Kiedy warto, a kiedy nie warto sięgać po AI

🎯 Po co Ci to?

Znasz już oba sposoby pisania programu, więc czas na pytanie, które w praktyce zadaje się najczęściej i najczęściej odpowiada na nie źle: użyć AI czy nie? Umiejętność powiedzenia „tu AI nie jest potrzebna" jest rzadsza i cenniejsza niż umiejętność wytrenowania modelu. Ta jednostka daje Ci listę warunków, które muszą być spełnione, i listę sygnałów ostrzegawczych.

✅ Czego się nauczysz

Po tej lekcji potrafisz:

  • wymienić cztery warunki konieczne, by komputer mógł się czegoś nauczyć;
  • wskazać cechy zadania, które przemawiają za podejściem uczącym się, i cechy przemawiające za klasycznym;
  • ocenić konkretny przypadek i uzasadnić decyzję;
  • rozpoznać sytuacje, w których użycie AI jest ryzykowne z powodów innych niż techniczne.

🔁 Przypomnij sobie

Z Jednostki 3.2: w podejściu uczącym się trudność leży w danych i architekturze. Z Jednostki 2.3: klasyczny algorytm wymaga, byśmy znali przepis.

📘 Wyjaśnienie

Cztery warunki, bez których nauka się nie uda

Aby umożliwić komputerowi naukę wykonania konkretnego zadania, konieczne jest spełnienie poniższych warunków. Wyjaśnijmy je na przykładzie znanego problemu rozpoznawania ręcznie pisanych cyfr od 0 do 9.

  1. Dane treningowe. W przypadku rozpoznawania ręcznie pisanych cyfr dane treningowe stanowią zbiór obrazów przedstawiających cyfry od 0 do 9. Zazwyczaj potrzebujemy tysięcy obrazków każdej cyfry, aby komputer mógł nauczyć się różnorodności form i stylów pisania. Każdy obrazek powinien być opisany, co w tym kontekście oznacza przypisanie mu odpowiedniej cyfry. Te opisy, zwane etykietami (ang. label), umożliwiają komputerowi „zrozumienie", co jest przedstawione na każdym obrazku.
  2. Sztuczna sieć neuronowa. Aby komputer mógł przetwarzać dane treningowe i uczyć się z nich, potrzebujemy środowiska, w którym będzie się to odbywać. Sztuczne sieci neuronowe są zdolne do nauki i rozpoznawania wzorców w danych.
  3. Metoda oceny. Konieczne jest posiadanie metody, która pozwala ocenić, czy sieć uczy się poprawnie i czy osiąga pożądany poziom dokładności.
  4. Metoda zmiany. Konieczne jest posiadanie metody zmiany ustawień (parametrów) sieci w przypadku błędnego jej działania.

Zapamiętaj tę czwórkę — to szkielet całej Części III. Warunek 1 rozwiniemy w Dziale 9 (dane, cechy, etykiety), warunek 2 w Dziale 10 (co jest w środku sieci), a warunki 3 i 4 w Dziale 11 (funkcja straty i spadek gradientu — bo dokładnie tym są „metoda oceny" i „metoda zmiany").

Dla cyfr warunek pierwszy bywa spełniony bez wysiłku: możemy skorzystać z dostępnej publicznie bazy obrazków MNIST, zawierającej ręcznie pisane cyfry — 70 000 przykładów. Dla większości realnych zadań nikt takiego zbioru za nas nie przygotował, i to zwykle tu projekty umierają.

Kiedy AI ma sens

Podejście uczące się jest właściwym wyborem, gdy:

  • nie znamy przepisu, a rozpoznajemy wynik — potrafimy powiedzieć „to jest kot", „to streszczenie jest dobre", ale nie potrafimy wypisać reguł;
  • mamy dużo przykładów z wynikami — realnie: tysiące, nie dziesiątki (chyba że korzystamy z gotowego modelu i tylko go doszlifowujemy);
  • zadanie toleruje błędy — pomyłka jest kosztowna, ale nie katastrofalna, albo istnieje ludzka kontrola nad wynikiem;
  • wejście jest bogate i nieregularne — obraz, dźwięk, swobodny tekst; tam reguły ręczne rozsypują się najszybciej;
  • zjawisko się zmienia — spam, mowa potoczna, mody zakupowe: model da się douczyć na nowych danych, regulaminu reguł trzeba by przepisywać.

Kiedy AI jest złym pomysłem

Sięgnij po klasyczny algorytm (albo po prostu po arkusz kalkulacyjny), gdy:

  • reguła jest znana i jawna — podatek, odsetki, suma kontrolna PESEL, przeliczenie jednostek. Model dałby wynik „prawie zawsze poprawny", a tu „prawie" jest wadą;
  • wymagana jest pełna powtarzalność — ten sam wynik za każdym razem, co do groszy;
  • decyzja musi być wyjaśnialna — kredyt, rekrutacja, ocena szkolna, orzeczenie. Czarna skrzynka jest tu problemem nie technicznym, a prawnym i etycznym (Jednostki 20.2 i 20.3, AI Act);
  • danych jest mało albo są złej jakości — model nauczy się szumu i uprzedzeń zamiast zależności; lepszy prosty, jawny algorytm niż model udający kompetencję;
  • koszt błędu jest katastrofalny i nie ma nadzoru — decyzje medyczne bez lekarza, sterowanie bez człowieka w pętli;
  • problem jest mały — jeśli trzy reguły if rozwiązują sprawę, trenowanie modelu jest jak kupno kombajnu do skoszenia trawnika. Ten punkt bywa najczęściej ignorowany, bo AI dobrze brzmi w prezentacji.

💭 Pomyśl: Szkoła chce automatycznie oceniać wypracowania uczniów modelem językowym, żeby odciążyć nauczycieli. Wymień trzy argumenty za i trzy przeciw — a potem sformułuj warunek, przy którym uznałbyś to za dopuszczalne.

Sprawdź odpowiedź

Za: oszczędność czasu nauczyciela; natychmiastowa informacja zwrotna dla ucznia (a szybka informacja zwrotna jest jednym z najlepiej potwierdzonych czynników skuteczności nauki); jednolitość kryteriów między klasami.

Przeciw: ocena jest decyzją o konsekwencjach dla ucznia, a model jest czarną skrzynką i nie potrafi uzasadnić oceny tak, by dało się ją zweryfikować; model premiuje styl statystycznie typowy, więc karze wypracowania oryginalne; uczniowie szybko nauczą się „pisać pod model", co zniekształci sam cel zadania. Dodatkowo: dane wypracowań to dane osobowe małoletnich.

Warunek dopuszczalności: model daje informację zwrotną, nie ocenę — wskazuje miejsca do poprawy, a stopień zawsze wystawia człowiek, mając wgląd w uwagi modelu i możliwość ich odrzucenia. To dokładnie rozstrzygnięcie, które przyjmuje AI Act dla systemów edukacyjnych wysokiego ryzyka (Jednostka 20.3), i do którego wrócimy w Dziale 21.

Pytanie, które warto zadać przed każdym projektem

Zanim zapytasz „jakiego modelu użyć", zapytaj: jak rozpoznam, że system działa dobrze, i kto ponosi konsekwencje, gdy się pomyli? Jeśli nie umiesz odpowiedzieć na pierwszą część, nie masz warunku 3 (metody oceny) — a bez niego nie ma uczenia. Jeśli nie umiesz na drugą, problem nie jest techniczny i nie rozwiąże go lepszy model.

⚠️ Uwaga, pułapka

Najczęstszy błąd początkujących nie polega na wyborze złego modelu, ale na wybraniu zadania, którego nie da się ocenić. „Zbudujmy AI, która wybierze najlepszego kandydata na to stanowisko" brzmi konkretnie, ale nie jest zadaniem uczącym się: nie istnieje zbiór przykładów „kandydat → obiektywnie najlepszy wynik", bo nie wiemy, jak wypadliby odrzuceni. Model wytrenowany na dawnych decyzjach rekrutacyjnych nie nauczy się wybierać najlepszych — nauczy się powtarzać dawne decyzje, wraz z ich uprzedzeniami. Znane historie tego typu (Jednostka 20.2) nie są awarią techniki; są konsekwencją źle postawionego zadania.

📐 Definicje tej lekcji

  • Dane treningowe — przykłady, na których uczy się model.
  • Etykieta (label) — opis przypisany przykładowi, mówiący, jaki wynik jest dla niego oczekiwany.
  • Metoda oceny — sposób sprawdzenia, czy model uczy się poprawnie.
  • Metoda zmiany — sposób modyfikowania parametrów modelu, gdy działa błędnie.
  • MNIST — publiczny zbiór 70 000 obrazków ręcznie pisanych cyfr, klasyczny zbiór testowy uczenia maszynowego.

📌 Najważniejsze w pigułce

  • Cztery warunki nauki: dane z etykietami, środowisko (sieć), metoda oceny, metoda zmiany.
  • AI ma sens, gdy nie znamy przepisu, ale rozpoznajemy wynik i mamy dużo przykładów.
  • AI jest złym wyborem, gdy reguła jest znana, wynik musi być powtarzalny i wyjaśnialny albo danych jest mało.
  • Umiejętność powiedzenia „tu AI nie jest potrzebna" jest cenniejsza niż wytrenowanie modelu.
  • Zawsze pytaj: jak zmierzę sukces i kto odpowiada za błąd — to pytania ważniejsze od wyboru architektury.

🎒 Zadania

Zadanie 3.5.1. Dla każdego zadania rozstrzygnij: klasyczny algorytm czy uczenie maszynowe? Uzasadnij jednym zdaniem. (a) Przeliczanie walut po kursie NBP; (b) rozpoznawanie gatunku ptaka ze zdjęcia; (c) wyliczenie średniej ocen; (d) wykrywanie oszukańczych transakcji kartą; (e) sprawdzanie, czy hasło ma co najmniej 8 znaków i cyfrę; (f) automatyczne napisy do filmu.

Pokaż rozwiązanie

(a) klasyczny — reguła jawna i musi być dokładna; (b) ML/DL — nie umiemy wypisać reguł, mamy zbiory zdjęć; (c) klasyczny — arytmetyka; (d) ML — wzorce nieregularne, zmienne w czasie, dużo danych historycznych, tolerancja na błąd przy ludzkiej weryfikacji; (e) klasyczny — reguła trywialna, model byłby absurdem; (f) DL — rozpoznawanie mowy, wejście bogate i nieregularne.

Zadanie 3.5.2. Wybierz jedno zadanie, dla którego wskazałeś ML, i opisz, jak wyglądałby dla niego zbiór treningowy: co jest jednym przykładem, co jest etykietą, ile przykładów potrzebujesz i skąd je weźmiesz.

Pokaż rozwiązanie

Dla rozpoznawania ptaków: jeden przykład = jedno zdjęcie; etykieta = nazwa gatunku; potrzeba co najmniej kilkuset–kilku tysięcy zdjęć na gatunek, w różnych warunkach (pora dnia, pogoda, ujęcie, ptak w locie i na gałęzi); źródło = ornitologiczne bazy zdjęć z opisami, obserwacje społecznościowe, zbiory typu iNaturalist.

Kluczowa uwaga: jeśli wszystkie zdjęcia bogatka pochodzą z karmnika zimą, model nauczy się rozpoznawać karmnik i śnieg, nie ptaka. Reprezentatywność danych jest ważniejsza od ich liczby.

Zadanie 3.5.3. Sformułuj zadanie z Twojego otoczenia (szkoła, dom, hobby), które chciałbyś zautomatyzować. Sprawdź je po kolei czterema warunkami nauki i napisz, który warunek jest najtrudniejszy do spełnienia i dlaczego.

Pokaż rozwiązanie

Przykład: „program, który podpowie mi, czego uczyć się dziś do sprawdzianu". Dane: musiałbyś mieć historię swoich powtórek i wyników — prawdopodobnie jej nie masz; etykieta („czego powinienem był się uczyć") w ogóle nie jest obserwowalna. Sieć: banalna. Metoda oceny: co uznasz za sukces — wyższą ocenę? mniejszy stres? Metoda zmiany: standardowa.

Najtrudniejsze prawie zawsze są warunek 1 (dane z sensownymi etykietami) i warunek 3 (metoda oceny) — czyli te dwa, które nie są techniczne, a merytoryczne. To najczęstsza przyczyna, dla której projekty AI nie powstają albo powstają bezużyteczne.

🔍 Sprawdź, czy umiesz

  • [ ] Wymienić z pamięci cztery warunki, bez których komputer się nie nauczy.
  • [ ] Podać trzy cechy zadania przemawiające za AI i trzy przeciw.
  • [ ] Rozstrzygnąć konkretny przypadek i uzasadnić decyzję.
  • [ ] Wyjaśnić, dlaczego „wybierz najlepszego kandydata" jest źle postawionym zadaniem.
  • [ ] Zadać dwa pytania wstępne: jak zmierzę sukces i kto odpowiada za błąd.

Ucz się tej jednostki z asystentem