Curs Intensiv Inteligența Artificială

Ziua 1 Ziua 2 Ziua 3

Atlantykron 2025 - Ziua 3

Viorel Spinu
Viorel Spinu
raivon.ro

Despre Atlantykron și acest curs

Atlantykron este o academie de vară unică în România, organizată anual din 1989 pe insula de la Capidava. Timp de 36 de ani, acest eveniment a conectat tinerii cu specialiști din știință, tehnologie, artă și cultură, explorând cele mai îndrăznețe inovații tehnologice și provocările viitorului. (mai multe pe Wikipedia)

Ediția 2025, cu tema "VIITORIUM - Universul de Mâine", se desfășoară în perioada 1-8 august și reunește conferințe, cursuri intensive și workshop-uri dedicate descoperirii potențialului uman și tehnologic.

Acest curs intensiv de Inteligență Artificială face parte din programul Atlantykron 2025 și reprezintă o introducere practică în utilizarea AI-ului pentru creativitate, productivitate și inovare. Cursul se concentrează pe tehnici avansate de interacțiune cu sistemele AI și explorează viitorul colaborării om-mașină.

📝 Înainte să începi - ajută-mă cu ceva!

Cum ți s-a părut prezentarea mea? Ce ți-a plăcut? Ce ar putea fi mai bine?

Feedback aici →

Slide-urile

Deschide prezentarea în fereastră nouă →

Prezentarea video live

Deschide video-ul pe YouTube →

Agents with tools!

Până acum am vorbit despre LLM-uri ca despre niște "creiere în borcan" - foarte deștepte, dar izolate de lumea reală. Agenții AI sunt LLM-uri cu "mâini și picioare" - pot interacționa cu lumea exterioară prin unelte specializate.

De la chatbot la agent activ

Diferența fundamentală este că un agent AI nu se limitează la a genera text - poate executa acțiuni concrete:

  • LLM clasic: Poate să-ți spună cum să scrii un email, dar nu poate să-l trimită
  • Agent AI: Poate să scrie emailul ȘI să-l trimită prin integrarea cu Gmail

Cum funcționează un agent cu unelte

1. Procesul de decizie

Când primește o cerere, agentul parcurge următorii pași:

  1. Analizează cererea: Înțelege ce trebuie să facă
  2. Identifică uneltele necesare: Ce instrumente sunt disponibile
  3. Planifică acțiunile: În ce ordine să folosească uneltele
  4. Execută pas cu pas: Folosește uneltele și analizează rezultatele
  5. Raportează rezultatul: Prezintă ce a realizat

2. Tipuri de unelte disponibile

Agenții moderni au acces la o gamă largă de instrumente:

🌐 Web Search

Căutare pe internet, accesarea site-urilor, extragerea informațiilor actuale

🐍 Python

Execuția de cod, analize de date, calcule complexe, generarea de grafice

📋 user_info

Acces la informații contextuale: data, ora, locația, preferințele utilizatorului

🎨 Create Image

Generarea de imagini, diagrame, infografice pentru a ilustra concepte

Exemplu practic: Agent de analiză de date

Scenariul: "Analizează vânzările noastre din ultimele 6 luni"

🔄 Workflow-ul agentului:
  1. Web Search: Caută informații despre tendințele pieței
  2. Python: Încarcă și procesează datele de vânzări
  3. Python: Calculează metrici și identifică pattern-uri
  4. Python: Generează grafice și vizualizări
  5. Create Image: Creează infografice pentru prezentare
  6. Raport final: Prezintă concluziile și recomandările

Avantajele agenților cu unelte

Autonomie și eficiență

  • Automatizare completă: Pot îndeplini sarcini complexe fără intervenție umană
  • Acuratețe sporită: Accesează date reale, nu se bazează doar pe cunoștințele pre-antrenate
  • Versatilitate: Același agent poate lucra cu multiple tipuri de unelte
  • Scalabilitate: Pot procesa volume mari de informații rapid

Limitările și provocările

  • Dependența de unelte: Calitatea rezultatelor depinde de uneltele disponibile
  • Complexitatea debugging-ului: Când ceva nu merge, e mai greu să identifici problema
  • Costurile: Fiecare utilizare de unealtă poate genera costuri suplimentare
  • Securitatea: Accesul la unelte puternice necesită măsuri de siguranță sporite

Exemple din lumea reală

Claude Code - Asistentul de programare

Claude Code demonstrează perfect puterea agenților cu unelte - poate:

  • Să citească și să modifice fișiere din proiectele tale
  • Să execute comenzi bash pentru automatizarea sarcinilor
  • Să caute în cod cu instrumente avansate
  • Să facă commit-uri în git și să gestioneze versioning-ul
  • Să acceseze web-ul pentru informații actualizate

Viitorul agenților AI

Ne îndreptăm către o lume în care agenții AI vor avea acces la tot mai multe unelte:

  • Integrări API: Conexiuni directe cu serviciile cloud
  • Automatizare IoT: Control asupra dispozitivelor inteligente
  • Interfețe multimodale: Procesarea video, audio, senzorilor
  • Colaborare inter-agent: Echipe de agenți care lucrează împreună
💬 Vrei să discutăm despre agenții AI și implementarea lor?

MCP - Conectorul universal pentru agenți

Model Context Protocol (MCP) este standardul deschis dezvoltat de Anthropic care permite agenților AI să se conecteze la orice serviciu extern. Este "USB-ul pentru AI" - o interfață universală care elimină necesitatea de integrări custom pentru fiecare unealtă.

Ce rezolvă MCP?

Problema integrărilor fragmentate

Înainte de MCP, fiecare agent avea nevoie de integrări specifice pentru fiecare serviciu:

  • O integrare pentru Gmail, alta pentru Google Drive, alta pentru Asana
  • Fiecare dezvoltator de AI trebuia să rescrie aceleași conectori
  • Actualizările în serviciile externe spărgeau integrarile existente
  • Scaling-ul la sute de servicii devenea imposibil

Soluția MCP

MCP standardizează comunicarea între agenți și serviciile externe:

🔌 Un protocol, infinite posibilități

  • Conectori reutilizabili: Un conector MCP pentru Gmail funcționează cu orice agent
  • Securitate îmbunătățită: Protocolul include autentificare și autorizare standardizate
  • Dezvoltare simplificată: Dezvoltatorii se concentrează pe logica aplicației, nu pe integrări
  • Ecosistem extins: Oricine poate contribui cu noi conectori

Conectori disponibili în Claude

Claude oferă deja acces la un ecosistem bogat de conectori MCP:

📧 Gmail

Citește, scrie și trimite emailuri direct din conversația cu agentul

🗓️ Google Calendar

Gestionează programul, creează întâlniri și optimizează timpul

📁 Google Drive

Accesează, analizează și modifică documente din cloud

🎯 Asana

Coordonează proiecte, creează task-uri și urmărește progresul

🎨 Canva

Creează și editează design-uri profesionale automated

⚡ Cloudflare

Gestionează infrastructura web și aplicațiile cloud

📊 Daloopa

Analizează date financiare și KPI-uri cu hyperlink-uri

🏗️ Atlassian

Integrări cu Jira și Confluence pentru development workflows

Cum funcționează MCP în practică

Exemplu real: Gestionarea unui proiect

🔄 Workflow cross-platform:
  1. Gmail: Agentul citește emailul cu cerințele proiectului
  2. Google Drive: Creează documentul de specificații în drive
  3. Asana: Configurează proiectul și task-urile în Asana
  4. Google Calendar: Programează meeting-urile de kick-off
  5. Gmail: Trimite invitațiile echipei cu toate detaliile

Totul într-o singură conversație cu agentul, fără să schimbi aplicația!

Viitorul MCP

Ecosistem în expansiune

MCP este un standard deschis, ceea ce înseamnă că oricine poate dezvolta conectori noi:

  • Companii: Pot să-și expună serviciile pentru agenții AI
  • Dezvoltatori: Contribuie cu conectori pentru instrumentele preferate
  • Utilizatori: Beneficiază de integrări tot mai numeroase și robuste
  • Agenți: Devin din ce în ce mai capabili fără rescrierea codului de bază

Impactul pe termen lung

MCP va transforma modul în care interacționăm cu tehnologia:

🚀 Revoluția interfețelor

În loc să navighezi prin 10 aplicații diferite pentru a îndeplini o sarcină, vei putea să comunici cu un agent care coordonează toate acțiunile pentru tine. MCP face această viziune posibilă prin standardizarea conexiunilor între AI și serviciile pe care le folosim zilnic.

💬 Întrebări despre MCP și integrările pentru agenți?

AI-ul ca partener de brainstorming: De la idei vagi la concepte concrete

Una dintre cele mai puternice aplicații ale LLM-urilor nu e să înlocuiască creativitatea umană, ci să o amplifice exponențial. AI-ul devine partenerul ideal de brainstorming - disponibil 24/7, cu perspective infinite și fără judecăți.

De ce LLM-urile sunt parteneri excepționali de brainstorming?

🧠 Avantajele cognitive ale AI-ului

  • Perspective multiple simultane: Poate explora o idee din 10 unghiuri diferite în aceeași conversație
  • Memorie vastă: Conectează concepte din domenii complet diferite instantaneu
  • Neutralitate emoțională: Nu judecă ideile "proaste" - le explorează constructiv
  • Disponibilitate constantă: Inspirația nu respectă orarul de birou
  • Iterație rapidă: Poate genera sute de variante într-o singură sesiune

Strategia 1: Explorarea divergentă

Începi cu o idee vagă și lași AI-ul să o explodeze în toate direcțiile posibile:

🌟 Exemplu practic:

Tu: "Vreau să creez ceva legat de sustenabilitate și tehnologie"

AI: Generează 20 de direcții:

  • App pentru tracking carbon footprint personal
  • Platformă de sharing pentru echipamente electronice
  • AI pentru optimizarea rutelor de transport
  • Sistem de gamificare pentru behaviorul eco-friendly
  • Marketplace pentru energia solară între vecini
  • ... și încă 15 idei complet diferite

Cheia e să nu judeci încă nimic. Lasă AI-ul să genereze volum mare de idei, apoi vei filtra.

Strategia 2: Tehnica "Dar dacă...?"

AI-ul excelează la explorarea alternativelor extreme pe care mintea umană le evită:

🤔 Dialog exploratoriu:

Tu: "Vreau să fac un curs online despre programare"

AI: "Dar dacă ar fi complet fără text? Doar video și practică?"

Tu: "Interesant... dar cum?"

AI: "Dar dacă învețeți prin construirea unui joc complet, pas cu pas?"

Tu: "Și dacă participanții ar construi același joc, dar personalizat?"

AI: "Exact! Dar dacă ar putea să-și conecteze jocurile într-un multiverse..."

Fiecare "dar dacă" deschide o nouă dimensiune de explorare.

Strategia 3: Cross-pollination de domenii

AI-ul poate combina concepte din domenii complet diferite pentru a genera inovații neașteptate:

🔀 Formula magică

"Combină conceptul X din domeniul Y cu problema Z din domeniul W"

✨ Exemple de combinații creative:
  • Netflix + Educație: "Recomandări personalizate pentru lecturi academice"
  • Uber + Sănătate mentală: "Terapeuți disponibili on-demand în crize"
  • TikTok + Fitness: "Micro-workout-uri de 15 secunde cu story gamificat"
  • Dating apps + Professional networking: "Matches pentru colaborări profesionale pe bază de compatibilitate"

Tehnici avansate de brainstorming cu AI

1. Role-playing creativ

Ceri AI-ului să adopte perspective diferite pentru a explora ideea:

🎭 Scenariul multiperspectivă:

Prompt-ul tău: "Analizeaza ideea mea de aplicație pentru plante din perspectiva unui designer UX, a unui biolog, a unui antreprenor și a unui utilizator începător. Ce ar spune fiecare?"

Rezultat: Primești 4 analize complet diferite ale aceleiași idei, fiecare cu insights unice și sugestii de îmbunătățire specifice rolului.

2. Scenarii contradictorii

AI-ul poate explora extreme opuse pentru a descoperi middle ground-ul perfect:

⚡ Explorarea extremelor:

Tu: "Cum ar arăta aplicația mea dacă ar fi extrem de simplă? Și dacă ar fi extrem de complexă?"

AI:

  • Extrem de simplă: Un singur buton. O singură funcție. Zero meniuri.
  • Extrem de complexă: 50 de features, AI integrat, blockchain, AR, social media, marketplace...
  • Sweet spot-ul: 3 funcții core cu UX foarte polished și un feature diferențiator.

3. Analiza barierelor și soluțiilor

AI-ul poate anticipa problemele și genera soluții creative pentru fiecare:

🚧 Dialog de problemă-soluție:

Tu: "Care sunt toate barierele posibile pentru ideea mea și cum le pot depăși creativ?"

AI generează:

  • Bariera: "Oamenii nu au timp să învețe aplicația"
  • Soluția creativă: "Onboarding prin joc - învață folosind-o, nu citind despre ea"
  • Bariera: "Competiția e foarte mare"
  • Soluția creativă: "Colaborează cu competitorii - creează un standard industrial"

Prompt-uri puternice pentru brainstorming

🎯 Template-uri de prompt-uri eficiente

Pentru explorarea inițială:

"Generează 10 variante complet diferite ale ideii: [ideea ta]. Fiecare variantă să abordeze o piață diferită, un model de business diferit și o experiență de utilizator diferită."

Pentru aprofundare:

"Ia ideea [X] și explorează-o prin prisma a 5 tendințe actuale: AI, sustenabilitate, remote work, personalizare extremă și community-driven business. Cum s-ar transforma în fiecare caz?"

Pentru validare creativă:

"Joacă rolul de 'avocat al diavolului' pentru ideea mea, apoi rolul de 'biggest fan'. Care sunt argumentele extreme din ambele părți?"

Când să oprești brainstorming-ul și să treci la acțiune

⚠️ Paraliza opțiunilor

AI-ul poate genera idei la infinit, dar perfecționarea infinită ucide execuția. Setează limite clare: maximum 3 sesiuni de brainstorming înainte de a trece la prototiparea primei idei.

Regula 3-2-1 pentru decizie:

  • 3 direcții principale după prima sesiune de brainstorming
  • 2 idei finale după aprofundarea direcțiilor
  • 1 idee pentru prototipare după validarea conceptelor
💬 Vrei să explorăm împreună o idee de proiect?

Sistemele Multi-Agent: Viitorul colaborării AI

Peste conectoarele individuale, vedem emergența unor sisteme multi-agent complexe unde agenții AI colaborează în roluri specializate pentru a rezolva probleme sofisticate.

De la agent singular la ecosistem colaborativ

Modelul tradițional "un agent, o sarcină" evoluează rapid către orchestrarea inteligentă de agenți specializați, fiecare cu propriile competențe și responsabilități.

Workflow-ul colaborativ: Planner → Writer → Critique

Primul model emergent este ciclul creativ în trei faze:

🎯 Planner (Strategistul)

  • Responsabilitate: Analizează cerința și creează structura de bază
  • Output: Plan detaliat, obiective clare, resurse necesare
  • Specializare: Gândire strategică, descompunerea problemelor complexe

✍️ Writer (Executantul)

  • Responsabilitate: Implementează planul în conținut concret
  • Output: Text, cod, documente, prezentări finalizate
  • Specializare: Producție de conținut, implementare tehnică

🔍 Critique (Evaluatorul)

  • Responsabilitate: Evaluează calitatea și identifică îmbunătățiri
  • Output: Feedback detaliat, sugestii de optimizare
  • Specializare: Analiză critică, quality assurance

Ciclul se repetă până când Critique confirmă că output-ul îndeplinește standardele cerute.

Ecosistemul complex: 7 agenți specializați

Pentru proiecte mari, vedem emergenția ecosistemelor multi-agent cu roluri ultra-specializate:

🏗️ Architect A

Design principal: Crează arhitectura de sistem și structura de ansamblu

💼 Business Analyst

Cerințe business: Traduce nevoile utilizatorilor în specificații tehnice

👨‍💻 Developer

Implementare: Scrie cod, configurează servicii, implementează funcționalități

🎼 Orchestrator

Coordonare: Gestionează fluxurile între agenți și sincronizează eforturile

🏗️ Architect B

Review arhitectural: Validează designul și propune optimizări

🧪 Tester

Quality assurance: Testează funcționalitatea și identifică bug-uri

📝 Reviewer

Evaluare finală: Face review-ul codului și documentației

Principiile sistemelor multi-agent

1. Atomicitatea sarcinilor

Fiecare agent primește exact o responsabilitate clară, care poate fi îndeplinită și testată independent. Nu mai există sarcini ambigue sau prea complexe.

✅ Sarcină atomică:

"Creează o rută API pentru autentificarea utilizatorilor cu validarea email-ului"

❌ Sarcină prea largă:

"Implementează sistemul de utilizatori cu autentificare și management"

2. Ciclurile de feedback iterativ

Sistemul funcționează în bucle continue de îmbunătățire:

  • Architect A creează designul inițial
  • Architect B face review și propune modificări
  • Ciclul continuă până la aprobare explicită
  • După fiecare iterație, se re-evaluează roadmap-ul complet

3. Investigarea proactivă ("Spiking")

Când un agent întâlnește neclarități, nu ghicește - creează un "spike" (investigație separată) pentru a clarifica aspectele necunoscute înainte de implementare.

🔬 Exemplu de Spike

Situația: Developer-ul nu știe sigur ce framework JavaScript să folosească

Acțiunea: Creează task separat "Spike: Evaluarea React vs Vue pentru componenta de dashboard"

Rezultatul: Investigație dedicată cu recomandări concrete înainte de implementare

Avantajele sistemelor multi-agent

  • 🎯 Specializare profundă: Fiecare agent devine expert în domeniul său specific
  • 🔄 Quality assurance automată: Review-urile sunt integrate în proces, nu adăugate la final
  • 📈 Scalabilitate organică: Poți adăuga noi agenți specializați fără să restructurezi sistemul
  • 🛡️ Redundanță inteligentă: Dacă un agent eșuează, alții pot prelua partial responsabilitatea
  • 📊 Trasabilitate completă: Fiecare decizie și modificare este documentată și atribuită

Provocări și limitări

⚠️ Complexitatea orchestrării

Cu cât ai mai mulți agenți, cu atât devine mai dificil să coordonezi fluxurile de lucru și să gestionezi dependențele dintre sarcini. Orchestrator-ul devine critic pentru succes.

Momentul potrivit pentru multi-agent

Nu toate sarcinile au nevoie de sisteme complexe. Regula de aur:

  • 1 agent: Sarcini simple, bine definite (< 2 ore de lucru uman)
  • 2-3 agenți: Proiecte medii cu review necesar (2-8 ore de lucru uman)
  • 7+ agenți: Proiecte complexe, critice pentru business (> 1 săptămână de lucru uman)
💬 Vrei să explorezi sisteme multi-agent pentru proiectul tău?

TL;DR

  • • Agenții AI sunt LLM-uri cu "mâini și picioare" - pot interacționa cu lumea reală prin unelte specializate.
  • • Un agent nu se limitează la generarea de text - poate executa acțiuni concrete prin integrări.
  • • Workflow-ul unui agent: analizează → identifică uneltele → planifică → execută → raportează.
  • • MCP (Model Context Protocol) este "USB-ul pentru AI" - standardizează conexiunile la servicii externe.
  • • AI-ul ca partener de brainstorming: amplifica creativitatea prin perspective multiple, cross-pollination de idei și explorarea extremelor.
  • • Strategii eficiente: explorarea divergentă, tehnica "dar dacă...?", role-playing creativ și analiza barierelor.
  • • Sistemele multi-agent coordonează agenți specializați: Planner → Writer → Critique pentru projete complexe.
  • • Ecosistemele avansate folosesc 7+ agenți specializați (Architect, Developer, Tester, Reviewer, etc.)
  • • Principiile cheie: atomicitatea sarcinilor, feedback iterativ, investigarea proactivă ("spiking").
  • • Claude Code demonstrează perfect puterea agenților - citește, modifică, execută, commitează.

🎓 Felicitări! Ai terminat cursul!

Ai parcurs toate cele 3 zile ale cursului intensiv de Inteligență Artificială - Atlantykron 2025. Sper că informațiile îți vor fi utile în proiectele tale!

Reîncepe de la Ziua 1 ↻

Vrei să discutăm despre AI?

Dacă ai întrebări sau vrei să explorezi cum poate AI-ul să te ajute în proiectele tale, să vorbim.

Dă-mi un semn
💬 Dacă nu e clar, click aici

Ce ESTE AI

✅ LLM este doar o colecție imensă de numere

Un LLM este o colecție imensă de numere (sute de miliarde de numere, după unele surse - mii de miliarde - adică trilioane - după alte surse), numere care sunt puse într-o anumită structură.

LLM este doar o colecție imensă de numere

Ce se întâmplă când îi ceri ceva

Să luăm un exemplu: utilizatorul îi cere LLM-ului „scrie un email prin care să-l anunț pe șeful că pisica mea are un bebe mic, drept care nu pot veni astăzi la serviciu".

1. Tokenizarea

Cererea este împărțită în tokeni (cuvinte sau părți de cuvinte):

  • "Scrie" → 1423
  • "un" → 56
  • "email" → 9876
  • "prin" → 243
  • "care" → 349
Tokenizarea - transformarea cuvintelor în numere

2. Procesarea prin rețea

Șirul de numere trece prin rețea (operații matematice: înmulțiri, adunări) cu sutele de miliarde de numere care definesc modelul LLM.

Procesarea prin rețea - operații matematice complexe

3. Generarea cuvânt cu cuvânt

După toate calculele, la ieșire apare primul cuvânt: "Stimate". Apoi acest cuvânt se adaugă la cererea inițială și procesul se repetă pentru următorul cuvânt: "domnule".

Generarea cuvânt cu cuvânt - crearea răspunsului

Înțelegi acum de ce LLM-ul îți răspunde incremental, ca și cum un om ar sta să îți scrie un răspuns? Pentru că el asta face. Generează fiecare cuvânt care formează răspunsul, unul după altul. Tehnic nu ar fi posibil să îți dea tot răspunsul din primul moment, pentru că nu îl are.

Și totuși, cum se poate?

Cum se poate ca dintr-o mulțime de operațiuni matematice simple, aplicate una după alta, să iasă limbaj natural, care are sens și mai sună și bine? Ei bine, să explorăm...

💬 Dacă nu e clar, click aici

Cum funcționează

Este o întrebare dificilă. Să începem cu un exemplu mai simplu ca să înțelegem conceptele de bază.

Un exemplu mai simplu, clasificare de fructe

Să spunem că avem un sistem bazat pe AI capabil să clasifice fructe. Când îi arăți o imagine cu un măr, scoate la ieșire un semnal care indică faptul că se uită la un măr, iar când îi arăți o pară, indică faptul că se uită la o pară.

Diagrama cu mărul și păra - input și output

1. Rețeaua neurală inițială

O rețea neurală este o colecție de numere așezată într-o anumită structură. Vom începe cu un set de numere alese aleator (un set de câteva sute de mii de numere). Este evident că dacă în această fază vom aplica o imagine cu un fruct pe intrare, răspunsul va fi aleator.

Rețeaua neurală inițială - colecție de numere aleatoare

2. Procesul de antrenare

În procesul de antrenare, rețelei i se prezintă multe imagini cu fructe (clasificate în prealabil de către un om) și i se spune în clar ce este fiecare fruct. Acest proces îi permite rețelei să își modifice numerele pe care inițial le-am ales aleator.

Procesul de antrenare - organizarea numerelor prin învățare

3. Spațiul latent

În continuare, vom numi acest set de numere care definește rețeaua spațiul latent al rețelei. În urma procesului de antrenare, rețeaua a reușit să facă o mapare între spațiul real al fructelor și spațiul latent al rețelei (care este un spațiu pur numeric).

Diagrama cu spațiul latent - fructe reale → numere → clasificare

Features (caracteristici)

În cadrul procesului de antrenare, rețeaua capturează caracteristici ale fructelor în spațiul latent. Aceste caracteristici se mai numesc și features. Un exemplu concret de features:

  • Forma - rotund vs. alungit
  • Culoarea - roșu, verde, galben
  • Dimensiunea - mic, mediu, mare

Forma, culoarea, și dimensiunea sunt exemple alese la întâmplare. Nu este obligatoriu ca rețeaua să se uite la acest set de caracteristici. În general, este destul de dificil să spunem ce caracteristici își alege rețeaua să urmărească.

Caracteristicile fructelor - forma, culoarea, dimensiunea

Legătura cu LLM-urile

Revenind la LLM-uri, acestea nu sunt nimic altceva decât rețele neurale. Da, numerele care le definesc sunt organizate în structuri mai complexe, dar nu sunt cu nimic diferite conceptual față de sistemul cu AI prezentat mai sus.

Procesul de antrenare pentru LLM-uri se face exact în același mod. Un mod de a antrena un model de limbaj (LLM înseamnă Large Language Model) este să extragi tot textul din Wikipedia, să îl împarți pe bucăți mici, și apoi să îi prezinți rețelei (LLM-ului) câte o bucată de text din care elimini un cuvânt, cuvânt pe care îi ceri rețelei să îl prezică.

Concluzia

Putem spune că LLM-ul extrage într-un spațiu latent numeric (care nu este nimic altceva decât un set de numere) modul cum oamenii pun cuvinte în propoziții și fraze ca să comunice între ei. Capturează caracteristicile esențiale ale comunicării umane într-un spațiu latent numeric.

Dacă acceptăm că noi, oamenii, capturăm cunoștințe în limbaj, vom accepta că LLM-ul a capturat cunoștințele speciei umane în cele câteva sute de miliarde de numere (în spațiul latent numeric al rețelei).

Spațiul latent al LLM-ului - cunoștințele umane capturate în numere
💬 Dacă ceva nu e clar, click aici

Spațiul latent - Continentul personalităților

Legat de spațiul latent al rețelei, îți propun să îl vezi mental ca un continent sălbatic, brăzdat de drumuri și locuit de tot felul de populații și animale.

Harta unui continent cu diverse zone și drumuri

Diversitatea spațiului latent

Gândește-te că, în cadrul procesului de antrenare, cel mai probabil rețeaua a văzut tot felul de lucruri:

  • Cele mai dure înjurături scoase de prin colțuri dubioase de internet
  • Discuții între programatori
  • Poezii naive
  • Discuții în jargon
  • Opere literare
  • Lucrări științifice

Putem considera că a văzut discuții între toate profesiile practicate de oameni și a văzut discuții la toate nivelurile de educație. Este ca și cum modelul de limbaj ar avea zeci de milioane de personalități, toate găzduite simultan în spațiul latent al modelului.

Întrebarea cheie

Când îl întrebi ceva pe LLM, cu care personalitate vrei să-ți răspundă?

Ce este prompt-ul?

Un prompt este un set de instrucțiuni pentru rețea care face ca drumul prin rețea să fie în zona în care vrei tu să fie.

Definiția oficială: Un "prompt" reprezintă o instrucțiune sau o întrebare formulată pentru a iniția o reacție sau un răspuns din partea unui sistem automatizat, oferindu-i informațiile și contextul necesare pentru a procesa și răspunde adecvat la cerere.

Definiția neoficială: Un prompt este orice cerere ta către sistemul cu AI. "Dă-mi o listă cu zece cărți bune" este un prompt. Un prompt ineficient, pentru că nu este deloc specific și nu oferă context, dar totuși un prompt.

La nivel de intuiție poți spune că promptul ghidează rețeaua în selecția unei personalități potrivite pentru întrebarea ta.

Promptul ghidează rețeaua în selecția unei personalități

Evoluția AI-ului

Pe măsură ce trece timpul și modelele AI devin mai bune va dispărea probabil complet necesitatea unor prompt-uri elaborate. AI-ul va deveni din ce în ce mai capabil să înțeleagă ce vrei de la el atunci când discuți cu el ca și cu un interlocutor uman.

💬 Dacă ceva nu e clar, click aici

Cum să scrii prompt-uri eficiente

Lucrurile sunt perfect similare cu situația când discuți cu un partener uman.

Caracteristicile unui prompt bun

1. Claritate și context

❌ Prost:

"Dă-mi o carte bună"

✅ Bun:

"Sunt interesat de recomandări de cărți de literatură științifico-fantastică pentru adolescenți, în special cele care abordează teme de explorare cosmică și sunt potrivite pentru cititori cu vârste între 13 și 16 ani."

Formulează întrebările cât mai clar și specific posibil. Evită ambiguitățile și specifică exact ce informații sau tip de răspuns cauți. Adaugă context în prompt-uri.

2. Concizie

❌ Prost:

"Aș vrea să știu despre Revoluția Industrială, ce a însemnat aceasta, cum a schimbat lucrurile și în ce fel a afectat societatea, economia și tehnologia."

✅ Bun:

"Ce este Revoluția Industrială și ce impact a avut asupra societății, economiei și tehnologiei?"

Fii cât mai scurt posibil, păstrând detaliile esențiale. Evită informațiile inutile sau redundante.

3. Relevanță

❌ Prost:

"Care e treaba cu dronele?"

✅ Bun:

"Care sunt reglementările privind utilizarea dronelor în scopuri comerciale în Uniunea Europeană?"

Asigură-te că toate informațiile incluse în prompt sunt strâns legate de subiectul întrebării.

4. Exemple concrete

Oferă exemple pentru a ilustra formatul sau stilul de răspuns dorit:

✅ Exemplu cu șablon:

"Scrie un email de mulțumire în stilul de mai jos:

Stimată doamnă Popescu,
Vă mulțumesc pentru întâlnirea de ieri. Apreciez timpul acordat și informațiile valoroase pe care le-ați împărtășit.
Cu stimă, Ion Ionescu"

5. Instrucțiuni explicite

Include instrucțiuni clare și detaliate:

✅ Exemplu detaliat:

"Scrie un raport de 200 de cuvinte despre impactul schimbărilor climatice. Raportul trebuie să fie structurat în trei paragrafe: unul despre cauze, unul despre efecte și unul despre soluții propuse. Folosește un ton formal și include date recente."

6. Conversație iterativă

Nu te aștepta să primești un răspuns perfect din prima. Interacțiunea întotdeauna va fi iterativă: întrebi ceva, primești un răspuns, apoi pui întrebări suplimentare, primești un alt răspuns, și tot așa.

Exemplu de progresie:

  1. "Care sunt principalele cauze ale schimbărilor climatice?"
  2. "Cum contribuie emisiile de CO2 la încălzirea globală?"
  3. "Ce măsuri pot fi luate pentru a reduce emisiile de CO2?"

Din nou, exact la fel ar decurge discuția și cu un expert uman.

💬 Dacă ceva nu e clar, click aici

Tehnici avansate de prompting

În ultimii doi ani au apărut o multitudine de cercetări despre cum să formulezi o cerere către un sistem AI astfel încât să obții cele mai bune rezultate.

Zero-shot Prompting

Cereri directe, fără exemple suplimentare:

Exemplu: "Scrie un email de mulțumire către Popescu pentru că a participat la ședința de ieri"

Cea mai puțin eficientă - oferi puțin, primești puțin. Are sens.

Few-shots Prompting

Oferi 2-4 exemple (nu mai multe, că încurcă!):

Exemplu: "Scrie un email de mulțumire către Popescu pentru că a participat la ședința de ieri. Folosește modul de exprimare din email-urile atașate în continuare:

[exemplu email 1]
[exemplu email 2]
[exemplu email 3]"

Cercetările arată: 2-4 exemple = numărul optim

Self-Consistency

Cum să fii sigur că răspunsul e corect - exact ca cu un coleg uman:

Strategii de verificare:
  • "Ești sigur?" - Nu recomand, se contrazice degeaba
  • Întreabă de mai multe ori - În ferestre separate de browser. Dacă răspunde la fel de 3-4 ori → probabil corect
  • "Explică-mi cum ai gândit" - Dublu beneficiu: AI-ul își poate prinde singur greșeala, tu vezi dacă logica e corectă
  • "Caută pe Google" - Pentru informații actuale
  • Întreabă mai multe AI-uri - LLM-uri diferite (Claude, Gemini, etc.). Răspuns similar = probabil corect

Chain of Thought

Cere AI-ului să gândească pas cu pas:

Exemplu: "Gândește pas cu pas și prezintă integral raționamentul folosit"

Realitate: LLM-urile moderne deja fac asta automat pentru majoritatea problemelor

Generated Knowledge Prompting

Două variante:

  • Varianta 1: "Citește această pagină de pe net" + întrebare
  • Varianta 2: "Generează informații utile despre subiect" → apoi întreabă

Util pentru librării software rare sau informații specifice

Prompt Chaining

Sparge problema în sub-probleme:

Exemplu: Crearea unei povești pentru copii
  1. Pas 1: Descrie personajul → Tobi iepurașul
  2. Pas 2: Creează conflictul → Grădina se usucă
  3. Pas 3: Găsește soluția → Piatra magică furată
  4. Pas 4: Scrie finalul → Aventura de recuperare

Concluzia pragmatică

Nu te gândi mereu "ce tehnică de prompting să aplic acum". Experimentează, joacă-te, și în timp vei vedea că obții rezultate din ce în ce mai bune. În multe situații este suficient să discuți cu AI-ul așa cum ai discuta cu un partener uman, în limbaj natural.

💬 Dacă nu e clar, click aici

🤖 Agenți AI specializați și uneltele MCP

Un agent AI este ca un mini-asistent care înțelege o anumită problemă și are acces la unelte concrete ca să găsească răspunsul. Fiecare agent e construit în jurul unei idei clare: „Vreau să răspund la întrebările despre X." Acel „X" poate fi orice – clienți, rețea, tichete, performanță, trafic, active, vulnerabilități.

Diferența esențială

Dacă LLM-ul e un generalist, agentul e un profesionist specializat. Știe ce vrea, ce unelte are și cum să le combine. Iar asta schimbă complet jocul.

Cum arată un agent în acțiune?

Să luăm exemplul unui agent care se ocupă de un ASN:

Procesul agentului

  • primește întrebarea: „Ce știm despre ASN 64512?"
  • se uită ce unelte are la dispoziție: trafic recent, statusul porturilor, rutele BGP, tichetele deschise etc.
  • alege automat ce să folosească:
    • → get_recent_traffic(asn)
    • → get_route_filters(asn)
    • → get_open_tickets(asn)
  • combină totul într-un singur răspuns, cu un fir logic și ușor de înțeles
Fluxul de lucru al unui agent AI - de la întrebare la răspuns

Ce este MCP?

Toate aceste unelte sunt oferite prin MCP – un protocol care le expune într-un mod standard, ca niște prize digitale. Agentul nu trebuie să știe cum e scris fiecare API – doar cere ce are nevoie, iar MCP se ocupă de restul.

Protocolul MCP - conexiunea standard între agenți și unelte

De ce e cool MCP

Poți combina MCP-uri de la diverși furnizori, cum ai nevoie. Agentul tău de marketing folosește tools de la Google, cel financiar accesează Stripe și QuickBooks, cel de dezvoltare lucrează cu GitHub și AWS - toate prin același protocol.

Nu mai ești legat de un singur ecosistem. Îți faci propriul mix de unelte.

Ecosistemul de agenți

În loc să întrebi un LLM generic „Ce se întâmplă cu rețeaua noastră?", întrebi un agent de rețea. Iar dacă are nevoie de date despre un client, va vorbi cu un agent de CRM. Fiecare cu jobul lui, fiecare cu uneltele lui, dar împreună formează un ecosistem inteligent.

Peering Database Agent

Simulează date despre membri, porturi, VLAN-uri și atribuiri IP. Unelte: get_peer_info(asn), get_ports(asn), get_vlans(port_id)

BGP Routing Agent

Simulează sesiuni BGP, prefixe primite și filtre de rute. Unelte: get_bgp_sessions(asn), get_prefixes(asn), get_route_filters(asn)

Traffic Monitoring Agent

Simulează trafic pe ASN, pe port și tendințe. Unelte: get_recent_traffic(asn), get_traffic_trends(port_id), get_top_talkers(vlan_id)

DNS Root Server Agent

Simulează metrici pentru nodurile serverelor DNS root (latență, accesibilitate). Unelte: get_dns_instance_metrics(name, location), get_asn_reachability(target)

RPKI Validation Agent

Simulează validitatea prefixelor și statusul RPKI per ASN. Unelte: get_rpki_status(asn), get_invalid_prefixes(asn)

Ticketing System Agent

Simulează tichete de suport, incidente și istoric de rezolvări. Unelte: get_open_tickets(asn), get_ticket_history(asn), get_ticket_by_id(id)

💬 Dacă ceva nu e clar, click aici

Aplicații practice

Cum "analizează" AI-ul datele tale?

Realitatea

Când îți pare că LLM-ul analizează un Excel, el de fapt scrie cod Python care face munca.

AI-ul NU analizează datele direct → AI-ul SCRIE COD care analizează datele

Procesul real:

  1. Tu: Upload CSV/Excel + cerere ("Analizează vânzările pe trimestre")
  2. LLM: Scrie cod Python/R care citește fișierul, face calculele, generează grafice
  3. Sistemul: Rulează codul și îți arată rezultatele

Vizualizare

Tu: "Fă grafic: vânzări pentru primele 10 produse"

AI scrie: cod matplotlib sau seaborn

Vizualizare date - grafice și diagrame

Export și procesare

Tu: "Extrage primele 20 de produse ca Excel și PDF"

AI scrie: pandas.to_excel() + matplotlib.pyplot.savefig()

Export date - Excel și PDF

Analiză comparativă

Tu: "Care produse au crescut cel mai mult vs anul trecut?"

AI scrie: pandas.merge() + calcule de creștere

Analiză comparativă - creștere produse

Segmentare clienți

Tu: "Cât din vânzări: cumpărători noi vs recurenți?"

AI scrie: groupby() + logică de categorisire

Segmentare clienți - noi vs recurenți

Mapare geografică

Tu: "Arată hartă vânzărilor pe locații"

AI scrie: folium sau plotly pentru hărți

Concluzia

AI-ul nu "vede" datele ca un analist. El e un programator expert care scrie rapid codul de care ai nevoie.

💬 Dacă nu e clar, click aici

Practică cu Agenții

Pentru a înțelege cu adevărat puterea agenților AI, am construit un sistem complex de simulare pentru un ISP/IXP Network Operations Center (NOC).

Ce am construit

Un sistem de simulare operațională ISP care imită prin AI un Network Operations Center real. Nu e doar o demonstrație - e conceput să se simtă ca accesul la un sistem real de management ISP.

Arhitectura centrală

  • Date statice: Seturi de date operaționale realiste (sesiuni BGP, trafic, status RPKI, tichete)
  • Analiza AI: Analiză inteligentă care procesează datele statice pentru insights
  • Interfața MCP: API profesional care se integrează cu asistenții AI
  • Notificări email: Audit trail pentru toate interacțiunile sistemului
  • Autentificare: Control de acces care imită securitatea NOC enterprise

Date realiste

Baza de membri

5 membri ISP ficționali dar realiști (ASN 64512-64516) cu profile complete

Sesiuni BGP

Date din tabelele de rutare, statusuri de sesiuni, anunțuri de prefixe

Monitoring trafic

Utilizare bandwidth, date pentru planificare capacitate, metrici performanță

Sistem support

Baze de date tichete, tracking incidente, istorice probleme membri

Demonstrație tehnică MCP

Demonstrează capabilitățile avansate ale serverelor MCP cu fluxuri de date complexe și arhitectură hibridă (date statice + analiză AI).

Încearcă sistemul

Poți experimenta cu acest sistem agentic în două moduri. Click pe unul din cele două butoane de mai jos:

Claude.ai (recomandat)

Folosește claude.ai în browser cu integrarea MCP pentru o experiență completă cu agenții AI.

Pași pentru configurare:
  1. Cont Pro necesar: Ai nevoie de un cont Claude Pro (aprox 20 USD/lună) la claude.ai
  2. Mergi la setări: Accesează claude.ai/settings/integrations
  3. Adaugă integrare: Click pe butonul "Add Integration"
  4. Configurare URL:
    • Integration URL: https://isp-mcp-demo.scraplab.dev/?code=298f64bbcb292eba921c899fdc96b9a6
    • Name: poate fi orice (ex: "ISP NOC Agent")

Avantaje: Funcționalitate completă, interfață optimizată, acces la toate uneltele MCP, funcționează direct în browser

Demo Browser (Acces Direct)

Accesează direct în browser pentru o experiență rapidă de testare a agenților AI.

Această interfață demo este oferită gratuit de Raivon.ro exclusiv pentru testare și demonstrație. Sistemul folosește date fictive generate artificial - NU sunt date reale de la ISP-uri existente.

ATENȚIE: Nu introduceți date reale, personale sau confidențiale! Folosiți doar pentru explorarea capabilităților agenților AI.

Pași pentru configurare:
  1. Accesează demo-ul: https://isp-demo-mcp.raivon.ro/login
  2. Creează cont nou: Click pe butonul "SignUp" pentru a crea un utilizator nou
  3. Selectează demo-ul ISP: Click pe "isp-mcp-demo" și apoi marchează-l ca selectat

Avantaje: Acces rapid, complet gratuit, nu necesită cont plătit, perfect pentru testare și explorare

Cum să folosești sistemul

După ce ai configurat opțiunea de mai sus, urmează acești pași pentru a experimenta cu agenții AI:

2. Începe cu "help"

Scrie pur și simplu "help" în chat pentru a vedea toate comenzile și capabilitățile disponibile ale agenților ISP.

3. Experimentează în limbaj natural

Poți pune întrebări în limba română despre orice aspect al operațiunilor ISP. Iată câteva exemple:

  • "Ce informații ai despre ASN 64512?"
  • "Arată-mi traficul recent pentru membrul cu ASN 64513"
  • "Există tichete deschise pentru rețeaua 64514?"
  • "Care este statusul BGP pentru toți membrii?"
  • "Verifică statusul RPKI pentru prefixele anunțate"
💬 Dacă nu e clar, click aici

TL;DR

  • • AI nu este o bază de date magică, ci o colecție imensă de numere care învață să imite comunicarea umană.
  • • LLM-urile sunt ca un bucătar experimentat - nu urmează rețete fixe, ci improvizează pe baza experienței.
  • • Generează răspunsurile cuvânt cu cuvânt, prin calcule matematice simple repetate de miliarde de ori.
  • • Prompt-urile bune sunt clare, specifice și oferă context - exact ca atunci când vorbești cu un om.
  • • Agenții AI sunt LLM-uri cu "mâini și picioare" - pot folosi unelte și pot acționa în lumea reală prin MCP.
  • • AI-ul nu "analizează" datele - scrie cod Python care face munca de analiză.
  • • Nu este conștient și nu trebuie să ai încredere oarbă în el pentru decizii importante.

🎓 Felicitări! Ai terminat cursul!

Ai parcurs toate cele 3 zile ale cursului intensiv de Inteligență Artificială - Atlantykron 2025. Sper că informațiile îți vor fi utile în proiectele tale!

Reîncepe de la Ziua 1 ↻

Vrei să discutăm despre AI?

Dacă ai întrebări sau vrei să explorezi cum poate AI-ul să te ajute în proiectele tale, să vorbim.

Dă-mi un semn