Zaawansowana analiza danych i AI w mediach 2700-M-LM-D2ZADA
Przedmiot „Zaawansowana analiza danych i AI w mediach" stanowi praktyczne wprowadzenie do nowoczesnych technologii sztucznej inteligencji w kontekście branży mediowej. Studenci zapoznają się z architekturą i działaniem dużych modeli językowych (LLM), technikami rozszerzonego wyszukiwania informacji (RAG), projektowaniem autonomicznych przepływów pracy (Agentic Workflow) oraz platformami do automatyzacji procesów (n8n, Make, Zapier i pokrewne). Omawiane zagadnienia są osadzone w realiach współczesnych organizacji medialnych – od redakcji newsowych, przez platformy streamingowe, po systemy dystrybucji treści – co pozwala studentom zrozumieć, jak technologie AI realnie zmieniają sposób produkcji, weryfikacji i personalizacji mediów. Przedmiot nawiązuje do zagadnień poruszanych w ramach kursów z zakresu dziennikarstwa cyfrowego, zarządzania danymi oraz strategii medialnych, tworząc spójne uzupełnienie ścieżki kształcenia.
Zajęcia mają silny charakter praktyczny. W trakcie semestru studenci realizują projekty w metodyce vibe coding – iteracyjnego tworzenia prototypów z pomocą narzędzi AI – co pozwala na szybkie budowanie działających rozwiązań bez konieczności zaawansowanego przygotowania programistycznego. Projekt zaliczeniowy polega na samodzielnym zaprojektowaniu i wdrożeniu narzędzia opartego na AI w wybranym obszarze mediowym (np. automatyczny monitoring treści, system rekomendacji, agent do fact-checkingu, newsletter generowany przez AI). Zdobyta wiedza i umiejętności bezpośrednio przekładają się na kompetencje poszukiwane przez redakcje, domy mediowe, agencje contentowe oraz startupy medialne, które coraz powszechniej integrują rozwiązania AI w swoich procesach operacyjnych.
Cele kształcenia:
Zrozumienie architektury i możliwości współczesnych modeli LLM oraz techniki RAG w zastosowaniach medialnych.
Nabycie umiejętności projektowania i wdrażania autonomicznych przepływów pracy (Agentic Workflow) z wykorzystaniem platform automatyzacji.
Rozwinięcie kompetencji praktycznych w zakresie prototypowania narzędzi AI metodą vibe coding.
Kształtowanie krytycznego spojrzenia na możliwości i ograniczenia AI w kontekście etyki mediów i jakości informacji.
Koordynatorzy przedmiotu
Efekty kształcenia
Po odbyciu zajęć student:
1. W zakresie wiedzy:
zna architekturę i zasady działania dużych modeli językowych (LLM) oraz technikę Retrieval-Augmented Generation (RAG) w zastosowaniach medialnych,
rozumie koncepcję Agentic Workflow i potrafi opisać mechanizmy działania autonomicznych agentów AI w procesach redakcyjnych i dystrybucji treści,
zna wiodące platformy do automatyzacji procesów (n8n, Make, Zapier) oraz rozumie ich możliwości i ograniczenia w kontekście organizacji medialnych,
rozumie implikacje etyczne i prawne stosowania AI w mediach, w tym zagadnienia związane z dezinformacją, biasem algorytmicznym i odpowiedzialnością redakcyjną.
2. W zakresie umiejętności:
potrafi zaprojektować i wdrożyć działający prototyp narzędzia opartego na AI dla wybranego zastosowania medialnego z wykorzystaniem metody vibe coding,
potrafi zbudować prosty pipeline RAG integrujący zewnętrzne źródła danych z modelem językowym,
potrafi skonfigurować zautomatyzowany przepływ pracy (workflow) z wykorzystaniem platform automatyzacji w środowisku medialnym,
potrafi krytycznie ocenić jakość i wiarygodność wyników generowanych przez systemy AI w kontekście dziennikarskim.
3. Inne kompetencje:
jest gotów do samodzielnego i iteracyjnego rozwiązywania problemów z wykorzystaniem narzędzi AI, przyjmując postawę eksperymentatora i krytycznego użytkownika technologii,
potrafi pracować projektowo w środowisku narzędzi AI, organizując własny proces twórczy zgodnie z metodyką szybkiego prototypowania,
jest świadomy dynamiki zmian technologicznych w branży medialnej i rozumie potrzebę ciągłego aktualizowania kompetencji cyfrowych,
potrafi ocenić potencjał i ryzyko wdrożenia konkretnego rozwiązania AI w organizacji medialnej, uwzględniając aspekty operacyjne, etyczne i biznesowe.
Kryteria oceniania
1. Aktywność na zajęciach
Aktywne uczestnictwo w ćwiczeniach, dyskusjach i warsztatach stanowi 10% oceny końcowej. W przypadku oceny spornej aktywność oraz obecność na zajęciach mogą być dodatkowym czynnikiem wpływającym na ocenę końcową.
2. Projekt zaliczeniowy
Samodzielnie zaprojektowane i wdrożone narzędzie oparte na AI w wybranym zastosowaniu medialnym (realizowane metodą vibe coding). Projekt składa się z:
działającego prototypu,
krótkiej dokumentacji technicznej (max. 2 strony),
prezentacji wyników na ostatnich zajęciach (10–15 minut).
Projekt musi zostać oddany w terminie wskazanym przez prowadzącego i stanowi 90% oceny końcowej.
Skala ocen końcowych:
Punkty; Ocena:
91–100% - 5,0
81–90% - 4,5
71–80% - 4,0
61–70%- 3,5
51–60%- 3,0
00–50% - 2,0 (nzal.)
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
Russell, S., Norvig, P. – Artificial Intelligence: A Modern Approach (4th ed.),
Marz, N., Warren, J. – Big Data: Principles and Best Practices of Scalable Real-Time Data Systems,
Lewis, P. et al. – Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks, arXiv:2005.11401, 2020
Ng, A. – AI For Everyone (materiały kursu), DeepLearning.AI, 2023 – dostępne bezpłatnie online
Newman, N. – Journalism, Media, and Technology Trends and Predictions
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: