Generatywna AI i prompt engineering 2700-GAI(KC)-OG

Generatywna AI stała się narzędziem codziennej pracy z tekstem, obrazem i informacją, ale jakość jej wyników zależy w dużej mierze od tego, jak użytkownik formułuje polecenia i jak sprawdza odpowiedzi. Warsztaty prowadzą od podstaw działania modeli językowych (tokeny, okno kontekstu, parametry takie jak temperatura, przyczyny halucynacji) przez budowę polecenia (rola, zadanie, kontekst, format, ograniczenia; metoda 5W+H) do technik zaawansowanych: poleceń z przykładami (few-shot), poleceń warstwowych i łańcuchów poleceń, pracy z własnymi źródłami, tworzenia poleceń do generatorów obrazu oraz konfigurowania własnych asystentów AI. Studenci porównują różne narzędzia (czaty ogólne, wyszukiwarki z AI, generatory obrazu) i uczą się dobierać je do zadania.
Równolegle zajęcia rozwijają nawyk krytycznej oceny wyników: weryfikację faktów i źródeł, rozpoznawanie stronniczości, ochronę danych osobowych i poufnych, zasady prawa autorskiego oraz obowiązki przejrzystości wynikające z aktu w sprawie sztucznej inteligencji i dobrych praktyk przyjętych na Uniwersytecie Warszawskim. Każdy warsztat łączy krótki pokaz z ćwiczeniami w zespołach trzyosobowych; przez cały semestr zespoły budują projekt zaliczeniowy dla wybranego, rzeczywistego zastosowania.
Cele kształcenia:
• przekazanie wiedzy o zasadach działania, możliwościach i ograniczeniach narzędzi generatywnej AI,
• wykształcenie umiejętności projektowania, testowania i doskonalenia poleceń dla modeli tekstowych i generatorów obrazu,
• przygotowanie do odpowiedzialnego, przejrzystego i bezpiecznego korzystania z AI w nauce i pracy zawodowej.

Koordynatorzy przedmiotu

Agnieszka Marzęda

Rodzaj przedmiotu

fakultatywne
ogólnouniwersyteckie

Tryb prowadzenia

w sali

Efekty uczenia się

Po odbyciu zajęć student:
1. w zakresie wiedzy:
• W1. objaśnia zasady działania modeli językowych i generatorów obrazu oraz przyczyny ich typowych błędów,
• W2. zna techniki tworzenia poleceń oraz prawne i etyczne zasady korzystania z generatywnej AI,
2. w zakresie umiejętności:
• U1. formułuje, testuje i iteracyjnie poprawia polecenia dla różnych narzędzi i zadań,
• U2. konfiguruje prostego asystenta AI i dokumentuje jego działanie,
• U3. ocenia jakość, wiarygodność i bezpieczeństwo wyników generowanych przez AI,
3. inne kompetencje:
• K1. jest gotów do przejrzystego i odpowiedzialnego korzystania z AI oraz do współpracy w zespole.

Kryteria oceniania

Ocena końcowa: ocena z projektu zespołowego realizowanego w zespołach trzyosobowych w trakcie semestru i zaprezentowanego na ostatnich zajęciach. Ocena uwzględnia jakość i dokumentację rozwiązania, prezentację oraz odpowiedzi każdego członka zespołu na pytania prowadzącej. Szczegółowe wymagania i kryteria są podawane na pierwszych zajęciach.
Warunki zaliczenia:
• oddanie projektu i udział w jego prezentacji,
• uzyskanie co najmniej 51 pkt na 100 możliwych,
• spełnienie wymogu obecności opisanego poniżej.
Skala ocen:
51 do 60 pkt: dostateczny (3); 61 do 70 pkt: dostateczny plus (3,5); 71 do 80 pkt: dobry (4); 81 do 90 pkt: dobry plus (4,5); 91 do 100 pkt: bardzo dobry (5).
Projekt zawiera notę o użyciu AI: jakie narzędzia, do czego i jak sprawdzono wyniki.
Termin poprawkowy: poprawa projektu w sesji poprawkowej na zasadach ustalonych z prowadzącym.
Warsztaty:
• krótkie wprowadzenia z pokazem narzędzi na żywo (prowadząca demonstruje, grupa analizuje wyniki),
• ćwiczenia w zespołach trzyosobowych: pisanie, porównywanie i poprawianie poleceń,
• porównania tego samego polecenia w różnych narzędziach i z różnymi technikami,
• analiza błędów i halucynacji, dyskusja o prawie, etyce i bezpieczeństwie danych,
• metoda projektu z konsultacjami na zajęciach i prezentacją końcową,
• materiały i oddawanie prac przez wspólny folder zajęć na Dysku Google.

Na zajęciach obowiązuje limit 2 nieobecności w trakcie semestru. Po przekroczeniu limitu student jest zobowiązany do uzupełnienia zajęć na zasadach ustalonych przez prowadzącego. Po przekroczeniu limitu 50% nieobecności zaliczenie nie jest możliwe i skutkuje niezaliczeniem zajęć. Student usprawiedliwia nieobecność niezwłocznie, wysyłając maila do prowadzącego lub na kolejnych zajęciach. Prowadzący ma prawo żądania przedstawienia zaświadczenia lekarskiego.

Literatura

Literatura obowiązkowa
1. Kacprzak, A. (2024). Prompt engineering i ChatGPT. Poradnik skutecznej komunikacji ze sztuczną inteligencją. Helion.
2. Phoenix, J., Taylor, M. (2025). Skuteczna inżynieria promptów. Przyszłościowe rozwiązania dla rzetelnych wyników generatywnej AI. Helion.

Literatura uzupełniająca
1. Alto, V. (2026). Praktyczne zastosowania generatywnej AI i ChatGPT. Wykorzystaj potencjał inżynierii promptów z technologiami OpenAI dla zwiększenia produktywności i kreatywności (wyd. II). Helion.
2. Berryman, J., Ziegler, A. (2025). Prompt engineering. Projektowanie aplikacji z wykorzystaniem LLM. Helion.
3. Huyen, C. (2025). Inżynieria AI. Tworzenie aplikacji z wykorzystaniem modeli bazowych. Helion.
4. OpenAI. Prompt engineering. Dokumentacja online (jęz. angielski). https://developers.openai.com/api/docs/guides/prompt-engineering
5. Anthropic. Prompt engineering overview. Dokumentacja online (jęz. angielski). https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview

Więcej informacji

Więcej informacji o poziomie przedmiotu, roku studiów (i/lub semestrze) w którym się odbywa, o rodzaju i liczbie godzin zajęć - szukaj w planach studiów odpowiednich programów. Ten przedmiot jest związany z programami: