Jak działa AI

Czego się tu nauczysz

Po sekcji Podstawy wiesz już, czym AI jest i potrafisz z nią rozmawiać. Teraz zaglądamy pod maskę. Nie po to, żeby zrobić z Ciebie inżyniera - po to, żebyś przestał traktować sztuczną inteligencję jak czarną skrzynkę, która czasem daje dobre odpowiedzi, a czasem dziwne, i nie wiadomo dlaczego.

Zaczynamy od uporządkowania trzech pojęć, które w rozmowach potocznych używane są zamiennie, a znaczą co innego: sztuczna inteligencja, uczenie maszynowe i sieci neuronowe. Potem przechodzimy do tego, jak model w ogóle się uczy - skąd bierze wiedzę i co to znaczy, że “został wytrenowany”. Następnie zajmujemy się modelami językowymi, czyli tą rodziną AI, z którą masz do czynienia, gdy piszesz do chatbota.

Dalej robi się konkretniej. Tokeny i okno kontekstowe wyjaśniają, dlaczego model gubi wątek w długiej rozmowie. Embeddingi pokazują, w jaki sposób maszyna reprezentuje znaczenie słów. Parametry - temperature, top-p i reszta - to pokrętła, którymi da się sterować zachowaniem modelu. Na koniec cofamy się o krok: dlaczego ten boom nastąpił akurat teraz i jak wygląda mapa całego krajobrazu systemów AI.

Dla kogo to jest

Dla osoby, która korzysta z AI i zaczyna zadawać pytania “dlaczego”. Nadal nie potrzebujesz wykształcenia technicznego, ale ta sekcja jest gęstsza od poprzedniej i lepiej czyta się ją, mając za sobą pierwsze rozmowy z chatbotem.

W jakiej kolejności czytać

Pierwsze cztery artykuły tworzą ciąg - warto trzymać kolejność. Dalsze są w dużej mierze niezależne, więc jeśli interesują Cię akurat koszty i limity, możesz przeskoczyć wprost do tokenów. “Mapa Systemów AI” na końcu podsumowuje całość i dobrze działa też jako materiał do wracania.

Czego tu nie ma

Nie ma tu instrukcji obsługi konkretnych narzędzi ani technik pisania promptów. Tłumaczymy mechanikę; zastosowania czekają w Prompt Engineering i Narzędziach AI.

Artykuły w tej sekcji

AI, ML, Sieci NeuronoweTrzy pojęcia mylone najczęściej. Co w czym się zawiera i czym się różnią.

Jak uczą się modele AIUczenie nadzorowane, nienadzorowane i przez wzmacnianie - od podstaw.

Typy AINarrow AI, General AI i superinteligencja. Gdzie naprawdę jesteśmy dzisiaj.

Modele językowe LLMGPT, Claude, Gemini i architektura Transformer stojąca za nimi wszystkimi.

Tokeny i okno kontekstoweDlaczego model gubi wątek, ile to kosztuje i czemu polski jest droższy od angielskiego.

EmbeddingJak maszyna reprezentuje znaczenie słów i wyszukuje po sensie, a nie po literach.

Parametry modeli AITemperature, top-p, max tokens - pokrętła, którymi sterujesz zachowaniem modelu.

Rozumienie danych dla nie-programistówData Fluency - praca z danymi bez kodowania.

Dlaczego AI teraz?Historia boomu: od pierwszych sieci neuronowych po ChatGPT.

Mapa Systemów AIOd LLM przez agentów po systemy multi-agent. Podsumowanie całej sekcji.

Następny krok

Zacznij tutaj: AI, ML, Sieci Neuronowe - uporządkujesz trzy pojęcia, które w rozmowach o AI mylone są najczęściej.

Częste pytania

Czy muszę rozumieć, jak AI działa, żeby z niej korzystać?

Nie musisz, tak jak nie musisz rozumieć silnika, żeby prowadzić samochód. Ale kierowca, który wie, co się dzieje pod maską, szybciej rozpoznaje, że coś jest nie tak. Tutaj chodzi dokładnie o to - zrozumienie mechaniki pozwala przewidzieć, kiedy AI się pomyli i dlaczego.

Czy w tej sekcji jest matematyka?

Nie ma wzorów. Pojęcia takie jak embedding czy funkcja straty tłumaczę przez analogie i przykłady, nie przez notację. Jeśli chcesz wejść głębiej w matematykę, w sekcji Zasoby znajdziesz odesłania do materiałów, które to robią.

Po co mi wiedza o tokenach i oknie kontekstowym?

Bo to od nich zależy, ile tekstu model jest w stanie wziąć pod uwagę naraz i ile zapłacisz przy korzystaniu z API. To także najczęstsza przyczyna sytuacji, w której AI "zapomina", co napisałeś na początku długiej rozmowy.