Program & speakers
Tutorial: Leveraging Large Language Models for Private Data
Instructor: Dr. Krzysztof Nawrocki, National Centre for Nuclear Research (NCBJ)
Date: 26.09.2025
Format: On-site
Language: English
About the Tutorial:
This hands-on session introduces how Large Language Models (LLMs) can be applied to private datasets in secure environments. Participants will explore tools and techniques that enable the use of generative AI while ensuring sensitive data never leaves the local infrastructure.
The tutorial outlines the architecture and data requirements needed to build a private ChatGPT-like assistant, focusing on semantic understanding and data control.
Topics Include:
- Overview of LLMs and transformer models
- The attention mechanism and its role in language processing
- Methods of adapting LLMs to specific domains and datasets
- Fine-tuning LLMs on private data (hands-on)
- Retrieval Augmented Generation (RAG) – theory and practical exercises
- Advanced RAG enhancement techniques (hands-on)
About the Instructor:
Dr. Krzysztof Nawrocki is a particle physicist at the National Centre for Nuclear Research (NCBJ) with broad experience in big data, grid computing, astronomy, and machine learning. He specializes in text data analysis, particularly in medical applications, and is actively involved in the EuroCC project, supporting secure and scalable AI solutions using the Athena HPC cluster.
Keynote speakers
prof. dr hab. Zbigniew Józef Michalewicz
SPEECH TITLE: „AI-based Business Applications for Transforming Data into Decisions”
SPEECH DATE: TBA
BIOGRAPHY
Zbigniew Michalewicz received his M.Sc. from the Technical University of Warsaw (1974), Ph.D. from the Polish Academy of Sciences (1981), and D.Sc. in Computer Science (1997). He is Emeritus Professor at the University of Adelaide, Australia, and Chief Scientific Officer at Complexica, a provider of AI-powered solutions for optimizing business decisions.
He is internationally recognized for his work in evolutionary computation, having authored over 300 technical papers and several influential books, including Genetic Algorithms + Data Structures = Evolution Programs, Adaptive Business Intelligence, and How to Solve It: Modern Heuristics. His publications have received more than 50,000 citations.
Prof. Michalewicz has served as editor-in-chief of the Handbook of Evolutionary Computation and chaired the first IEEE Conference on Evolutionary Computation. He has received numerous honors, including the title of Professor from the President of Poland (2002), the Order of Polonia Restituta (2013), and the IEEE Evolutionary Computation Pioneer Award (2019). His applied research has led to major collaborations with organizations such as General Motors, Ford, the U.S. Department of Defense, and PKN Orlen.
prof. dr hab. inż. Ryszard Tadeusiewicz
SPEECH TITLE: „Areas and forms of artificial intelligence applications in medicine”
SPEECH DATE: TBA
BIOGRAPHY
Ryszard Tadeusiewicz Profesor Akademii Górniczo-Hutniczej im. Stanisława Staszica w Krakowie, w latach 1998-2005 trzykrotnie wybrany rektor tej
uczelni. Doktor Honoris Causa 15 uczelni. Członek rzeczywisty PAN i w latach 2010 – 2015 prezes Krakowskiego Oddziału PAN. Od 1998 roku także członek PAU, założyciel i pierwszy przewodniczący Komisji Nauk Technicznych PAU. Informatyk, automatyk i biocybernetyk, autor 1402 publikacji naukowych i 126 książek. Redaktor 67 monografii naukowych. Zaangażowany w kształcenie kadr naukowych, promotor 76 doktorów, recenzent 356 doktoratów, 181 habilitacji i 167 wniosków profesorskich. Popularyzator nauki – napisał 1427 felietonów popularnonaukowych. Od 10 lat dwa razy w tygodniu ma audycje popularnonaukowe w RMF Classic. Szczegółowsza biografia i wykaz dorobku na stronie: www.Tadeusiewicz.pl
Obecnie wszędzie i do wszystkiego próbuję się stosować sztuczną inteligencję, przeto nie dziwi fakt, że liczni badacze i praktycy usiłują ją wykorzystać także w zastosowaniach medycznych. Omawiając obszary i formy tych zastosowań warto wspomnieć, że zastosowania w medycynie były jednymi z pierwszych w okresie, gdy sztuczna inteligencja nie była tak szeroko znana i – nie bójmy się tego słowa – modna, jak to ma miejsce obecnie. Jeden z pierwszych systemów ekspertowych jaki powstał i był stosowany nazywał się Mycin. Powstał on na Uniwersytecie Stanforda w latach 70 XX wieku i służył do wspomagania diagnostyki i antybiotykoterapii zakażeń krwi.
W wykładzie inaugurującym obrady konferencji Intelligent Information Systems z podtytułem Artificial Intelligence Impact on Physical Sciences and Medicine nie będzie jednak mowa o historii sztucznej inteligencji w medycynie, tylko o obszarach i formach jej aktualnych zastosowań.
Pierwszym obszarem owych zastosowań jest niewątpliwie wspomaganie pracy urządzeń pozyskujących dane o pacjencie. Aparatura obecnie stosowana zbiera
informacje o morfologicznych i funkcjonalnych zmianach, jakie w organizmie pacjenta poczyniła choroba, ale wysoką jakość tych informacji zapewnia nie
tylko doskonałość systemów pozyskiwania informacji, ale także możliwość inteligentnej obróbki tych informacji zanim zostaną one przedstawione
lekarzowi. Rola sztucznej inteligencji w tym obszarze jest już bardzo wysoka i stale rośnie, bo inteligentnie zebrane i przedstawione symptomy są warunkiem
skutecznego działania lekarzy.
Drugim obszarem, w którym sztuczna inteligencja przyczynia się do sukcesów w medycynie, jest wspomaganie procesu diagnostycznego i planowania terapii.
Rola sztucznej inteligencji jest tu bardzo istotna, bo formalnie lekarza podejmujący stosowne decyzje musi brać pod uwagę całość wiedzy medycznej, nie
tylko tej, którą wyniósł ze studiów i ze swojej własnej praktyki lekarskiej, ale zgodnie z zasadą knowledge based medicine powinien uwzględniać najnowsze wyniki badań naukowych i raportów praktycznych publikowane w milionach artykułów naukowych na całym świecie. Pomoc metod i technik sztucznej inteligencji jest tu bardzo przydatna, chociaż trzeba pamiętać, że nawet najbardziej inteligentny komputer nie postawi diagnozy i nie zaleci terapii, gdyż te czynności są zarezerwowane dla człowieka (lekarza), który za nie ponosi pełną odpowiedzialność.
Trzecim obszarem zastosowań sztucznej inteligencji w medycynie jest sterowanie działaniem aparatury medycznej stosowanej (pod kontrolą lekarza) w
terapii i rehabilitacji. Od wyposażonych w mnóstwo aparatury elektronicznej stanowisk OIOM (intensywnej opieki medycznej), poprzez nowoczesne sale
operacyjne (anestezjologia, roboty chirurgiczne, badania patomorfologiczne in situ), do urządzeń rehabilitacyjnych – wszędzie tam pomoc sztucznej inteligencji jest wielce użyteczna.
Czwartym ważnym obszarem zastosowań sztucznej inteligencji w służbie zdrowia jest sfera zarządzania. Placówki służby zdrowia (szpitale, ale także przychodnie) to dziś miejsca pracy ogromnej liczby ludzi a także miejsca, gdzie wydatkowane są ogromne pieniądze, gromadzone są ważne informacje i podejmowane są ważne decyzje organizacyjne. To wszystko może być wspomagane przez systemy sztucznej inteligencji wypróbowane w licznych zastosowaniach gospodarczych.
ABSTRACT
Obecnie wszędzie i do wszystkiego próbuję się stosować sztuczną inteligencję, przeto nie dziwi fakt, że liczni badacze i praktycy usiłują ją wykorzystać także w zastosowaniach medycznych. Omawiając obszary i formy tych zastosowań warto wspomnieć, że zastosowania w medycynie były jednymi z pierwszych w okresie, gdy sztuczna inteligencja nie była tak szeroko znana i – nie bójmy się tego słowa – modna, jak to ma miejsce obecnie. Jeden z pierwszych systemów ekspertowych jaki powstał i był stosowany nazywał się Mycin. Powstał on na Uniwersytecie Stanforda w latach 70 XX wieku i służył do wspomagania diagnostyki i antybiotykoterapii zakażeń krwi.
W wykładzie inaugurującym obrady konferencji Intelligent Information Systems z podtytułem Artificial Intelligence Impact on Physical Sciences and Medicine nie będzie jednak mowa o historii sztucznej inteligencji w medycynie, tylko o obszarach i formach jej aktualnych zastosowań.
Pierwszym obszarem owych zastosowań jest niewątpliwie wspomaganie pracy urządzeń pozyskujących dane o pacjencie. Aparatura obecnie stosowana zbiera
informacje o morfologicznych i funkcjonalnych zmianach, jakie w organizmie pacjenta poczyniła choroba, ale wysoką jakość tych informacji zapewnia nie
tylko doskonałość systemów pozyskiwania informacji, ale także możliwość inteligentnej obróbki tych informacji zanim zostaną one przedstawione
lekarzowi. Rola sztucznej inteligencji w tym obszarze jest już bardzo wysoka i stale rośnie, bo inteligentnie zebrane i przedstawione symptomy są warunkiem
skutecznego działania lekarzy.
Drugim obszarem, w którym sztuczna inteligencja przyczynia się do sukcesów w medycynie, jest wspomaganie procesu diagnostycznego i planowania terapii.
Rola sztucznej inteligencji jest tu bardzo istotna, bo formalnie lekarza podejmujący stosowne decyzje musi brać pod uwagę całość wiedzy medycznej, nie
tylko tej, którą wyniósł ze studiów i ze swojej własnej praktyki lekarskiej, ale zgodnie z zasadą knowledge based medicine powinien uwzględniać najnowsze wyniki badań naukowych i raportów praktycznych publikowane w milionach artykułów naukowych na całym świecie. Pomoc metod i technik sztucznej inteligencji jest tu bardzo przydatna, chociaż trzeba pamiętać, że nawet najbardziej inteligentny komputer nie postawi diagnozy i nie zaleci terapii, gdyż te czynności są zarezerwowane dla człowieka (lekarza), który za nie ponosi pełną odpowiedzialność.
Trzecim obszarem zastosowań sztucznej inteligencji w medycynie jest sterowanie działaniem aparatury medycznej stosowanej (pod kontrolą lekarza) w
terapii i rehabilitacji. Od wyposażonych w mnóstwo aparatury elektronicznej stanowisk OIOM (intensywnej opieki medycznej), poprzez nowoczesne sale
operacyjne (anestezjologia, roboty chirurgiczne, badania patomorfologiczne in situ), do urządzeń rehabilitacyjnych – wszędzie tam pomoc sztucznej
inteligencji jest wielce użyteczna.
Czwartym ważnym obszarem zastosowań sztucznej inteligencji w służbie zdrowia jest sfera zarządzania. Placówki służby zdrowia (szpitale, ale także przychodnie) to dziś miejsca pracy ogromnej liczby ludzi a także miejsca, gdzie wydatkowane są ogromne pieniądze, gromadzone są ważne informacje i podejmowane są ważne decyzje organizacyjne. To wszystko może być wspomagane przez systemy sztucznej inteligencji wypróbowane w licznych zastosowaniach gospodarczych.
prof. dr hab. inż. Włodzisław Duch
SPEECH TITLE: „Physics-informed artificial intelligence”
SPEECH DATE: TBA
BIOGRAPHY
Profesor Włodzisław Duch oprócz kierowania Laboratorium Neurokognitywnego jest też kierownikiem zespołu Neuroinformatics and Artificial Intelligence w University Centre of Excellence Dynamics, Mathematical Analysis and Artificial Intelligence, oraz pracownikiem Katedry Informatyki Stosowanej na Uniwersytecie Mikołaja Kopernika w Toruniu. Pracował też na Wydziale Inżynierii Komputerowej (School of Computer Engineering), Uniwersytetu Technologiczego Nanyang (Nanyang Technological University) w Singapurze jako Nanyang Visiting Professor i visiting professor (2003-2012). Przez dwie kadencje piastował stanowisko prezesa Europejskiego Towarzystwa Sieci Neuronowych (European Neural Networks Society, 2006-2008-2011), w 2013 roku wybrany do College of Fellows of the International Neural Networks Society. Był wiceministrem odpowiedzialnym za naukę w Polsce (2014-15) i prorektorem ds. badań naukowych i informatyzacji na UMK (2012-14).
ABSTRACT
Understanding the neural basis of mental phenomena remains a great challenge. Attractor neural networks are our best models linking mental states with the physical properties of the brain. Information (from senses and memory) is embedded in high-dimensional patterns of neural activity and can be visualized by fMRI scans. Although biological and technological computational substrates are different at the functional level there are many similarities. Generative neural models based on diffusion processes resemble formation of brain patterns, illustrating associative aspects of thinking in large language models. Transitions between attractor states simulate chains of thought. Higher-level processes needed for reasoning strategies are inspired by cognitive science. Large neural models (LLMs) internalize information in rich contexts, learning from all kinds of data. Physics-informed systems can be first trained to respect constraints based on the laws of physics, before successful applications to predict complex real-world phenomena. Attractor network simulations show how temporo-spatial processing disorders can be related to properties of networks and individual neurons, and offer a neural interpretation of psychological phenomena. They may also explain strange observations of emergent personalities reported recently by a number of people.