy, pracując w grupach, wybierają jedno rozwiązanie AI (np. automatyczne fakturowanie, predykcja cash flow) i analizują je pod kątem potencjalnych korzyści (efektywność, oszczędność, jakość) oraz ryzyk (bias, błędna interpretacja, zgodność z prawem). Efekty pracy są omawiane na forum z moderacją trenera.

Rezultaty:
• Uczestnicy potrafią przeprowadzić analizę korzyści i ryzyk związanych z wdrożeniem AI.
• Umieją rozmawiać o AI w sposób świadomy, krytyczny i strategiczny.