Praktyki grupowe AI
Dla osób, które chcą pracować na wspólnym rdzeniu programu i dojść do własnego efektu końcowego.
1000 zł za osobę
- wspólny rdzeń programu
- workflow lub mini projekt
- możliwość rat
AI i sztuczna inteligencja w praktyce
AI dla uczniów i studentów
To nie jest kurs o modzie na AI. To praktyczna ścieżka pracy z narzędziami, automatyzacją i własnym workflow, prowadzona spokojnie, projektowo i z mentorem, który pilnuje sensu.
- AI jako narzędzie, nie hype
- workflow i projekt zamiast chaosu
- mentor, feedback i weryfikacja jakości
1000 zł praktyki grupowe
3800 zł praktyki premium (1:1 lub do 3 osób)
+ 500 zł za każdą dodatkową osobę w premium
capybit-ai.console
Ty
napisz mi referat o AI
Ty, iteracja 2
Przygotuj plan referatu o praktycznym użyciu AI w nauce (3 sekcje, odbiorca: licealista). Wypunktuj tezy i źródła do weryfikacji.
cel kontekst format
AI
GPT powstał w 1997 roku i jest używany przez 96% polskich szkół. Źródło: „Raport AI 2024”.
kliknij, żeby zobaczyć, co wymaga weryfikacji
- data powstania wymaga sprawdzenia w źródle
- statystyka brzmi jak halucynacja
- cytowane źródło trzeba zweryfikować
- Researchpytania i źródła
- Iteracjaprompt v1 → v3
- Weryfikacjafakty i jakość
- Efektprojekt / workflow
zobacz mini proces krok po kroku
- › pobierz notatki z lekcji
- › streść i wypunktuj kluczowe tezy
- › dobierz pytania kontrolne
- › zapisz wynik do pliku nauki
Umiejętności
Czego nauczysz się w praktyce
Zakres nie jest abstrakcyjny. Chodzi o umiejętności, które da się wykorzystać w nauce, projekcie i codziennej pracy cyfrowej. Wybierz zakładkę, aby zobaczyć interaktywne demo każdej umiejętności.
Klasyfikacja AI — co kryje się pod hasłem „AI"
AI to parasol nad kilkoma dziedzinami: uczeniem maszynowym, sieciami głębokimi, modelami języka i agentami. Uczysz się rozróżniać, co właściwie robi narzędzie, z którego korzystasz.
AI
Parasol: wszystko, co naśladuje aspekt ludzkiej inteligencji — od reguł, przez statystykę, po sieci neuronowe.
- AI ⊃ Machine Learning ⊃ Deep Learning ⊃ LLM / Vision
- klasyfikacja vs regresja vs generowanie
- uczenie nadzorowane, nienadzorowane i ze wzmocnieniem
Kliknij węzeł na mapie, aby zobaczyć krótkie wyjaśnienie i przykład zastosowania.
pewność modelu
- kot86%
- pies10%
- inne4%
cechy, na których model bazował
Klasyfikacja — model rozpoznaje, co widzi
Najpopularniejsza klasa problemów ML: model przypisuje wejście do jednej z kategorii i oddaje pewność (probability) każdej z nich.
- rozpoznawanie obrazu, tekstu, dźwięku
- softmax i pewność modelu (confidence)
- features: na czym model bazuje decyzję
Wybierz obrazek, aby model „rozpoznał" obiekt i pokazał rozkład prawdopodobieństw.
przewidywana cena 540 tys. zł
y = 9,1 · x + 40 Regresja — przewidywanie liczby zamiast etykiety
Tu model nie wybiera kategorii, tylko przewiduje wartość liczbową: cenę, czas, temperaturę. Linia regresji to zwykłe równanie y = a·x + b dopasowane do danych.
- predykcja ciągłej wartości
- dopasowanie linii do punktów (least squares)
- gdy zależność jest nieliniowa — sieć neuronowa
Przesuń suwak metrażu mieszkania, aby zobaczyć, jak model przewiduje cenę po linii regresji.
Od: nieznany@promo.io Temat: ostatnia szansa
Cześć! kupon zniżkowy w naszej . Aby odebrać, otwórz załączoną i podaj do konta. Standardowa do potwierdzenia.
P(spam | dane) 50%
Kliknij słowo, aby model uwzględnił je w obliczeniach. Każde słowo ma „wagę" — wkład w prawdopodobieństwo klasy. To naiwny Bayes: P(spam | słowa) ∝ P(słowa | spam) · P(spam).
Statystyka w środku — Bayes na palcach
AI to w dużej mierze statystyka. Naiwny klasyfikator Bayesa pokazuje, jak prawdopodobieństwa P(klasy) i P(cechy|klasa) składają się w decyzję o tym, czy mail to spam.
- P(klasa | dane) ∝ P(dane | klasa) · P(klasa)
- jak słowa „wygrałeś", „faktura" przesuwają wynik
- dlaczego model bywa pewny mimo błędu (overconfidence)
Włącz lub wyłącz słowa kluczowe w mailu, aby zobaczyć, jak zmienia się prawdopodobieństwo spamu.
aₖ = f(Σ wᵢ · xᵢ + b) warstwa · waga · sygnał + bias → aktywacja Sieć neuronowa — warstwy i forward pass
Najniżej AI to mnożenie macierzy i funkcje aktywacji. Sygnał wchodzi do wejścia, przebiega przez warstwy ukryte, a w wyjściu pojawia się decyzja.
- warstwy: input, hidden, output
- waga · sygnał + bias → funkcja aktywacji
- głębokie sieci uczą się reprezentacji krok po kroku
Naciśnij „Forward pass", aby zobaczyć, jak sygnał przepływa przez warstwy sieci.
1. tekst
Capybara lubi watermelon!
2. tokeny
3. ID + embedding (4-wym.)
Tokeny i embeddingi — jak model „rozumie" tekst
Model języka nie widzi liter ani słów — widzi tokeny (fragmenty słów) zamienione na liczby, a potem na wektory cech. To na tym poziomie powstaje „rozumienie".
- tekst → tokeny → ID → wektor (embedding)
- podobne znaczenia leżą blisko w przestrzeni wektorów
- na tym polega wyszukiwanie semantyczne i RAG
Wpisz krótki tekst lub wybierz przykład, aby zobaczyć tokeny, ich ID i wektory cech.
- epoka0 / 30
- loss1
- accuracy0.0%
Trening — schodzenie po krzywej straty
Model uczy się tak: liczy błąd (loss), wylicza gradient i robi mały krok w stronę mniejszego błędu. Powtarzane tysiące razy daje dopasowanie do danych.
- epoki, batch, learning rate
- gradient descent — krok w dół po krzywej straty
- overfitting vs walidacja na nowych danych
Naciśnij „Trenuj", aby zobaczyć, jak punkt schodzi po krzywej straty, a metryki rosną.
capybit-ai.console 1 / 3
prompt
Napisz coś o JavaScript.odpowiedź
JavaScript to popularny język programowania używany w przeglądarkach…
jakość 32%
Prompting i iteracja
Praktyka: jak prowadzić model krok po kroku — od ogólnego pytania do precyzyjnego polecenia z rolą, celem, kontekstem i formatem odpowiedzi.
- rola, cel, kontekst, format
- iteracja zamiast jednego strzału
- porównywanie wyników krok po kroku
Klikaj „Iteruj prompt", aby zobaczyć, jak zmienia się polecenie i jakość odpowiedzi.
odpowiedź modelu
React powstał w Facebooku w 2013 roku. Hooks pojawiły się w wersji 14 i całkowicie zastąpiły komponenty klasowe. JSX to oficjalny standard ECMAScript. Biblioteka ma duży ekosystem i jest jedną z najczęściej używanych w branży. Wirtualny DOM gwarantuje zawsze szybszą aplikację niż czysty JS.
Ocena odpowiedzi i halucynacje
Praktyka: jak patrzeć krytycznie na to, co model zwraca. Wykrywanie halucynacji, uproszczeń i tez wymagających źródła.
- wykrywanie halucynacji i uproszczeń
- fakt vs opinia modelu
- oznaczanie tez wymagających weryfikacji
Kliknij „Sprawdź jakość", aby model sam oznaczył miejsca wymagające weryfikacji.
- Notatki z lekcji
Surowy materiał na wejściu pipeline’u.
- Streszczenie
AI zamienia notatki w 5 zwięzłych tez.
- Pytania kontrolne
3 pytania sprawdzające, czy rozumiem temat.
- Plik nauki .md
Gotowy dokument do powtórek i pracy własnej.
plik-nauki.md
5 tez + 3 pytania + sekcja powtórek — wszystko w jednym pliku.
Automatyzacja prostych zadań
Praktyka: budowa małych pipeline’ów. Notatki → streszczenie → pytania kontrolne → plik nauki, jednym promptem zamiast ręcznymi krokami.
- łańcuchy promptów i kroków
- powtarzalne procesy zamiast klikania
- jasny wynik końcowy zamiast chaosu
Kliknij „Uruchom pipeline", aby zobaczyć cztery kroki przetwarzania w akcji.
Cennik
AI: prosty wybór wariantu
Praktyki grupowe oraz praktyki premium (1:1 lub w kameralnej grupie do 3 osób). Niestandardowy zakres wyceniamy po rozmowie.
Praktyki premium AI
Praktyki premium odbywają się w formule 1:1 lub w kameralnej grupie do 3 osób. Każda dodatkowa osoba zwiększa cenę o 500 zł.
3800 zł + 500 zł za każdą dodatkową osobę
- 1:1 lub do 3 osób
- własny workflow
- elastyczne terminy
Inny zakres szkolenia
Np. 320h, kilka miesięcy pracy, krótsze praktyki IT, AI połączone z webem albo wymagania konkretnej szkoły.
Indywidualnie ustalana cena
- wycena po rozmowie
- dopasowanie godzin
- możliwy plan dla szkoły
Na rozmowie wstępnej ustalamy cel pracy z AI, poziom uczestnika i realny efekt końcowy. Płatność można rozłożyć na raty.
Dla kogo
Dla kogo ten temat ma największy sens
Ta ścieżka jest dla osób, które chcą używać AI praktycznie, mądrze i z konkretnym efektem końcowym.
Uczeń i licealista
Dla osób, które chcą zrozumieć, jak sensownie korzystać z AI w nauce, projektach i codziennej pracy cyfrowej.
Student
Dla studentów, którzy chcą przyspieszyć research, pracę nad projektem i zbudować własny workflow oparty na AI.
Szkoła lub grupa
Dla szkół i opiekunów, którzy chcą pokazać uczniom AI w praktycznej, odpowiedzialnej i projektowej formule.
Efekt końcowy
Co możesz z tego wynieść
Najważniejsze jest to, co zostaje po szkoleniu: własny workflow, projekt albo automatyzacja, a nie tylko lista narzędzi.
Workflow do nauki
Własny sposób pracy z AI do researchu, notatek, pytań kontrolnych i porządkowania materiału.
Mini automatyzacja
Prosty proces, który skraca ręczne zadania i pokazuje, jak AI pomaga w codziennej pracy cyfrowej.
Projekt AI + web
Niewielki projekt łączący AI z interfejsem, formularzem, zadaniem szkolnym lub własnym pomysłem.
Zestaw promptów i zasad
Gotowy zestaw poleceń, kryteriów oceny i własnych praktyk pracy z narzędziami AI.
AI ma pomagać myśleć, nie myśleć za Ciebie
Ta ścieżka nie uczy bezrefleksyjnego kopiowania odpowiedzi modelu. Chodzi o rozsądne korzystanie z narzędzi i budowanie jakości pracy.
- sprawdzanie odpowiedzi modeli zamiast ślepego kopiowania
- wykrywanie halucynacji i uproszczeń
- oddzielanie pomocy narzędzia od własnego rozumienia
- praca odpowiedzialna i etyczna
- zamiana odpowiedzi modelu w sensowną pracę własną
To dobra ścieżka także dla rodzica i szkoły
AI jest dziś modne, ale właśnie dlatego wymaga spokojnego i odpowiedzialnego prowadzenia. Ta oferta pokazuje praktykę, organizację i efekt, a nie pusty marketing.
Jeśli temat AI ma wejść do współpracy ze szkołą, zakres można doprecyzować tak, by pasował do wieku uczestników i realiów organizacyjnych.
Zobacz kontekst dla szkół Dokumenty
Dokumenty dotyczące szkolenia AI
Pliki są jeszcze w przygotowaniu, ale tutaj pojawią się materiały porządkujące organizację i zakres współpracy.
Makieta PDF Dokument
Cel i zakres szkolenia
Miejsce na dokument z opisem programu, celów i przykładów zastosowań AI.
Makieta PDF Dokument
Regulamin i zasady pracy
Miejsce na dokument porządkujący organizację zajęć, bezpieczeństwo i sposób pracy z narzędziami.
FAQ
Najczęstsze pytania o temat AI
To pytania, które zwykle pojawiają się przed pierwszą rozmową o tej ścieżce.
Czy to szkolenie AI jest dla początkujących?
Tak. Program można zacząć bez głębokiego zaplecza technicznego, jeśli celem jest praktyczne wykorzystanie AI i pracy projektowej.
Czy trzeba już umieć programować?
Nie zawsze. To zależy od celu. Część ścieżek skupia się na workflow, researchu i automatyzacji, a część może łączyć AI z projektem technicznym.
Czy to jest bardziej o narzędziach czy o projektach?
O obu rzeczach jednocześnie. Narzędzia są środkiem, ale celem jest konkretny proces pracy, efekt końcowy albo mini projekt.
Czy AI na tej stronie oznacza machine learning i matematykę?
Nie. To strona o praktycznym użyciu AI, automatyzacji i sensownej pracy z narzędziami, a nie o zaawansowanym data science.
Czy szkoła może zgłosić grupę uczniów na temat AI?
Tak. Temat AI może wejść jako ścieżka praktyk lub dodatkowych zajęć rozwojowych, jeśli zakres zostanie wcześniej doprecyzowany.
Następny krok
Chcesz sprawdzić, czy temat AI ma sens w Twoim przypadku?
Krótka rozmowa wystarczy, żeby ocenić, czy lepsza będzie mała grupa, praktyki premium (1:1 lub do 3 osób) czy niestandardowy zakres szkolenia.