(in Polish) Narzędziownik AI: Podstawy 2401-K-MF-NAP

(in Polish) 30h – udział w zajęciach (praca przy komputerze, tutoriale, mini-zadania) 45h – praca własna (research narzędzi, realizacja projektów domowych, przygotowanie finałowej prezentacji narzędzia) łącznie 75h

(in Polish) Po zakończeniu modułu student: W01: Zna architekturę współczesnego ekosystemu narzędzi AI. Rozróżnia i klasyfikuje narzędzia pod kątem ich zastosowań praktycznych: od modeli konwersacyjnych (LLM) i silników wyszukiwawczych nowej generacji, przez zaawansowane systemy analizy źródeł (np. NotebookLM), aż po generatywne modele graficzne i wideo. W02: Rozumie logikę projektowania procesów zautomatyzowanych (Workflows) i agentowych. Zna zasady tworzenia spójnych ścieżek pracy łączących różne narzędzia AI oraz rozumie koncepcję "agentów" jako autonomicznych asystentów wykonujących złożone sekwencje zadań na podstawie instrukcji użytkownika. W03: Ma wiedzę na temat ograniczeń i ryzyk związanych z AI. Rozumie zjawisko halucynacji modeli, błędu systemowego (bias) oraz potrafi wskazać bariery technologiczne i techniczne obecnych rozwiązań. W04: Orientuje się w aspekty etyczne i prawne. Zna podstawowe zagadnienia dotyczące praw autorskich do treści generowanych przez AI, ochrony prywatności danych (GDPR/RODO) oraz etycznego wykorzystania AI w pracy akademickiej i zawodowej. W05: Zna rynek i ekosystem narzędzi AI. Potrafi sklasyfikować dostępne narzędzia pod kątem ich zastosowań (tekst, audio, wideo, analiza danych) i rozumie różnice między rozwiązaniami typu open-source a modelami komercyjnymi.

(in Polish) Po zakończeniu modułu student: U01: Skutecznie projektuje i optymalizuje zapytania (Prompt Engineering). Potrafi dobrać odpowiednią technikę promptowania do konkretnego zadania, debugować błędy w odpowiedziach AI oraz iteracyjnie prowadzić proces generowania treści, aby uzyskać wynik o wysokiej jakości. U02: Wykorzystuje zaawansowane narzędzia do pracy z wiedzą i danymi. Potrafi stworzyć własną bazę wiedzy (np. w NotebookLM), przeprowadzić profesjonalny research z użyciem silników AI (np. Perplexity) oraz wyciągać kluczowe informacje z obszernych, nieustrukturyzowanych dokumentów. U03: Tworzy i edytuje treści multimedialne przy użyciu modeli generatywnych. Sprawnie obsługuje narzędzia do generowania obrazów, dźwięku i wideo, potrafiąc zachować spójność stylistyczną i techniczną w ramach realizowanego projektu. U04: Konfiguruje i wdraża proste systemy agentowe oraz automatyzacje. Potrafi samodzielnie przygotować asystenta AI (np. Custom GPT) do konkretnego zadania (rola, instrukcja, wgrane pliki) oraz łączyć ze sobą różne narzędzia w celu usprawnienia pracy biurowej lub kreatywnej. U05: Krytycznie weryfikuje wyniki pracy systemów AI. Potrafi przeprowadzić proces weryfikacji faktów, zidentyfikować artefakty graficzne oraz halucynacje językowe, dostosowując końcowy materiał do standardów profesjonalnych i akademickich.

(in Polish) Po zakończeniu modułu student: K01: Wykazuje krytycyzm i odpowiedzialność w korzystaniu z technologii. Ma świadomość ryzyka związanego z halucynacjami AI i stronniczością algorytmów; rozumie konieczność weryfikacji treści przed ich upublicznieniem oraz bierze odpowiedzialność za finalny kształt wypracowanego materiału. K02: Prezentuje postawę etyczną i dba o transparentność. Rozumie znaczenie ochrony własności intelektualnej i danych osobowych; deklaruje użycie narzędzi AI w swoich pracach zgodnie z zasadami akademickimi i zawodowymi (uczciwość intelektualna). K03: Wykazuje gotowość do ciągłego uczenia się i adaptacji do zmian. Dostrzega dynamiczny charakter rozwoju technologii AI; potrafi samodzielnie selekcjonować nowe rozwiązania i jest otwarty na modyfikowanie swoich metod pracy w obliczu pojawiających się innowacji (tzw. lifelong learning).

(in Polish) Metody Dydaktyczne Pokaz z objaśnieniem (Live Demo): Prowadzący prezentuje na żywo działanie konkretnego narzędzia, pokazując nie tylko sukcesy, ale i błędy w promptowaniu oraz sposoby ich naprawy. Ćwiczenia laboratoryjne (Hands-on): Samodzielna praca studentów przy stanowiskach komputerowych nad konkretnymi zadaniami Metoda projektowa (Project-Based Learning): Przygotowanie finalnego projektu w parach, obejmujące research, testowanie i prezentację nowego narzędzia. Metoda odwróconej klasy (Flipped Classroom): Studenci zapoznają się z wybranym narzędziem lub artykułem przed zajęciami, a czas w laboratorium poświęcają na praktyczne testy i dyskusję o wynikach. Burza mózgów i dyskusja moderowana: Wspólne analizowanie wyników wygenerowanych przez AI pod kątem etyki, biasu (uprzedzeń) oraz przydatności biznesowej. Peer-learning (Uczenie się od siebie nawzajem): Podczas prezentacji finałowych studenci uczą resztę grupy obsługi narzędzia, które sami odkryli. Micro-learning: Krótkie, intensywne jednostki tematyczne kończące się szybkim „mini-zadaniem” do wykonania w trakcie zajęć.

(in Polish) Umiejętność krytycznego myślenia. Dostęp do kilku modeli językowych (mogą być darmowe). Ciekawość.

Additional information (registration calendar, class conductors, localization and schedules of classes), might be available in the USOSweb system:

• Description of 2401-K-MF-NAP in USOSweb