AI- och datautvecklare
Utbildningen förbereder framtida AI-utvecklare för att omsätta data och språkmodeller i fungerande applikationer. Genom praktiska projekt lär sig de studerande att träna och utvärdera modeller, bygga API:er och gränssnitt samt utveckla AI-assistenter som använder organisationens egen information.
Utbildningen i korthet
Företag behöver utvecklare som kan bedöma ett praktiskt användningsfall för AI, förbereda lämpliga data och integrera modeller i användbara tjänster. Utbildningen fokuserar på prediktiv maskininlärning, applikationer med FastAPI och Streamlit samt språkmodellslösningar med strukturerade svar och retrieval-augmented generation (RAG). De studerande lär sig att visa nyttan genom testning och utvärdering.
Relevanta yrkesroller
Junior AI-utvecklare, Pythonutvecklare och datautvecklare som arbetar med maskininlärningstjänster och LLM-applikationer.
Lärandemål
- Förbereda data med Python och SQL, bedöma dess lämplighet för modellering och förebygga dataläckage.
- Träna regressions- och klassificeringsmodeller, jämföra algoritmer och utvärdera prestanda på tidigare osedda data.
- Använda FastAPI för att tillgängliggöra data och modellprediktioner via validerade API-endpoints.
- Bygga Streamlit-gränssnitt som kopplar samman användarindata, backendtjänster och modellresultat.
- Använda PydanticAI och OpenRouter för att integrera språkmodeller och validera strukturerade svar.
- Bygga ett RAG-flöde med dokumentberedning, embeddings, en vektordatabas och källbaserade svar.
- Utvärdera prediktioner och LLM-svar, dokumentera begränsningar och tillämpa lämpliga skydd för data och åtkomst.
Centrala tekniker
Python · Maskininlärning · FastAPI · LLM · RAG
Förväntad självständighet
Efter utbildningen ska de studerande kunna bygga och testa en avgränsad AI-funktion i ett team, förklara sin utvärdering och lämna över reproducerbar kod med granskning. De ska kunna avgöra när dataproblem, modellkvalitet eller säkerhetsfrågor kräver specialiststöd. Nivån är junior applikationsutveckling snarare än självständigt ansvar för en AI-plattform i produktion.
Innehåll och upplägg
Python och grunder i mjukvaruutveckling
Huvudsakligt innehåll
Variabler, datatyper, villkor, loopar, funktioner, samlingar, undantag och grundläggande objektorienterad programmering. Återanvändbara moduler, virtuella miljöer, beroendehantering, felsökning och tester. Jupyter stödjer inledande experiment och Git och GitHub stödjer samarbete.
Lärandemål
- Skriva och felsöka läsbara Pythonprogram för en definierad uppgift.
- Strukturera återanvändbar kod och validera indata med tydlig felhantering.
- Använda en reproducerbar miljö, versionshantering och grundläggande tester för att dela arbete.
Databeredning och SQL för AI
Huvudsakligt innehåll
Läsa in data från filer, API:er och relationsdatabaser. Använda SQL för att hämta och kombinera poster och Pandas för att granska datatyper, saknade värden, dubbletter och inkonsekventa etiketter. Förbereda spårbara träningsdata och dokumentera ursprung och avsedd användning.
Lärandemål
- Hämta och kombinera relevanta poster med SQL och Python.
- Upptäcka datakvalitetsproblem och skapa repeterbara förberedelsesteg.
- Definiera modellens indata och målvariabler och kontrollera att data passar uppgiften.
Explorativ analys, regression och klassificering
Huvudsakligt innehåll
Explorativ dataanalys (EDA), fördelningar, samband och definition av målvariabler. Uppdelning i tränings- och testdata, förbehandling och baslinjemodeller med scikit-learn. Linjär regression för numeriska mål samt logistisk regression, K-närmaste grannar (KNN) och beslutsträd för inledande prediktiva uppgifter.
Lärandemål
- Använda EDA för att identifiera mönster, informationsluckor och risker före träning.
- Välja regression eller klassificering utifrån problem och målvariabel.
- Anpassa förbehandling till träningsdata och hålla testdata separata för att förebygga dataläckage.
- Träna grundläggande modeller och jämföra dem med en enkel baslinje.
Ensemblemodeller, optimering och utvärdering
Huvudsakligt innehåll
Random Forest och gradientboostning med LightGBM, CatBoost och XGBoost. Korsvalidering, hyperparameteroptimering, överanpassning och klassobalans. Regressionsmått som MAE och RMSE samt klassificeringsmått som precision, recall, F1 och förväxlingsmatriser.
Lärandemål
- Träna och jämföra ensemblemodeller med samma datauppdelning och utvärderingskriterier.
- Välja mått som speglar konsekvenserna av fel i användningsfallet.
- Optimera modeller med tränings- och valideringsdata och reservera testdata för slutlig utvärdering.
- Förklara fel, generaliseringens begränsningar och om en mer komplex modell förbättrar baslinjen.
Applikationsutveckling med FastAPI och Streamlit
Huvudsakligt innehåll
Tillgängliggöra dataset och prediktioner från tränade modeller via FastAPI. Scheman för anrop och svar, indatavalidering, felsvar och API-tester. Bygga Streamlit-gränssnitt som anropar backend, tar emot användarindata och presenterar resultat. Koppla samman frontend, backend och modell till en komplett applikation.
Lärandemål
- Skapa validerade endpoints för att hämta data och begära prediktioner.
- Läsa in en sparad modell med den förbehandling som behövs för reproducerbara prediktioner.
- Bygga ett Streamlit-gränssnitt som kommunicerar med API:et och hanterar fel tydligt.
- Dokumentera beroenden och konfiguration så att en annan utvecklare kan köra och testa applikationen.
Språkmodeller och strukturerade svar
Huvudsakligt innehåll
Integration av språkmodeller med PydanticAI och OpenRouter. Instruktioner, konversationskontext, schemabaserade svar och validering. Bygga en chattbot och jämföra svar med representativa exempel. Hantera ogiltiga svar, tjänstefel, svarstider och tokenkostnader.
Lärandemål
- Koppla en språkmodell till en Pythonapplikation med PydanticAI och OpenRouter.
- Definiera och validera ett strukturerat svarsschema innan modellens svar används i applikationslogik.
- Bygga ett konversationsgränssnitt med tydlig hantering av kontext och fel.
- Utvärdera svarskvalitet och dokumentera fel, svarstider och avvägningar kring kostnad.
Ansvarsfull AI, dataskydd och applikationssäkerhet
Huvudsakligt innehåll
Lämplig användning av personuppgifter och konfidentiella data, rättigheter till dataset, åtkomstkontroll och säker hantering av inloggningsuppgifter. Bias, obelagda påståenden, prompt injection och oavsiktlig informationsspridning. Mänsklig granskning, spårbarhet och tydlig kommunikation om modellbegränsningar.
Lärandemål
- Identifiera risker kring data, åtkomst och missbruk i en föreslagen AI-applikation.
- Tillämpa skydd för känsliga indata, inloggningsuppgifter och åtkomstbegränsade dokument.
- Testa missvisande eller osäkert modellbeteende och definiera när mänsklig granskning behövs.
- Dokumentera avsedd användning, begränsningar och underlag som stödjer lösningen.
RAG och integrerade AI-applikationer
Huvudsakligt innehåll
Retrieval-augmented generation (RAG): dokumentinläsning, uppdelning i textsegment, embeddings, vektordatabaser och informationshämtning. Kombinera hämtade textavsnitt med en LLM för att besvara frågor med organisationens information. Integrera flödet med FastAPI och Streamlit och utvärdera informationshämtning och svarskvalitet var för sig.
Lärandemål
- Förbereda dokument och indexera deras embeddings i en vektordatabas.
- Hämta relevanta textavsnitt och skapa svar med hänvisningar till de tillhandahållna källorna.
- Hantera frågor som dokumenten inte ger stöd för och bevara dokumentens åtkomstbegränsningar.
- Leverera en integrerad RAG-applikation med utvärderingsfrågor, tester och dokumenterad överlämning.
Lärande i arbete (LIA)
Huvudsakligt innehåll
Tillämpa Python, modellutvärdering eller AI-applikationsutveckling i handledda arbetsuppgifter med överenskomna lärandemål.
Lärandemål
- Bidra med en avgränsad uppgift inom AI- eller datautveckling i ett team.
- Använda teamets arbetssätt, förklara tekniska beslut och omsätta professionell återkoppling.
Förkunskaper och målgrupp
Nybörjare och personer som vill byta karriär och bygga mjukvara med maskininlärning och språkmodeller. Fokus ligger på programmering, modellutvärdering och applikationsutveckling, med databeredning som grund för dessa uppgifter.
Behörighet och förkunskapskrav
- Engelska på en nivå som gör det möjligt att följa undervisningen, läsa teknisk dokumentation och förklara sitt arbete.
- Matematik på gymnasienivå, inklusive algebra, procent och tolkning av diagram. Statistik och modellutvärdering introduceras under utbildningen.
- Ingen tidigare erfarenhet av programmering eller AI-utveckling krävs. Python lärs ut från grunden.
Förväntade kunskaper vid start
Grundläggande datorvana behövs, liksom beredskap att öva programmering, resonera kring numeriska resultat och arbeta med återkoppling. Förkunskaper i maskininlärningsbibliotek, molntjänster eller språkmodeller förutsätts inte.
Så omsätts kunskaperna i praktiken
Undervisning och studieupplägg
Lärarledd undervisning online, handledda kodövningar samt individuella uppgifter och gruppuppgifter. De studerande går från Python och databeredning till prediktiva modeller, webbapplikationer och dokumentbaserade AI-assistenter. Git, GitHub och reproducerbara miljöer används genomgående. Notebooks stödjer utforskning innan koden struktureras till applikationer.
Så visas kunskaperna
- Lämna in ett reproducerbart modelleringsflöde med dokumenterade datakontroller, separerade tränings- och testdata samt jämförelser med baslinjer.
- Demonstrera en FastAPI-tjänst och ett Streamlit-gränssnitt, inklusive hantering av ogiltiga indata och tjänstefel.
- Visa validerade, strukturerade LLM-svar och testa beteendet när modellen ger ett oanvändbart svar.
- Demonstrera dokumenthämtning och källbaserade svar med ett definierat utvärderingsunderlag för RAG.
- Förklara integritet, åtkomstkontroller, kostnader, kända begränsningar och ändringar som gjorts efter återkoppling.
Vill ni stödja utbildningen?
Motsvarar de här kunskaperna ert företags behov? Era perspektiv hjälper oss att göra utbildningen relevant för arbetslivet.
Ni behöver inte
- Undervisa eller ta fram kursmaterial.
- Anställa studerande.
- Ta emot LIA-studerande eller praktikanter.
- Delta i återkommande möten.
Så kan ni stödja oss
- Beskriv era nuvarande och framtida kompetensbehov.
- Ge kort återkoppling på innehåll och lärandemål.
- Bekräfta utbildningens relevans utifrån er egen bedömning.
Att ge er inledande återkoppling tar högst 1 timme.
Ge återkoppling och stöd utbildningen