Informatyka
AI w rękach sprzedawcy. Jak zwiększyć efektywność sprzedaży i zdominować rynek
Jeb Blount, Anthony Iannarino
Oto czas przełomu. Należysz do pierwszego pokolenia, które ma dostęp do sztucznej inteligencji. Równocześnie żyjesz w czasach gwałtownych zmian. To oznacza, że nie możesz zachłysnąć się AI i w pełni zautomatyzować procesu sprzedaży. W erze sztucznej inteligencji relacje międzyludzkie przynoszą jeszcze większą przewagę konkurencyjną. Jeśli jednak nie wdrożysz potrzebnych narzędzi AI, szybko zostaniesz w tyle. Poznaj perspektywę prawdziwych liderów sprzedaży zarządzających najlepszymi zespołami na świecie! Will Frattini, dyrektor, ZoomInfo Dzięki tej praktycznej książce dowiesz się, w czym konkretnie może Ci pomóc AI. Nauczysz się automatyzować nudne, powtarzalne zadania, przeprowadzać rozległe analizy i badania, budować pipeline sprzedażowy, tworzyć skuteczne komunikaty, które wyróżnią się na tle konkurencji, a także skracać cykl sprzedaży. Poznasz również sprytne techniki generowania promptów, które pomogą Ci uzyskiwać najlepsze możliwe wyniki. Szybko się przekonasz, że w tym nowym świecie innowacji AI możesz budować głębsze relacje międzyludzkie, a to z kolei niezawodnie przełoży się na imponującą efektywność sprzedaży. Wiedza zawarta w książce ułatwi Ci zdobycie przewagi przy użyciu tej przełomowej technologii! Przełomowa książka dla specjalistów w dziedzinie sprzedaży, którzy chcą wyprzedzić konkurencję w dynamicznym świecie! Bernie Weiss, prezes oddziału iHeartMedia
AI w tłumaczeniach. Automatyzacja procesu przekładu w dobie sztucznej inteligencji
Łukasz Bogucki
Tłumaczenia technologicznie doładowane Branża tłumaczeniowa przeżywa w ostatnich kilku latach prawdziwą rewolucję. Jest ona związana z rozwojem technologii tłumaczeń wspomaganych komputerowo (CAT) i sztucznej inteligencji (AI). I choć wielu tłumaczy zerka z obawą szczególnie w stronę tej drugiej, obawiając się, że AI odbierze im pracę, znacznie lepiej (i efektywniej) jest potraktować oba narzędzia właśnie jako narzędzia - ułatwiające i usprawniające proces tłumaczenia tekstu. Jeśli chcesz się dowiedzieć, jak te dwie technologie mogą wspomóc lub zmienić Twoją pracę, sięgnij po tę książkę. Dowiesz się, na czym faktycznie polega rola tłumacza w pracy nad przekładem Poznasz historyczne początki tłumaczeń wspomaganych technologiami cyfrowymi Zrozumiesz zasadę działania narzędzi mogących przyspieszyć i usprawnić Twoją pracę Zastanowisz się nad tym, jaka przyszłość czeka branżę, którą właśnie opanowuje generatywna sztuczna inteligencja
AI-Assisted Coding. Enhancing Programming with AI Tools and Techniques
Rheinwerk Publishing, Inc, Michael Kofler, Bernd Öggl,...
This book takes programmers through the process of enhancing their workflow using AI tools. It begins by introducing the basics of coding with AI assistants, such as GitHub Copilot and ChatGPT, and shows how these tools can assist in writing and optimizing code. The next section focuses on using AI in debugging, refactoring, and generating software documentation, helping readers master techniques for coding with AI support. Pair programming with AI is explored in detail, with practical examples demonstrating its real-world applications. The book also dives into advanced tools like Ollama and Aider, giving readers the knowledge to build local language models and integrate them into their development workflows. The final chapters highlight how AI can be incorporated into projects, enabling more efficient, innovative coding processes. By the end of the book, readers will have the necessary skills to use AI-powered tools seamlessly, ultimately improving their programming productivity and broadening their AI integration capabilities.
Christoffer Noring, Anjali Jain, Marina Fernandez, Ayşe...
AI-Assisted Programming for Web and Machine Learning shows you how to build applications and machine learning models and automate repetitive tasks.Part 1 focuses on coding, from building a user interface to the backend. You’ll use prompts to create the appearance of an app using HTML, styling with CSS, adding behavior with JavaScript, and working with multiple viewports. Next, you’ll build a web API with Python and Flask and refactor the code to improve code readability. Part 1 ends with using GitHub Copilot to improve the maintainability and performance of existing code. Part 2 provides a prompting toolkit for data science from data checking (inspecting data and creating distribution graphs and correlation matrices) to building and optimizing a neural network. You’ll use different prompt strategies for data preprocessing, feature engineering, model selection, training, hyperparameter optimization, and model evaluation for various machine learning models and use cases. The book closes with chapters on advanced techniques on GitHub Copilot and software agents. There are tips on code generation, debugging, and troubleshooting code. You’ll see how simpler and AI-powered agents work and discover tool calling.
AI-Native LLM Security. Threats, defenses, and best practices for building safe and trustworthy AI
Vaibhav Malik, Ken Huang, Ads Dawson
Adversarial AI attacks present a unique set of security challenges, exploiting the very foundation of how AI learns. This book explores these threats in depth, equipping cybersecurity professionals with the tools needed to secure generative AI and LLM applications. Rather than skimming the surface of emerging risks, it focuses on practical strategies, industry standards, and recent research to build a robust defense framework.Structured around actionable insights, the chapters introduce a secure-by-design methodology, integrating threat modeling and MLSecOps practices to fortify AI systems. You’ll discover how to leverage established taxonomies from OWASP, NIST, and MITRE to identify and mitigate vulnerabilities. Through real-world examples, the book highlights best practices for incorporating security controls into AI development life cycles, covering key areas such as CI/CD, MLOps, and open-access LLMs.Built on the expertise of its co-authors—pioneers in the OWASP Top 10 for LLM applications—this guide also addresses the ethical implications of AI security, contributing to the broader conversation on trustworthy AI. By the end of this book, you’ll be able to develop, deploy, and secure AI technologies with confidence and clarity.*Email sign-up and proof of purchase required
James Gabriel
The rapid rise of generative AI is transforming every industry, yet most data analysts still write SQL manually, debug queries line by line, and build reports through slow, repetitive processes. AI-Powered Data Analyst bridges the gap between AI hype and practical adoption, showing you how to integrate AI tools into every stage of the analytics workflow.This hands-on guide demonstrates how to use ChatGPT, Claude, GitHub Copilot, and AI APIs across SQL development, data cleaning, exploratory analysis, Power BI and DAX, and automated reporting. You’ll learn to translate business questions into optimized queries, automate EDA in Python, generate synthetic test data, and create executive-ready reports in minutes instead of hours. Using real-world examples, reusable prompt templates, and before-and-after productivity comparisons, the book shows how AI augments analysts rather than replaces them. It also covers validation workflows, data privacy, bias, and governance to ensure AI-assisted outputs are accurate and defensible.By the end, you’ll work 5–10× faster and deliver higher-value strategic insights with confidence.
AI-Powered DevOps with LLMs. Applying Large Language Models to Software Delivery and SRE
Gu Huangliang, Zheng Qingzheng, Niu Xiaoling, Che...
If you work in software engineering, DevOps, SRE, or platform teams, this book written by enterprise digital transformation specialists demonstrates how large language models (LLMs) can enhance automation, software delivery, and operational reliability across modern engineering organizations. To build familiarity, the book begins hands-on with the technical underpinnings of LLMs, including Transformers, GPT architectures, and fine-tuning techniques such as LoRA and QLoRA. It then develops these foundations to demonstrate how retrieval-augmented generation (RAG) and agent-based systems can be embedded into real enterprise workflows. Across development, testing, operations, security, and project management scenarios, you will see how LLMs enhance code generation, automate testing, improve log analysis and incident response, support root cause analysis, and assist in risk-based decision-making. By the end of the book, you will be able to move from isolated model experimentation to scalable enterprise practice, designing intelligent DevOps and SRE workflows that are efficient, reliable, and strategically aligned.
Abhijit Dey, Srinivasan Shanmuganathan, David Roldán Martínez
In today’s FinTech landscape, AI is no longer optional, it’s non-negotiable. And it’s not here to replace product managers, but to enhance their skills and amplify their impact. This book is a comprehensive guide for product managers and FinTech innovators looking to harness generative AI and LLMs in financial services. As the industry moves beyond traditional apps into AI-driven platforms, this book offers a practical blueprint for building trust and driving innovation in a rapidly evolving landscape shaped by generative AI.Unlike other FinTech books that lean towards theory, this guide provides actionable, real-world insights. It covers foundational AI-first principles, offers deep dives into key FinTech verticals through success-and-failure case studies, and explores platform scaling and agentic AI. Each chapter centers on real scenarios including a FinTech startup case study to illustrate frameworks and best practices. You’ll learn to integrate AI responsibly, navigate regulatory hurdles, and design customer-centric, data-driven financial products. You’ll equip yourself with the practical tools and templates to confidently innovate within regulatory boundaries.By the end, you’ll be ready to design and scale AI-driven financial products, positioning yourself as a forward-thinking product leader in the AI-first FinTech era.