S potěšením oznamuji definitivní kurz Claude Code, který byl vytvořen ve spolupráci s @AnthropicAI a vyučován Elie Schoppikem @eschoppik. Pokud chcete používat vysoce agentní kódování - kde AI pracuje autonomně po mnoho minut nebo déle, nejen dokončování úryvků kódu - je to ono. Claude Code změnil hru pro mnoho vývojářů (včetně mě!), ale jeho dobré používání má skutečnou hloubku. Tento komplexní kurz pokrývá vše od základů až po pokročilé vzory. Po tomto krátkém kurzu budete schopni: - Orchestrace více dílčích agentů Claude pro současnou práci na různých částech kódové základny - Označte Claude v problémech na GitHubu a nechte ho autonomně vytvářet, kontrolovat a slučovat žádosti o přijetí změn. - Transformovat chaotické poznámkové bloky Jupyter na čisté řídicí panely připravené pro produkční prostředí - Používejte nástroje MCP, jako je Playwright, aby Claude viděl, co je špatně s vaším uživatelským rozhraním, a autonomně to opravil Ať už s Claude Code začínáte nebo jej již používáte, objevíte výkonné funkce, které mohou zásadně změnit způsob, jakým vytváříte software. Jsem velmi nadšený z toho, co agentické kódování nyní umožňuje každému. Prosíme, absolvujte tento kurz!

I'm thrilled @OpenAI has released two open weight models. Thank you to all my friends at OpenAI for this gift! I'm also encouraged that from my quick tests gpt-oss-120b looks strong (though we should still wait for rigorous 3rd party evals).

Představujeme naši novou akci - Buildathon: Soutěž v rapid engineeringu. Podrobnosti najdete ve videu a přihlaste se k účasti!

Oznámení nového kurzu Coursera: Retrieval Augmented Generation (RAG) Naučíte se vytvářet vysoce výkonné systémy RAG připravené k produkci v tomto praktickém hloubkovém kurzu, který vytvořil a vyučuje @ZainHasan6, zkušený inženýr, výzkumník a pedagog v oblasti AI a ML. RAG je dnes kritickou součástí mnoha aplikací založených na LLM v zákaznické podpoře, interních podnikových Q&A systémech, dokonce i mnoha předních chatbotů, které používají webové vyhledávání k zodpovězení vašich otázek. Tento kurz vás do hloubky naučí, jak zajistit, aby RAG dobře fungoval. LLM mohou produkovat obecné nebo zastaralé odpovědi, zejména když jsou jim kladeny specializované otázky, které nejsou zahrnuty v jejich tréninkových datech. RAG je nejpoužívanější technikou pro řešení tohoto problému. Přináší data z nových datových zdrojů, jako jsou interní dokumenty nebo nedávné zprávy, aby LLM poskytl relevantní kontext k soukromým, nedávným nebo specializovaným informacím. To mu umožňuje generovat uzemněnější a přesnější odpovědi. V tomto kurzu se naučíte navrhovat a implementovat každou část systému RAG, od retrieverů přes vektorové databáze až po generování evalů. Dozvíte se o základních principech RAG a o tom, jak jej optimalizovat na úrovni komponent i celého systému. Jak se vyvíjí umělá inteligence, vyvíjí se i RAG. Nové modely mohou zpracovávat delší kontextová okna, efektivněji uvažovat a mohou být součástí složitých agentických pracovních postupů. Jednou ze zajímavých oblastí růstu je Agentic RAG, ve kterém agent umělé inteligence za běhu (spíše než aby byl pevně zakódován v době vývoje) autonomně rozhoduje, jaká data získat a kdy/jak jít hlouběji. I přes tento vývoj je přístup k vysoce kvalitním datům za běhu nezbytný, což je důvod, proč je RAG klíčovou součástí tolika aplikací. Prostřednictvím praktických zkušeností se naučíte: - Vytvořte systém RAG s vyhledáváním a rychlým rozšiřováním - Porovnat metody vyhledávání, jako je BM25, sémantické vyhledávání a reciproční fúze hodností. - Blokování, indexování a načítání dokumentů pomocí vektorové databáze Weaviate a datové sady zpráv - Vyvíjejte chatbota pomocí open-source LLM hostovaných společností Together AI pro fiktivní obchod, který odpovídá na otázky týkající se produktů a často kladených otázek - Používat hodnocení ke zlepšení spolehlivosti a začlenit multimodální data RAG je důležitá základní technika. Staňte se v tom dobrými prostřednictvím tohoto kurzu! Zaregistrujte se prosím zde:

Moje přednáška na YC Startup School o tom, jak budovat startupy v oblasti umělé inteligence. Sdílím tipy od @AI_Fund, jak využít umělou inteligenci k rychlému stavění. Dejte mi vědět, co si myslíte!

Agentic Document Extraction nyní podporuje extrakci polí! Mnoho případů použití extrakce dokumentů extrahuje konkrétní pole z formulářů a dalších strukturovaných dokumentů. Nyní můžete vložit obrázek nebo soubor PDF faktury, vyžádat si název dodavatele, seznam položek a ceny a získat zpět extrahovaná pole. Nebo zadejte lékařský formulář a zadejte schéma pro extrahování jména pacienta, ID pacienta, čísla pojištění atd. Jedna skvělá funkce: Pokud se vám nechce psát schéma (specifikace json toho, jaká pole se mají extrahovat) sami, nahrajte jeden ukázkový dokument a napište výzvu v přirozeném jazyce, která řekne, co chcete, a my vám automaticky vygenerujeme schéma. Podrobnosti najdete ve videu!

Nový kurz: Post-trénink LLM Naučte se post-trénovat a přizpůsobit LLM v tomto krátkém kurzu, který vyučuje @BanghuaZ, odborný asistent na University of Washington @UW a spoluzakladatel @NexusflowX. Školení LLM, aby se řídil pokyny nebo odpovídal na otázky, má dvě klíčové fáze: předtrénink a post-trénink. V předtréninku se učí předvídat další slovo nebo token z velkého množství neoznačeného textu. V post-tréninku se učí užitečnému chování, jako je dodržování pokynů, používání nástrojů a uvažování. Post-trénování transformuje univerzální prediktor tokenů – trénovaný na bilionech neoznačených textových tokenů – na asistenta, který se řídí pokyny a provádí konkrétní úkoly. Protože je to mnohem levnější než předtrénink, je praktické, aby mnohem více týmů začlenilo do svých pracovních postupů metody po školení než před školením. V tomto kurzu se naučíte tři běžné metody po školení – Jemné ladění pod dohledem (SFT), Přímá optimalizace preferencí (DPO) a Online zpětnovazební učení (RL) – a jak každou z nich efektivně používat. Pomocí SFT trénujete model na párech vstupních a ideálních výstupních odpovědí. S DPO poskytnete preferovanou (vybranou) i méně preferovanou (zamítnutou) odpověď a vytrénujete model tak, aby upřednostňoval preferovaný výstup. S řádkem RL model generuje výstup, získává skóre odměny na základě lidské nebo automatizované zpětné vazby a aktualizuje model za účelem zlepšení výkonu. Naučíte se základní koncepty, běžné případy použití a principy pro kurátorství vysoce kvalitních dat pro efektivní školení. Prostřednictvím praktických cvičení si stáhnete předem natrénovaný model z Hugging Face a poté jej vytrénujete pomocí SFT, DPO a RL, abyste viděli, jak jednotlivé techniky formují chování modelu. Podrobněji se dozvíte: - Pochopte, co je to posttrénink, kdy ho použít a jak se liší od pre-tréninku. - Vytvořte kanál SFT a přeměňte základní model na instruktážní model. - Prozkoumejte, jak DPO přetváří chování minimalizací kontrastní ztráty – penalizací špatných odpovědí a posílením preferovaných. - Implementujte kanál DPO pro změnu identity chatovacího asistenta. - Naučte se online metody RL, jako je proximální optimalizace politik (PPO) a skupinová relativní optimalizace politik (GRPO), a jak navrhovat funkce odměňování. - Trénujte model pomocí GRPO a vylepšete jeho matematické schopnosti pomocí ověřitelné odměny. Post-trénink je jednou z nejrychleji se rozvíjejících oblastí LLM vzdělávání. Ať už vytváříte vysoce přesného kontextově specifického asistenta, dolaďujete tón modelu nebo zlepšujete přesnost pro konkrétní úkol, tento kurz vám poskytne zkušenosti s nejdůležitějšími technikami, které utvářejí to, jak jsou dnes LLM post-trénovány. Zaregistrujte se prosím zde:

Rád bych se s vámi podělil o tip, jak si více procvičit vytváření s umělou inteligencí – to znamená buď používat stavební bloky umělé inteligence k vytváření aplikací, nebo používat pomoc při kódování umělé inteligence k rychlému vytváření výkonných aplikací: Pokud zjistíte, že máte na sestavení jen omezený čas, snižte rozsah svého projektu, dokud nebudete moci něco vytvořit v jakémkoli čase, který vám zbývá. Pokud máte jen hodinu, najděte malou součást nápadu, který vás nadchne a který můžete vytvořit za hodinu. S moderními asistenty kódování, jako je Claude Code od Anthropicu (můj momentálně nejoblíbenější vývojářský nástroj), budete možná překvapeni, kolik toho dokážete udělat i v krátkých časových úsecích! To vás nakopne a v projektu můžete kdykoli pokračovat později. Aby se většina lidí stala dobrými v budování s umělou inteligencí, musí (i) se naučit příslušné techniky, například absolvováním online kurzů umělé inteligence, a (ii) procvičit si budování. Znám vývojáře, kteří se celé měsíce nudí v nápadech, aniž by něco skutečně vytvořili – já jsem to dělal také! – protože máme pocit, že nemáme čas začít. Pokud se ocitnete v této pozici, doporučuji vám, abyste pokračovali ve snižování počátečního rozsahu projektu, dokud nenajdete malou součást, kterou můžete okamžitě vytvořit. Dovolte mi to ilustrovat na příkladu – jednom z mých mnoha malých, zábavných víkendových projektů, které možná nikdy nikam nepovedou, ale jsem rád, že jsem to udělal. Zde je myšlenka: Mnoho lidí se bojí veřejného vystupování. A mluvení na veřejnosti je náročné na praxi, protože je těžké zorganizovat publikum. Tak mě napadlo, že by bylo zajímavé vytvořit simulátor publika, který by poskytoval digitální publikum desítek až stovek virtuálních lidí na monitoru počítače a umožnil uživateli cvičit se tím, že na ně mluví. Jednoho sobotního odpoledne jsem se ocitl v kavárně s pár hodinami volna a rozhodl jsem se vyzkoušet simulátor pro publikum. Moje obeznámenost s grafickým kódováním je omezená, takže místo toho, abych vytvářel složitý simulátor velkého publika a psal software pro umělou inteligenci, který by simuloval vhodné reakce publika, rozhodl jsem se výrazně snížit rozsah na (a) simulaci publika jedné osoby (kterou bych mohl později replikovat a simulovat N osob), (b) vynechat umělou inteligenci a nechat lidského operátora ručně vybrat reakci simulovaného publika (podobně jako u prototypování Čaroděje ze země Oz), a (c) implementace grafiky pomocí jednoduchého 2D avatara. Pomocí kombinace několika asistentů kódování jsem vytvořil základní verzi v čase, který jsem měl. Avatar se mohl jemně pohybovat a mrkat, ale jinak používal základní grafiku. I když to zdaleka nestačilo na sofistikovaný simulátor pro publikum, jsem rád, že jsem to postavil. Kromě toho, že mě projekt posunul dál a umožnil mi zkoumat různé návrhy, posunul mé znalosti základní grafiky. Navíc, když jsem tento hrubý prototyp ukázal přátelům, pomohlo mi to získat zpětnou vazbu od uživatelů, která formovala můj názor na myšlenku produktu. Mám na svém notebooku seznam nápadů na věci, o kterých si myslím, že by bylo zajímavé je vytvořit. Většina z nich by trvala mnohem déle než těch pár hodin, které bych musel mít na to, abych něco vyzkoušel v daný den, ale když se zkrátím jejich rozsah, mohu se rozjet a počáteční pokrok v projektu mi pomůže rozhodnout, zda stojí za to do něj dále investovat. Jako bonus mi hackování široké škály aplikací pomáhá procvičovat širokou škálu dovedností. Ale co je nejdůležitější, dostane to nápad z mé hlavy a potenciálně před potenciální uživatele pro zpětnou vazbu, která umožní projektu jít rychleji. [Původní text: ]

Nový kurz: ACP: Agent Communication Protocol Naučte se vytvářet agenty, kteří komunikují a spolupracují napříč různými rámci pomocí ACP v tomto krátkém kurzu vytvořeném pomocí BeeAI společnosti @IBMResearch a vyučovaném @sandi_besen, výzkumným inženýrem a vedoucím ekosystému umělé inteligence ve společnosti IBM a @nicholasrenotte, vedoucím oddělení rozvoje AI ve společnosti IBM. Vytvoření multiagentního systému s agenty vytvořenými nebo používanými různými týmy a organizacemi může být náročné. Možná budete muset napsat vlastní integrace pokaždé, když tým aktualizuje návrh agenta nebo změní svůj výběr architektury orchestrace agentů. Komunikační protokol agenta (ACP) je otevřený protokol, který řeší tuto výzvu standardizací způsobu komunikace agentů pomocí jednotného rozhraní RESTful, které funguje napříč rámci. V tomto protokolu hostujete agenta uvnitř serveru ACP, který zpracovává požadavky od klienta ACP a předává je příslušnému agentovi. Použití standardizovaného rozhraní klient-server umožňuje více týmům opakovaně používat agenty napříč projekty. Usnadňuje také přepínání mezi architekturami, nahrazení agenta novou verzí nebo aktualizaci systému s více agenty bez refaktoringu celého systému. V tomto kurzu se naučíte propojovat agenty prostřednictvím ACP. Pochopíte životní cyklus agenta ACP a jeho srovnání s jinými protokoly, jako jsou MCP (Model Context Protocol) a A2A (Agent-to-Agent). Budete vytvářet agenty kompatibilní s ACP a implementovat sekvenční i hierarchické pracovní postupy pro více agentů spolupracujících pomocí ACP. Prostřednictvím praktických cvičení budete stavět: - Agent RAG s CrewAI a zabalte jej do serveru ACP. - Klient ACP, který bude volat server ACP, který jste vytvořili. - Sekvenční pracovní postup, který řetězí server ACP vytvořený pomocí agentů Smolagents s agentem RAG. - Hierarchický pracovní postup využívající agenta směrovače, který transformuje uživatelské dotazy na úlohy delegované na agenty dostupné prostřednictvím serverů ACP. - Agent, který používá MCP pro přístup k nástrojům a ACP pro komunikaci s ostatními agenty. Skončíte importem svých agentů ACP do platformy BeeAI, což je open-source registr pro objevování a sdílení agentů. ACP umožňuje spolupráci mezi agenty napříč týmy a organizacemi. Na konci tohoto kurzu budete schopni vytvářet agenty ACP a pracovní postupy, které komunikují a spolupracují bez ohledu na rámec. Zaregistrujte se prosím zde:

Představujeme "Stavíme s lamou 4". Tento krátký kurz byl vytvořen ve spolupráci s @Meta @AIatMeta a vyučuje ho @asangani7, ředitel partnerského inženýrství týmu umělé inteligence společnosti Meta. Nová Llama 4 společnosti Meta přidala tři nové modely a do své rodiny modelů s otevřenou hmotností zavedla architekturu Mixture-of-Experts (MoE), díky čemuž je jejich obsluha efektivnější. V tomto kurzu budete pracovat se dvěma ze tří nových modelů představených v Llama 4. První je Maverick, 400B parametrický model, se 128 experty a 17B aktivními parametry. Druhým je Scout, parametrický model 109B s 16 experty a 17B aktivními parametry. Maverick a Scout podporují dlouhá kontextová okna až do milionu tokenů a 10 milionů tokenů. To druhé je dostatečné pro podporu přímého zadávání i poměrně velkých repozitářů GitHub pro analýzu! V praktických lekcích budete vytvářet aplikace pomocí nových multimodálních funkcí Llama 4, včetně uvažování na více obrázcích a uzemnění obrazu, ve kterých můžete identifikovat prvky v obrázcích. Budete také používat oficiální Llama API, pracovat se schopnostmi Llama 4 s dlouhým kontextem a seznámíte se s nejnovějšími open-source nástroji Llamy: jejím nástrojem pro optimalizaci výzev, který automaticky vylepšuje systémové výzvy, a sadou syntetických dat, která generuje vysoce kvalitní datové sady pro jemné doladění. Pokud potřebujete otevřený model, Llama je skvělá volba a rodina Llama 4 je důležitou součástí sady nástrojů každého vývojáře GenAI. Prostřednictvím tohoto kurzu se naučíte volat Llama 4 přes API, používat její optimalizační nástroje a vytvářet funkce, které pokrývají text, obrázky a velký kontext. Zaregistrujte se prosím zde: