GenAI i agenci AI w finansach i zarządzaniu ryzykiem: budowa rozwiązań przy wykorzystaniu Pythona

Streszczenie programu: Szkolenie przeznaczone jest dla osób na co dzień pracujących w obszarze finansów i ryzyka (skarbnicy korporacyjni, analitycy rynków finansowych, analitycy ryzyka rynkowego i kredytowego, księgowi), zainteresowanych poznaniem zaawansowanych możliwości stosowania generatywnej sztucznej inteligencji oraz agentów AI w Pythonie w celu zwiększenia efektywności swojej pracy. W trakcie szkolenia uczestnicy poznają zasady pracy z interfejsem programistycznym (API) najpopularniejszych modeli językowych oraz możliwości ich stosowania niemożliwe do osiągnięcia z poziomu publicznie dostępnych chatbotów (m.in. analiza dokumentów emisyjnych, zarządzanie ryzykiem walutowym, funkcjonowanie rynku akcji oraz ocena historii płatniczej kontrahentów).

Plan godzinowy (identyczny dla Dnia 1 i Dnia 2):

• 09:00 Rozpoczęcie zajęć
• 10:30–11:00 Przerwa kawowa
• 12:30–13:30 Przerwa na lunch
• 15:00–15:30 Przerwa kawowa
• 17:00 Koniec zajęć

Program merytoryczny — Dzień 1 (25 listopada 2026 r.):

• 1. Wprowadzenie do GenAI: zastosowanie GenAI w pracy skarbnika / eksperta ds. ryzyka; świat dużych modeli językowych (LLM) a świat finansów — jak je połączyć?
• 2. Przypomnienie podstawowych pojęć oraz konfiguracja środowiska szkoleniowego: funkcja, zmienna, klasy, obiekty JSON, typy danych, instrukcje warunkowe, pętle, komentarze; biblioteki dnia 1 (numpy, pandas, matplotlib, openai, sqlite3); konfiguracja Jupyter Notebook, Google Colab oraz dostępu do OpenAI API.
• 3. Wprowadzenie do części praktycznej — Python w finansach w Google Colab: wczytanie danych wejściowych; pobieranie danych z Yahoo Finance oraz stooq.pl; praca z DataFrame (stworzenie przykładowej funkcji finansowej, np. NPV, stopa forward); praca z bazą SQL (zapytanie dotyczące dyscypliny płatniczej kontrahentów); zapisywanie wyników w plikach zewnętrznych.
• 4. Część główna warsztatu — Zastosowanie GenAI w finansach przy wykorzystaniu Pythona:
  • Podstawowe pojęcia LLM: prompt wejściowy/wyjściowy/systemowy, tokeny, okno kontekstowe, embeddings, temperatura, RAG, halucynacje.
  • Rodzaje licencji na użytkowanie LLM na przykładzie OpenAI oraz bezpieczeństwo danych w organizacji.
  • Połączenie świata modeli językowych i finansów: structured output, function calling, praca z plikami JSON.
  • Pierwsze zapytanie do OpenAI API i analiza odpowiedzi (treść, input/output tokens, finish reason).
  • Implementacja funkcji wykorzystujących GenAI: analiza potwierdzenia zawarcia transakcji pochodnej w PDF (zwrócenie ustrukturyzowanych parametrów), obliczenie NPV i stopy forward z poziomu modelu językowego, generowanie zapytań SQL do bazy historii płatniczej kontrahentów za pomocą języka naturalnego, zarządzanie historią konwersacji.
• 5. Praca z dużymi zbiorami dokumentów przy wykorzystaniu Retrieval Augmented Generation (RAG).
• 6. Wprowadzenie do agentów AI w finansach — przykłady pełnoskalowych rozwiązań: wycena instrumentów pochodnych, analiza zatorów płatniczych, stress-testy i analizy scenariuszowe.
• 7. Podsumowanie dnia i dyskusja.

Program merytoryczny — Dzień 2 (26 listopada 2026 r.) — Analiza ryzyka finansowego przy użyciu agentów AI oraz modeli xAI (Grok) i Anthropic (Claude):

• 1. Przypomnienie pojęć oraz wniosków z dnia poprzedniego.
• 2. Agenci AI — omówienie szczegółowe: wyjaśnienie pojęć re-act, reasoning, tooling; różne stopnie autonomii agentów AI; przykład agenta działającego w Claude.ai.
• 3. Omówienie bibliotek dnia 2: langchain, xai, anthropic.
• 4. Konfiguracja dostępu do API Anthropic oraz xAI.
• 5. Część główna warsztatu — Budowa agentów AI do zastosowań finansowych:
  • Agent do pobierania danych rynkowych ze stooq.pl oraz Yahoo Finance.
  • Agent wykonujący samodzielne obliczenia (miary ryzyka, korelacje, stress-testy).
  • Wielonarzędziowy agent korzystający z funkcji finansowych stworzonych przy wykorzystaniu vibe codingu.
  • Agent generujący wykresy i raporty podsumowujące przeprowadzone analizy.
• 6. Wprowadzenie do zagadnień powiązanych: serwery MCP (Model Context Protocol) oraz grafy w procesie budowy agentów AI.
• 7. Podsumowanie szkolenia i dyskusja.

Prowadzący — Szymon Kamiński: Ekspert z 15-letnim doświadczeniem w zakresie inżynierii finansowej, analiz ilościowych oraz programowania. Założyciel firmy AIBreaker.eu, specjalizującej się w doradztwie dotyczącym wykorzystania generatywnej sztucznej inteligencji w obszarze finansów oraz ryzyka finansowego. Współpracuje ponadto z firmą Infogain Technologies, gdzie wdraża rozwiązania usprawniające procesy biznesowe z wykorzystaniem Agentic AI. Wcześniej pracował w Deloitte oraz Accenture, gdzie realizował projekty doradcze oraz wdrożeniowe z zakresu zarządzania ryzykiem finansowym i transformacji procesów dla klientów z sektora finansowego, energetycznego, motoryza­cyjnego i transportowego.