Narzędziownik AI: Podstawy 2401-K-MF-NAP

Przedmiot ma charakter praktycznego laboratorium kompetencyjnego, ukierunkowanego na naukę świadomego i krytycznego wykorzystywania narzędzi sztucznej inteligencji (AI). Program koncentruje się na dwóch filarach: usprawnieniu procesów pracy (produktywność i multimedia) oraz profesjonalnym wsparciu warsztatu akademickiego.

W ramach zajęć studenci opanowują techniki zaawansowanego modelowania zapytań (Prompt Engineering) w pracy z modelami LLM. Szczególny nacisk położony jest na wykorzystanie AI jako asystenta badawczego: od wyszukiwania i weryfikacji wiarygodnych źródeł w bazach naukowych, przez automatyzację przeglądu literatury, aż po syntezę i strukturyzację złożonych danych tekstowych (np. przy użyciu narzędzi typu RAG, jak NotebookLM).

Integralną częścią kursu jest analiza zagadnień etycznych i prawnych. Studenci uczą się rozpoznawać ograniczenia technologii (halucynacje, błędy systemowe) oraz stosować zasady transparentności i uczciwości intelektualnej w pracach akademickich.

Całkowity nakład pracy studenta

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

Efekty uczenia się - wiedza

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.

Efekty uczenia się - umiejętności

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.

Efekty uczenia się - kompetencje społeczne

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).

Koordynatorzy przedmiotu

Bibianna Bałaj
Piotr Jarczyk

Metody dydaktyczne

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.

Wymagania wstępne

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

Więcej informacji

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

Strona przedmiotu 2401-K-MF-NAP w USOSweb