Od fascynacji do pierwszej decyzji: gdzie w ogóle zacząć
Scenka: „Chcę robić AI, ale co to właściwie znaczy?”
Student trzeciego roku informatyki kończy kolejną noc z YouTube, kursem deep learningu w tle i otwartym podręcznikiem do algorytmów, bo jutro kolokwium. Na LinkedIn widzi ogłoszenia „ML Engineer”, „AI Researcher”, „Data Scientist” i ma poczucie, że musi ogarnąć wszystko naraz. Z jednej strony fascynacja sieciami neuronowymi, z drugiej – kompletny brak planu, co konkretnie robić przez najbliższe miesiące.
Ten stan „chcę robić coś z AI” jest bardzo typowy. Problem w tym, że to hasło jest zbyt ogólne, żeby na jego podstawie zbudować sensowną ścieżkę rozwoju. Sztuczna inteligencja to dziś cały ekosystem specjalizacji, technologii i ról, które różnią się codzienną pracą, wymaganymi umiejętnościami i tempem zmian. Zanim zaczną się kursy i projekty, potrzebna jest pierwsza świadoma decyzja: jaką rolę w tym ekosystemie chcesz docelowo pełnić albo chociaż – do jakich 2–3 ról chcesz się przybliżać.
Najpopularniejsze role w sztucznej inteligencji
Pod hasłem „kariera w sztucznej inteligencji” najczęściej kryją się takie stanowiska:
Machine Learning Engineer – łączy programowanie z wiedzą o modelach. Buduje pipeline’y: pobieranie danych, przygotowanie, trenowanie, walidacja, wdrożenie modelu. Dużo Pythona, bibliotek ML, czasem elementy MLOps.
Data Scientist – mocno analityczna rola. Dużo pracy z danymi: eksploracja, statystyka, budowa modeli predykcyjnych, raportowanie wniosków. Często blisko biznesu, bo trzeba tłumaczyć wyniki na decyzje.
AI / ML Researcher – osoba skupiona na tworzeniu nowych metod, publikacjach, eksperymentach. Mocna matematyka, lektura artykułów naukowych, implementacja nowych algorytmów, praca w labach R&D.
MLOps Engineer – specjalista od produkcyjnego utrzymania i skalowania modeli. Mniej „czystej” analityki, więcej chmury, kontenerów, CI/CD, monitoringu modeli, automatyzacji.
Applied Scientist / Applied ML Engineer – rola pomiędzy badaniami a inżynierią. Przekłada najnowsze pomysły z literatury na działające systemy w konkretnej firmie (np. system rekomendacyjny w e-commerce).
Każda z tych ról jest w sztucznej inteligencji, ale codzienność wygląda inaczej. Jedni spędzają większość czasu w Jupyter Notebookach i na spotkaniach z biznesem, inni w edytorze kodu i narzędziach DevOps. Część pracuje z tekstem (NLP), inni z obrazem (Computer Vision), jeszcze inni z systemami rekomendacji czy danymi czasowymi.
„Używam AI w pracy” vs „buduję systemy AI”
Wiele osób mówi dziś, że „pracuje z AI”, chociaż w praktyce korzysta z gotowych narzędzi: Copilot, ChatGPT, API do rozpoznawania obrazu, gotowe biblioteki. To świetny poziom do zwiększania produktywności, ale inny niż projektowanie, trenowanie i wdrażanie modeli.
Użytkownik narzędzi AI to np. marketer, który generuje treści korzystając z gotowego modelu, czy programista wykorzystujący asystenta kodu. Inżynier AI to osoba, która rozumie, jak taki model powstaje, potrafi dobrać architekturę, przygotować dane, zbudować pipeline, zadbać o monitoring i jakość predykcji.
Jako student informatyki najprawdopodobniej celujesz w drugą grupę – chcesz budować systemy AI, a nie tylko je klikać. To oznacza konieczność zbudowania solidnego fundamentu (matematyka, programowanie, rozumienie danych), a dopiero później sięgania po coraz wyższe poziomy abstrakcji.
Czy AI ma być główną ścieżką, czy dodatkiem?
Na starcie przydaje się jedna prosta decyzja: czy sztuczna inteligencja ma być Twoją główną specjalizacją, czy mocnym dodatkiem do innego obszaru (np. programowanie webowe, cyberbezpieczeństwo, embedded). Obie opcje są sensowne:
Jeśli wybierasz AI jako główną ścieżkę, większość projektów, praktyk i aktywności powinna wokół niej krążyć – budowanie modeli, konkursy ML, udział w kołach naukowych AI.
Jeśli traktujesz AI jako dodatek, możesz być np. programistą aplikacji webowych, który świetnie integruje modele rekomendacyjne, albo specjalistą od cyberbezpieczeństwa, który stosuje metody ML do detekcji anomalii.
Ta decyzja nie jest ostateczna. Chodzi o to, żeby przez najbliższe 6–12 miesięcy mieć jasny filtr: czy dane aktywności posuwają cię w kierunku kariery w sztucznej inteligencji, czy są tylko kolejną ciekawostką. Taka ramka pozwala świadomie wybierać kursy, tematy projektów, praktyki czy koła naukowe.
Dobrze zdefiniowana intencja – „chcę zostać ML Engineerem” albo „chcę być programistą backendu, który ogarnia modele rekomendacyjne” – ustawia dalsze decyzje o nauce. Reszta to już konsekwentne dokładanie kolejnych klocków.
Źródło: Pexels | Autor: Thành Đỗ
Fundamenty, bez których dalej będzie pod górkę: matematyka i programowanie
Najważniejsze działy matematyki w sztucznej inteligencji
Sztuczna inteligencja to w dużej mierze praktyczne zastosowanie kilku wybranych obszarów matematyki. Nie trzeba znać całej analizy funkcjonalnej, żeby zbudować solidne portfolio AI. Trzeba natomiast rozumieć kilka kluczowych pojęć na poziomie „umiem policzyć prosty przykład i wyjaśnić, co się dzieje”.
Najbardziej użyteczne na starcie są:
Algebra liniowa – wektory, macierze, operacje na nich (dodawanie, mnożenie, transpozycja), iloczyn skalarny, pojęcie rangi, przekształcenia liniowe. Modele ML (szczególnie deep learning) to w praktyce operacje na dużych macierzach.
Rachunek prawdopodobieństwa – rozkłady (np. normalny, Bernoulliego), zmienne losowe, wartość oczekiwana, wariancja, twierdzenie Bayesa. Każdy model probabilistyczny, regresja logistyczna czy metody bayesowskie opierają się na tych pojęciach.
Statystyka – średnia, mediana, odchylenie standardowe, korelacja, testy statystyczne w podstawowej formie, rozumienie pojęć takich jak overfitting, walidacja krzyżowa, zbiory treningowe i testowe.
Analiza matematyczna w minimalnym zakresie – pochodna, gradient, pojęcie minimum funkcji. To wystarcza, żeby zrozumieć, co robi algorytm gradient descent i dlaczego uczenie sieci neuronowych w ogóle działa.
Resztę można dobudowywać stopniowo. Celem nie jest „zaliczenie” kolejnych działów, tylko umiejętność powiązania konkretnego wzoru z tym, co robi kod: skąd biorą się współczynniki, jak liczony jest błąd, dlaczego model się uczy albo przestaje.
Co zrobić, gdy matematyka była „na zaliczenie”
Jeśli analiza i algebra na pierwszym roku były po prostu odhaczone pod egzamin, nadal da się zbudować karierę w AI. Trzeba tylko mądrze wrócić do podstaw. Dobra strategia to połączenie krótkich bloków teorii z małymi eksperymentami w Pythonie.
Przykładowe podejście na 4–6 tygodni:
Tydzień 1–2: algebra liniowa – powtórka definicji wektora, macierzy, iloczynu skalarnego. Równolegle: implementacja w NumPy kilku operacji (mnożenie macierzy, kombinacje liniowe), wizualizacja wektorów w 2D.
Tydzień 3–4: prawdopodobieństwo i statystyka – rozkłady, średnia, wariancja. Równolegle: generowanie losowych danych w NumPy, rysowanie histogramów, liczenie korelacji między cechami.
Tydzień 5–6: pochodne i gradient – intuicja pojęcia nachylenia funkcji, ręczne policzenie pochodnej prostego wielomianu. Równolegle: napisanie w Pythonie funkcji, która liczy numerycznie przybliżoną pochodną i gradient descent dla prostej funkcji jednowymiarowej.
Do tego dochodzi jeden prosty nawyk: każde nowe pojęcie matematyczne próbuj wpleść w krótki fragment kodu. Nawet banalny przykład – generowanie punktów z dwuwymiarowego rozkładu normalnego – od razu kotwiczy teorię w praktyce.
Python pod AI i kluczowe biblioteki
W świecie sztucznej inteligencji praktycznie wszystko kręci się wokół Pythona. Nie dlatego, że to jedyny słuszny język, ale dlatego, że ma ogromny ekosystem bibliotek i narzędzi: to w nim powstają najnowsze frameworki, tutoriale i przykłady. Dla studenta informatyki oznacza to jedno: warto postawić na Pythona jako główny język pracy z AI.
Najważniejsze biblioteki na start:
Dobrą bazą ogólną dla Pythona i tematów pokrewnych są rozproszone po sieci materiały typu praktyczne wskazówki: Informatyka, gdzie obok samego języka przewijają się też konteksty AI i nowych technologii.
Matplotlib / Seaborn – wykresy, wizualizacje danych i wyników modeli.
PyTorch lub TensorFlow/Keras – deep learning, sieci neuronowe, praca na GPU, modele sekwencyjne, CNN, RNN, transformery.
Najlepsza ścieżka to opanowanie Pythona i NumPy/pandas na takim poziomie, żeby bez myślenia wczytać dane, zrobić kilka podstawowych transformacji, policzyć proste statystyki i narysować wykres. Wtedy dodanie scikit‑learn staje się naturalne, a wejście w deep learning to już kolejny krok, a nie skok na głęboką wodę.
Łączenie matematyki z kodem: mini‑projekty
Same zadania z podręcznika rzadko się kleją w głowie. Matematyka dla AI najlepiej siada, gdy od razu zmieniasz wzór w działający kod. Kilka przykładów małych projektów‑pomostów:
Regresja liniowa „od zera” – bez scikit‑learn. Wczytujesz prosty zbiór danych (np. ceny mieszkań a metraż), ręcznie implementujesz funkcję kosztu (MSE), gradient i gradient descent. Potem porównujesz wyniki z implementacją z biblioteki.
Logistyczna regresja do binarnej klasyfikacji – np. spam / nie‑spam w bardzo uproszczonej formie. Samodzielna implementacja funkcji sigmoidalnej i log‑loss.
Prosty perceptron – klasyfikacja punktów 2D na dwie klasy. Dzięki temu lepiej widać granicę decyzyjną i działanie linearnego klasyfikatora.
Takie mini‑projekty spełniają kilka funkcji naraz: powtarzasz matematykę, ćwiczysz Pythona, rozumiesz „co jest pod maską” w gotowych bibliotekach i jednocześnie tworzysz pierwsze wpisy do portfolio na GitHubie.
Wniosek z tej sekcji jest prosty: nie trzeba znać „całej matematyki świata”. Potrzebny jest za to dobrze dobrany zestaw pojęć oraz konsekwentne spinanie ich z kodem, nawet w bardzo małych, ale samodzielnie zrealizowanych projektach.
Źródło: Pexels | Autor: Ron Lach
Mapowanie terenu: główne obszary sztucznej inteligencji i jak je „posmakować”
Od klasycznego machine learningu do deep learningu i NLP
Sztuczna inteligencja to parasol, pod którym mieści się kilka dużych obszarów. Znajomość ich „mapy” pozwala z grubsza określić, co cię kręci najbardziej i w którą stronę pójść głębiej.
Najważniejsze domeny:
Klasyczny machine learning – modele takie jak regresja liniowa/logistyczna, drzewa decyzyjne, random forest, gradient boosting, SVM, k‑means. Świetny punkt startowy: mniejsze zbiory danych, szybsze eksperymenty, łatwiejsza interpretacja wyników.
Deep learning – sieci neuronowe: gęste (fully‑connected), konwolucyjne (CNN), rekurencyjne (RNN, LSTM), transformatory. Używany głównie przy obrazach, tekście, dźwięku, ale coraz częściej także przy klasycznych danych tabelarycznych.
NLP (Natural Language Processing) – przetwarzanie języka naturalnego: klasyfikacja tekstu, analiza sentymentu, systemy rekomendacji treści, chatboty, tłumaczenia, generowanie tekstu.
Reinforcement learning, systemy rekomendacji i inne „zakamarki” AI
Kiedy pierwszy raz odpalasz środowisko typu OpenAI Gym i patrzysz, jak wirtualny ludzik próbuje chodzić i co chwilę się wywraca, jest w tym coś z gier z dzieciństwa. Tylko że tutaj „gracz” uczy się sam, a ty ustawiasz zasady i nagrody. Tak samo bywa z systemami rekomendacji – nagle widzisz, że to, co robi Netflix, wcale nie jest magią, tylko konsekwencją kilku dobrze sklejonych algorytmów.
Poza klasycznym ML i deep learningiem jest kilka obszarów, które często przewijają się w projektach komercyjnych, a które można „podskubać” już na studiach:
Reinforcement learning (RL) – agent, który uczy się, wykonując akcje w środowisku i dostając nagrody/kary. Przykłady: gry (Atari, Go), robotyka, optymalizacja procesów (np. zarządzanie zasobami w data center).
Systemy rekomendacji – przewidywanie, co użytkownik kliknie, obejrzy, kupi. To mieszanka klasycznego ML, uczenia sekwencyjnego i trochę „product thinking”.
Graph ML – uczenie na grafach (sieci społeczne, połączenia między produktami, grafy wiedzy). Coraz bardziej popularne w firmach z dużą ilością powiązanych danych.
MLOps i inżynieria danych – mniej „sexy” na prezentacjach, ale kluczowe, żeby modele naprawdę działały produkcyjnie: pipeline’y, monitorowanie, wersjonowanie danych, wdrażanie modeli.
Każdy z tych obszarów można „poczuć” w ciągu jednego weekendu, nie budując od razu doktoratu:
W RL – prosty agent uczący się grać w CartPole z użyciem biblioteki Stable Baselines.
W rekomendacjach – model przewidujący filmy do obejrzenia na podstawie prostych danych (np. MovieLens) z użyciem matrix factorization albo prostych sieci neuronowych.
W Graph ML – Node2Vec na małym grafie (np. sieć znajomych z fikcyjnego serwisu), potem klasyfikacja węzłów.
Małe „wejścia próbne” pomagają zrozumieć, czy chcesz iść w daną stronę, zanim zainwestujesz w nią cały rok życia.
Jak „skosztować” różnych dziedzin, nie tonąc w kursach
Typowy scenariusz: zapisujesz się na długi kurs NLP, potem widzisz reklamę czegoś o Computer Vision, a za chwilę ktoś na Twitterze wrzuca „obowiązkowy” kurs z RL. Po miesiącu masz pięć rozpoczętych playlist i żadnej sensownej umiejętności.
Lepszy sposób to podejście „sprintowe”: krótki, 1–2 tygodniowy blok na każdą dziedzinę, z jednym małym projektem na koniec. Przykładowy mini‑plan „degustacyjny”:
Tydzień CV – robisz klasyfikator obrazów na MNIST lub CIFAR‑10 w PyTorch/Keras, od zera do działającego modelu, z prostymi augmentacjami danych.
Tydzień NLP – tworzysz klasyfikator sentymentu dla opinii o filmach lub produktach (np. z IMDB), najpierw używając klasycznych metod (bag‑of‑words + logistyczna), potem prostego BERT‑a z Hugging Face.
Tydzień systemów rekomendacji – budujesz prosty „polecacz” książek/filmów na gotowym zbiorze, używając filtracji kolaboratywnej i ewaluacji (np. precision@k).
Celem nie jest „opanowanie” każdej dziedziny, tylko szybsze wyczucie, w czym masz naturalny flow. To później mocno pomaga przy wyborze tematu pracy inżynierskiej/magisterskiej i kierunku pierwszej pracy.
Źródło: Pexels | Autor: Thành Đỗ
Układanie planu nauki: od semestru do semestru zamiast wiecznego scrollowania kursów
Myślenie w cyklach semestralnych zamiast w „wiecznym teraz”
Na początku łatwo wpaść w tryb: „dziś zrobię coś z AI”, który po kilku tygodniach zamienia się w „w sumie nie wiem, co ja właściwie robię”. Dużo lepiej działa myślenie w horyzoncie semestru: 4–5 miesięcy, w których łączysz zajęcia na uczelni z własnym planem.
Dobry wzorzec to podział semestru na trzy warstwy:
Warstwa 1 – fundamenty na uczelni: wykorzystujesz obowiązkowe przedmioty (matematyka, algorytmy, bazy danych, programowanie) jako „dźwignię” pod AI, a nie jako osobne światy.
Warstwa 2 – jeden główny temat AI: wybierasz, czy w tym semestrze skupiasz się na klasycznym ML, czy np. na Computer Vision. Nie wszystko naraz.
Warstwa 3 – projekt semestralny: mały, ale domknięty projekt, który ląduje na GitHubie i w portfolio.
Taki układ sprawia, że po każdym semestrze możesz fizycznie pokazać „co zrobiłeś”: nie tylko zaliczone przedmioty, ale też działający model z opisem i kodem.
Przykładowy plan na dwa semestry dla studenta 2–3 roku
Załóżmy, że masz za sobą podstawy Pythona i pierwsze kursy z matematyki. Chcesz wejść w AI „na serio”, ale bez rezygnowania z życia i bez palenia wszystkich terminów na uczelni.
Semestr A – klasyczny ML + solidny Python
Cel główny: swobodnie budować i oceniać modele z użyciem scikit‑learn na danych tabelarycznych.
Co tydzień (ok. 5–7 h):
2 h – praca z danymi w pandas (inne zestawy, inne problemy).
2–3 h – uczenie i tuning prostych modeli (regresja, drzewa, random forest, gradient boosting).
1–2 h – lektura/kurs online + notatki w formie notebooka.
Projekt semestralny: model przewidujący jakąś ilościową wartość (np. cena mieszkania, czas dostawy) albo klasyfikator (np. churn klientów), najlepiej na danych możliwie bliskich twojemu miastu/branży, którą znasz.
Semestr B – wejście w deep learning i wybraną domenę
Cel główny: zbudować od zera małą sieć neuronową dla obrazów lub tekstu i poprawnie ją wytrenować.
Co tydzień (ok. 6–8 h):
2 h – implementacja małych sieci w PyTorch/Keras (np. MLP, CNN) na prostych zbiorach.
2–3 h – zabawa hiperparametrami, dropout, batch normalization, augmentacje.
2–3 h – czytanie tutoriali, dokumentacji, 1–2 proste artykuły blogowe o architekturach.
Projekt semestralny: klasyfikator obrazów lub model NLP (np. klasyfikacja opinii), z prostym interfejsem (web/CLI) i opisem procesu uczenia.
Po dwóch takich semestrach masz nie tylko większą wiedzę, ale przede wszystkim dwie konkretne rzeczy do pokazania na rozmowie o staż: projekt klasycznego ML i mały projekt deep learningowy.
Jak wybierać kursy i materiały, żeby się nie zakopać
Większość studentów ma na liście „do zrobienia” więcej kursów niż czasu do emerytury. Dobrą praktyką jest ograniczenie się do maksymalnie dwóch źródeł na raz: jednego kursu wideo i jednego „żywego” repozytorium z przykładami.
Przed startem kursu zadaj sobie kilka konkretnych pytań:
Jaki projekt z niego wyciągnę? – czy na końcu będziesz mieć coś, co możesz pokazać (notebook, repo, demo), czy tylko zestaw quizów.
Czy zakres pasuje do mojego semestralnego celu? – jeśli cel na ten semestr to klasyczny ML, kurs o zaawansowanych transformerach pewnie poczeka.
Czy materiał jest praktyczny? – szukaj kursów, w których większość czasu to kod i praca na danych, a nie same slajdy.
Jeśli po 2–3 tygodniach widzisz, że kurs nie dowozi (np. głównie gadające głowy, mało kodu), lepiej go świadomie porzucić i zmienić na inny. Średni materiał „do końca” jest gorszy niż dobry materiał przerwany na rzecz jeszcze lepszego, gdy już wiesz, czego szukasz.
Łączenie planu AI z projektami na uczelni
Często na studiach pojawia się zadanie typu „napisz program, który…”, a ty i tak wymyślasz coś od zera. Wiele z tych prac można przekierować na tory AI. Zamiast kolejnej aplikacji do sortowania listy, robisz prosty system rekomendacji filmów. Zamiast surowej bazy danych – API serwujące predykcje modelu.
Kilka sposobów na „przechytrzenie” sylabusa:
Na projekt z baz danych wybierz temat, gdzie dane będą potem użyte do uczenia modelu (np. kwerendy pod przygotowanie feature’ów).
Na zajęcia z programowania zespołowego zaproponuj aplikację, która ma komponent AI (np. klasyfikator obrazów z prostym frontendem).
Przy przedmiocie z systemów rozproszonych zbuduj prosty pipeline do przetwarzania danych i serwowania predykcji zamiast sztucznego „czatu klient‑serwer”.
Dzięki temu ten sam wysiłek działa podwójnie: zaliczasz zajęcia i jednocześnie budujesz doświadczenie zbliżone do realnych projektów AI.
Projekty, które robią różnicę: co włożyć do studenckiego portfolio AI
Dlaczego trzy dobre projekty są lepsze niż dziesięć przypadkowych
Rekruter techniczny nie ma czasu analizować dwudziestu repozytoriów z tutorialami. Często otwiera dwa, trzy linki, patrzy, jak wygląda kod, dokumentacja i czy projekt faktycznie „żyje”. Z perspektywy studenta dużo rozsądniej jest mieć kilka dopracowanych projektów niż dziesiątki porzuconych eksperymentów.
Dobry projekt do portfolio ma zwykle kilka cech:
Rozwiązuje konkretny problem (najlepiej z życia, nie tylko „zabawka z Kaggle’a”).
Jest samowystarczalny – ktoś może go odpalić wg instrukcji.
Ma czysty kod, podział na moduły, sensowną strukturę repozytorium.
Jest opisany – README tłumaczy, co projekt robi, jak działa model, jakie są wyniki.
Kilka dopieszczonych przykładów zrobi na rozmowie większe wrażenie niż ogromny, ale chaotyczny „las” notatników.
Typy projektów, które dobrze wyglądają w portfolio AI
Nie każdy projekt musi być przełomem naukowym. W praktyce liczy się to, czy pokazuje istotne umiejętności: pracę z danymi, myślenie o metrykach, łączenie modelu z aplikacją.
Projekt klasycznego ML na danych tabelarycznych
Przykład: przewidywanie, czy klient zrezygnuje z usługi (churn), analiza ryzyka kredytowego, przewidywanie opóźnienia dostaw.
Kluczowe elementy: eksploracja danych (EDA), inżynieria cech, porównanie kilku modeli, interpretacja wyników (np. feature importance).
Projekt Computer Vision
Przykład: klasyfikator gatunków roślin na podstawie zdjęć zrobionych telefonem, wykrywanie uszkodzeń na powierzchni produktu.
Kluczowe elementy: przygotowanie datasetu (oznaczanie, augmentacja), odpowiednia architektura (CNN, transfer learning), ewaluacja na realistycznym zestawie testowym.
Projekt NLP
Przykład: klasyfikacja opinii klientów na pozytywne/negatywne, kategoryzacja zgłoszeń do supportu, ekstrakcja kluczowych fraz z dokumentów.
Kluczowe elementy: czyszczenie tekstu, tokenizacja, wybór reprezentacji (TF‑IDF, embeddings, BERT), metryki typu F1, confusion matrix.
System rekomendacji
Przykład: rekomendacje artykułów blogowych na podstawie historii czytania, proponowanie podobnych produktów w prostym sklepie internetowym.
Dobry miks to: jeden projekt klasycznego ML, jeden obrazkowy/tekstowy i jeden pokazujący wdrożenie modelu w postaci działającej aplikacji.
Jak wybierać dane do projektów, gdy nie pracujesz w firmie
Najtrudniej jest na początku: nie masz dostępu do komercyjnych baz danych, a publiczne zbiory wydają się powtarzalne. Mimo to można sporo wycisnąć z otwartych danych, jeśli sprytnie do nich podejdziesz.
Źródła, które często wystarczają na bardzo sensowne projekty:
Skąd brać sensowne dane: od otwartych zbiorów do własnego mini‑crawlerta
Wyobraź sobie hackathon: wszyscy rzucają się na ten sam, oklepany dataset z konkurencji sprzed pięciu lat, a ty wyciągasz coś świeżego – dane z twojego miasta, twojej uczelni, niszowego forum. Nagle projekt robi się ciekawszy, choć model to dalej „zwykły” random forest czy prosty transformer.
Zamiast szukać „idealnego” zbioru, łatwiej jest zrozumieć kilka strategii zdobywania danych i każdą z nich przetestować przynajmniej raz.
Gotowe katalogi otwartych danych
Portale miejskie / państwowe – np. dane o transporcie, jakości powietrza, inwestycjach miejskich, statystykach demograficznych.
Portale typu Kaggle, Hugging Face Datasets – mnóstwo gotowych zbiorów, ale prawdziwą różnicę robi to, że połączysz kilka z nich lub przetworzysz pod swój specyficzny problem.
Repozytoria naukowe – zbiory do artykułów (często małe, ale dobrze opisane), idealne do pierwszych eksperymentów z odtwarzaniem badań.
Dane „produkowane” przez użytkowników
API serwisów (np. Reddit, Twitter/X, serwisy z ogłoszeniami) – nadają się do NLP, analizy trendów, prostych rekomendacji.
Własne ankiety / formularze – Google Forms + kilka grup na Facebooku i masz realne dane od ludzi, np. na temat nawyków zakupowych czy preferencji filmowych.
Scraping i pół‑ręczne zbieranie danych
Mały skrypt scrapujący strony z ofertami pracy, ogłoszeniami mieszkań czy recenzjami produktów.
Półautomatyczne oznaczanie – np. najpierw heurystyka lub prosty model, potem ręczna poprawka tylko trudnych przypadków.
Nie musisz od razu pisać potężnych crawlerów. Często wystarcza 1–2 wieczory, by mieć dataset, którego nikt inny z twojego roku nie używa. To od razu podnosi atrakcyjność projektu, nawet jeśli model jest prosty.
Jak „opakować” projekt, żeby wyglądał jak coś z prawdziwej firmy
Wielu studentów ma całkiem dobre modele, ale wygląd repozytorium krzyczy: „zadanie domowe”. Jeden plik final_final.ipynb, brak README, brak struktury. Na rozmowie trudno z tego wyczytać, jak pracujesz.
Dobrze zorganizowany projekt daje sygnał: umiesz myśleć jak inżynier, nie tylko „uruchomić skrypt”. Kilka rzeczy szczególnie robi wrażenie:
Przejrzysta struktura katalogów – minimum:
/notebooks – eksploracja danych, prototypowanie.
/src – właściwy kod projektu, moduły Pythona.
/data (lub opis, skąd pobrać dane, jeśli są zewnętrzne).
/models – zapisane wagi, pipeline’y.
Porządne README – krótko:
co projekt robi i po co,
jak uruchomić (kroki + wymagania),
jakie są wyniki (metryki, może 1–2 wykresy wklejone jako obrazki),
co można by ulepszyć (daje temat do rozmowy na interview).
Plik z zależnościami – requirements.txt albo pyproject.toml. To drobiazg, ale odróżnia projekt od chaotycznego notatnika.
Przynajmniej szczątkowe testy – nawet 2–3 testy jednostkowe dotyczące kluczowych funkcji (np. walidacja danych wejściowych, działanie preprocesingu).
Tak „opakowany” projekt daje przewagę nie dlatego, że jest bardziej zaawansowany technicznie, tylko dlatego, że rekruter mniej się męczy, żeby go zrozumieć – a to często decyduje, czy w ogóle poświęci mu więcej niż dwie minuty.
Jak mówić o swoich projektach na rozmowie o staż
Scenka z rozmowy: rekruter pyta o twój projekt z CV, a ty zaczynasz od „no, tam było sporo kodu, dużo się nauczyłem, użyłem XGBoost…”. Po minucie wszyscy są zmęczeni, a nic konkretnego nie wybrzmiało.
Dobrą praktyką jest nauczyć się opowiadać o każdym projekcie w kilku warstwach szczegółowości. Przydatny jest schemat „problem → podejście → decyzje → wynik → co byś zmienił”.
Problem – jedno, dwa zdania:
„Zbudowałem model, który przewiduje, czy klient zrezygnuje z usługi w ciągu 3 miesięcy, na podstawie historii korzystania z aplikacji.”
Podejście – jak do tego podszedłeś:
„Najpierw zrobiłem eksplorację danych, potem przygotowałem cechy opisujące aktywność użytkowników tydzień po tygodniu i porównałem kilka klasyfikatorów.”
Kluczowe decyzje – 2–3 konkretne:
jak poradziłeś sobie z brakami w danych,
jak ustawiłeś podział na zbiory (np. podział czasowy zamiast losowego),
dlaczego wybrałeś daną metrykę (np. F1 zamiast accuracy).
Wynik – liczby i interpretacja:
„Model osiągnął F1 na poziomie X na danych testowych, co oznacza, że znacząco redukuje liczbę fałszywych alarmów względem baseline’u.”
Co byś zmienił – pokazuje, że widzisz ograniczenia:
„Gdybym miał więcej czasu, dodałbym monitoring driftu cech i sprawdził, jak model zachowuje się na nowszych danych miesięcznych.”
Dwie, trzy tak wyćwiczone „historie projektowe” robią większe wrażenie niż lista frameworków w CV. Poza tym pomagają też tobie uporządkować w głowie, co tak naprawdę umiesz.
Projekt zespołowy vs solo: czego się kiedy nauczysz
Na pierwszym roku często robisz wszystko sam: od zbierania danych po UI. To uczy wszechstronności, ale zupełnie nie pokazuje, jak działa prawdziwy zespół. Z kolei w projektach grupowych łatwo utknąć w roli „tego od frontendu” i nie dotknąć modelu.
Rozsądnie jest świadomie zaplanować, które projekty robisz w pojedynkę, a które chcesz przerobić w stylu „mini‑firmy”.
Projekty solo – dobre do:
nauki od A do Z (dane, model, ewaluacja, proste wdrożenie),
eksperymentów, gdzie często zmieniasz kierunek i nie musisz się z nikim umawiać,
pokazania „pełnego stosu” umiejętności (od SQL/Pythona po deployment).
Projekty zespołowe – dobre do:
ćwiczenia pracy na gałęziach gita, code review, issue trackerów,
podziału na role (np. jedna osoba więcej w MLOps, inna w modelowaniu, inna w danych),
nauki komunikacji technicznej – tłumaczenia, dlaczego dana architektura, metryka czy pipeline ma sens.
Dobry miks to przynajmniej jeden większy projekt solo i jeden zespołowy, który można opisać w CV jako „3‑osobowy zespół, moja rola: X, odpowiedzialny za Y, Z”. Taki opis od razu przypomina realne ogłoszenia o pracę.
Jak utrzymać projekty „przy życiu”, zamiast porzucać je po zaliczeniu
Typowy scenariusz: oddajesz projekt na ocenę, commit „final_version_really”, repo zamiera. Tymczasem z perspektywy przyszłej kariery najciekawsze dzieje się często po pierwszej działającej wersji.
Żeby projekt nie umierał po sesji, warto od razu założyć, że będzie miał mały backlog ulepszeń. Nie muszą być wielkie, ważne, żebyś miał pretekst, by do niego wrócić.
Po pierwszej wersji dopisz 3–5 konkretnych issue:
„Dodać logowanie metryk do pliku CSV + prosty wykres.”
„Porównać model X z Y na tych samych cechach.”
„Napisać dwa testy jednostkowe do modułu preprocessing.py.”
Zaplanuj sobie 1 wieczór na 2–3 tygodnie tylko na dopieszczanie istniejących projektów, bez rozpoczynania nowych.
Co semestr zrób „przegląd repozytoriów”: wybierz jeden stary projekt i podnieś go o poziom wyżej – np. dodaj API, prosty frontend, raport w PDF.
Taki rytm sprawia, że po roku nie masz dziesięciu porzuconych zabawek, tylko kilka żywych projektów, które wyglądają dojrzalej z każdą iteracją. Dla rekrutera aktywność w ostatnich miesiącach jest mocnym sygnałem, że to nie było jednorazowe „podjaranie się AI”.
Jak uniknąć kopiowania tutoriali 1:1 i dodać „twój podpis”
Każdy zaczyna od kursów i tutoriali, ale jeśli twoje portfolio to same odtworzone notebooki ze znanych serii, rekruter od razu to rozpozna. Różnicę robi parę kroków, które wprowadzasz po przejściu materiału.
Dobry nawyk: po zakończeniu tutorialu zawsze zadaj sobie pytanie „co mogę w nim zmienić lub rozszerzyć po swojemu?”. Potem wybierz jeden, maksymalnie dwa pomysły i je zrealizuj.
Podmiana danych – ten sam kod, ale na innym zbiorze (np. zamiast klasyfikacji cyfr – twoje własne zdjęcia znaków drogowych z miasta).
Zmiana celu – z klasyfikacji na regresję, z przewidywania ceny na przewidywanie czasu dostawy, z „spam/nie spam” na kilka kategorii.
Dodatkowe metryki lub ewaluacja – dodanie analizy błędów (np. które klasy najczęściej się mylą, jakie przykłady przepuszcza model), raportu w formie prostego dashboardu.
Dodanie prostego interfejsu – formularz webowy, CLI, mini‑apka streamlit/gradio, która pozwala komuś nietechnicznemu „pobawić się” modelem.
Takie modyfikacje są często mniej czasochłonne niż przechodzenie kolejnego kursu, a budują w tobie nawyk twórczego korzystania z materiałów zamiast biernego kopiowania.
Jak zbudować spójne „story” kariery wokół projektów
Na trzecim roku wielu studentów ma miszmasz: trochę CV, trochę NLP, trochę reinforcement learningu, odrobina IoT. Na papierze wygląda to jak chaos, mimo że każda rzecz z osobna jest ciekawa.
Spójność nie musi oznaczać wąskiej specjalizacji. Chodzi raczej o to, by potrafić pokazać wspólną nić łączącą twoje projekty i decyzje.
Wybierz jeden, dwa motywy przewodnie. Przykłady:
„Zastosowania AI w medycynie” – projekty z obrazami medycznymi, analizą tekstu z dokumentacji, system rekomendacji badań.
„AI dla biznesu/finansów” – churn, scoring kredytowy, rekomendacje produktów.
„Czy ten projekt wzmacnia któryś z motywów, czy jest tylko przypadkową ciekawostką?”
W CV i na LinkedIn podkreśl tę nić: w opisie siebie dodaj jedno zdanie, które spina te doświadczenia, np. „Buduję modele ML/NLP pomagające lepiej rozumieć zachowania klientów w usługach finansowych.”
Gdy osoba rekrutująca widzi, że twoje projekty „rozmawiają ze sobą” tematycznie, łatwiej jest jej przypisać cię do konkretnej roli lub zespołu. Ty z kolei szybciej zobaczysz, gdzie chcesz iść dalej – i które kursy oraz staże mają sens, a które są tylko hałasem.
Najczęściej zadawane pytania (FAQ)
Od czego zacząć karierę w sztucznej inteligencji jako student informatyki?
Typowy scenariusz: masz kilka kursów ML na zakładkach, subskrypcję na platformie z wideo i zero planu, co zrobić najpierw. Zamiast losowo odpalać kolejne tutoriale, zacznij od odpowiedzi na jedno pytanie: jakie 2–3 role w AI są dla ciebie najbardziej prawdopodobnym celem (np. ML Engineer, Data Scientist, AI Researcher).
Kiedy już to nazwiesz, możesz ułożyć prosty plan na 6–12 miesięcy: fundamenty (Python + matematyka), jeden główny kurs z uczenia maszynowego, 2–3 własne małe projekty w portfolio i szukanie praktyk/pierwszych zleceń blisko wybranej roli. Klucz to konsekwencja, a nie perfekcyjny plan – lepiej robić małe rzeczy regularnie niż czekać na „idealny moment” na start.
Jaką matematykę muszę znać, żeby pracować w sztucznej inteligencji?
Wielu studentów boi się, że bez „twardej” matematyki nie ma szans w AI, bo na pierwszym roku wszystko było „na zaliczenie”. W praktyce potrzebujesz dobrze ogarniętej podstawy z kilku działów, a nie całej encyklopedii teorii miary.
Najważniejsze obszary to: algebra liniowa (wektory, macierze, iloczyn skalarny), rachunek prawdopodobieństwa (rozkłady, wartość oczekiwana, twierdzenie Bayesa), statystyka (średnia, wariancja, korelacja, overfitting, walidacja krzyżowa) i podstawy analizy (pochodne, gradient, minimum funkcji). Dobrym nawykiem jest każdą nową rzecz od razu przepuścić przez prosty kod w Pythonie – np. policzyć gradient numerycznie albo wygenerować dane z rozkładu normalnego. Dzięki temu matematyka przestaje być abstrakcyjną teorią, a staje się narzędziem, którym coś faktycznie robisz.
Czym różni się „używanie AI” od „budowania systemów AI”?
Coraz częściej ktoś pisze w CV „pracuję z AI”, a w praktyce chodzi o korzystanie z ChatGPT, Copilota czy API do rozpoznawania obrazu. To jest świetne do podnoszenia produktywności, ale to inna liga niż projektowanie, trenowanie i wdrażanie modeli od środka.
Użytkownik narzędzi AI to np. marketer generujący teksty na podstawie gotowego modelu. Inżynier AI rozumie, jak powstał taki model, potrafi dobrać architekturę, przygotować dane, zbudować pipeline trenowania i zadbać o monitorowanie jakości predykcji w produkcji. Jako student informatyki prawdopodobnie celujesz w tę drugą grupę, co oznacza: więcej Pythona, matematyki i pracy z danymi, a mniej „klikania” gotowych aplikacji.
Którą ścieżkę w AI wybrać: ML Engineer, Data Scientist czy AI Researcher?
Łatwo utknąć w miejscu, w którym „chcesz robić AI”, ale nie wiesz, co to konkretnie znaczy w codziennej pracy. Tu pomaga szybkie porównanie: ML Engineer skupia się na kodzie i pipeline’ach (dane → model → wdrożenie), Data Scientist mocno siedzi w analizie i statystyce, a AI Researcher nurkuje w nowe algorytmy i artykuły naukowe.
Jeśli lubisz budować systemy „od A do Z” i bawić się infrastrukturą, bliżej ci do ML Engineer/MLOps. Jeśli kręci cię wyciąganie wniosków z danych i tłumaczenie ich biznesowi – Data Scientist. Jeśli kochasz teorię, arXiv i rozwiązywanie nowych problemów, naturalnym kierunkiem jest AI/ML Researcher. Nie musisz decydować na całe życie – wystarczy, że na najbliższy rok wybierzesz 1–2 kierunki i pod nie dobierzesz projekty, kursy i praktyki.
Czy da się wejść w AI, jeśli matematyka na studiach była tylko „na zaliczenie”?
Spora część osób wchodzi w AI z poczuciem, że matematyka była kiedyś przebrnięta „byle zdać” i teraz wszystko trzeba by powtarzać od zera. Nie trzeba. Dużo lepsze efekty daje powrót do podstaw w krótkich blokach połączonych z kodem niż katorżnicza powtórka całych podręczników.
Możesz np. rozpisać sobie 4–6 tygodni: najpierw algebra liniowa z prostymi ćwiczeniami w NumPy, później prawdopodobieństwo i statystyka z generowaniem danych i histogramami, na końcu pochodne i gradient z własnoręcznie napisanym mini–gradient descent. Taki cykl od razu buduje most między teorią a tym, co później widzisz w bibliotekach ML i sprawia, że pojęcia typu „funkcja kosztu” czy „minimum lokalne” przestają być straszne.
Czy sztuczna inteligencja powinna być moją główną specjalizacją, czy tylko dodatkiem?
Wielu studentów ma dylemat: iść „na grubo” w AI, czy raczej zostać np. backendowcem, który tylko dobrze ogarnia modele rekomendacyjne. Oba scenariusze są sensowne, ale wymagają innego ustawienia priorytetów na co dzień.
Jeśli wybierasz AI jako główną ścieżkę, większość projektów, praktyk i aktywności powinna kręcić się wokół uczenia maszynowego: konkursy ML, koła naukowe, projekty z przetwarzania tekstu czy obrazu. Jeśli chcesz traktować AI jako mocny dodatek, skup się na solidnym opanowaniu „bazowego” obszaru (np. web, embedded, security), a do tego systematycznie dorzucaj elementy AI, które realnie podnoszą twoją wartość – np. moduł detekcji anomalii w systemie bezpieczeństwa albo personalizację w aplikacji webowej.
Jakie technologie i języki programowania są kluczowe na start w AI?
Standardowa sytuacja: znasz trochę C++ ze studiów, może trochę JS z frontendu i zastanawiasz się, czy musisz teraz nauczyć się „wszystkiego”. W praktyce zdecydowanym numerem jeden na start jest Python – głównie dlatego, że wokół niego powstał cały ekosystem narzędzi do danych i uczenia maszynowego.
Na początku skup się na: solidnych podstawach Pythona (struktury danych, funkcje, moduły), biblioteczkach do pracy z danymi (NumPy, pandas), prostych wizualizacjach (matplotlib, seaborn) i pierwszym kontakcie z bibliotekami ML (scikit-learn, a później TensorFlow/PyTorch). Inne technologie – chmura, kontenery, narzędzia MLOps – możesz dobudowywać stopniowo, kiedy poczujesz, że proste modele i małe projekty przestają ci wystarczać.
Najważniejsze wnioski
Hasło „chcę robić coś z AI” jest zbyt ogólne – na starcie trzeba wskazać choć 2–3 konkretne role (np. ML Engineer, Data Scientist, AI Researcher), do których chcesz się stopniowo zbliżać.
Różne stanowiska „w AI” oznaczają zupełnie inną codzienną pracę: jedni siedzą głównie w analizie danych i statystyce, inni w kodzie i DevOpsie, jeszcze inni w badaniach i artykułach naukowych.
Istnieje wyraźna różnica między korzystaniem z gotowych narzędzi AI (jak ChatGPT czy Copilot) a budowaniem systemów AI – inżynier potrzebuje rozumieć modele, dane, architektury i proces wdrożenia.
Student informatyki celujący w AI powinien nastawiać się na rolę twórcy systemów (trenowanie, wdrażanie, monitorowanie modeli), a nie tylko użytkownika, co wymaga solidnych fundamentów technicznych.
Trzeba zdecydować, czy AI będzie główną specjalizacją, czy mocnym dodatkiem do innego obszaru (np. web, cyberbezpieczeństwo), bo to filtruje wybór kursów, projektów, praktyk i tematów na co dzień.
Taka decyzja nie zamyka drogi na lata – chodzi o ułożenie planu na 6–12 miesięcy, żeby nie skakać chaotycznie między przypadkowymi technologiami i „fajnymi” narzędziami.
Bez podstaw z algebry liniowej, rachunku prawdopodobieństwa i statystyki nauka AI szybko „odbija się od ściany”, dlatego lepiej opanować proste, policzalne przykłady i rozumieć, co dzieje się „pod spodem”.
Opracowano na podstawie
Deep Learning. MIT Press (2016) – Podstawy deep learningu, matematyka, praktyczne modele i trening
