Blokada podejrzanej transakcji - wykrywanie anomalii w czasie realnym.
Porządkujemy pojęcia
AI, uczenie maszynowe, LLM - to nie synonimy.
AI - cel: maszyna robi coś, co „wygląda mądrze". Najszersze pojęcie (nawet reguły „jeżeli-to").
Uczenie maszynowe (ML) - maszyna uczy się z danych, zamiast być zaprogramowana ręcznie. Jak kalibracja przyrządu na pomiarach.
LLM - szczególny rodzaj ML wyspecjalizowany w języku. To silnik ChatGPT.
Zasada: każdy LLM to AI, ale nie każde AI to LLM. Zbiory zagnieżdżone.
Skąd to się wzięło
Pięć kroków - od sztywnych reguł do rozmowy.
Kiedyś inżynier ręcznie pisał każdą regułę. Dziś maszyna sama wyciąga wzorce z danych - a im więcej warstw, tym subtelniejsze rzeczy potrafi wychwycić.
Dlaczego akurat teraz?
Trzy rzeczy spotkały się w jednym czasie.
Moc obliczeniowa podwaja się mniej więcej co dwa lata.
Gordon Moore, 1965 - prognoza, która się SPRAWDZIŁA
Nie każda prognoza była pudłem. Ta trzymała się przez pół wieku - i dała AI paliwo obliczeniowe.
Dane - miliardy zdań do nauki.
Moc - karty graficzne liczą to w rozsądnym czasie.
Transformer - sprytny sposób „czytania" tekstu (blok 2).
Uczciwie o narzędziu
W czym jest mistrzem, a gdzie łatwo się myli.
✓ Robi DOBRZE
Rozumie i pisze język - streszcza, tłumaczy, redaguje.
Wyłapuje wzorce w ogromie danych i tekstu.
Podpowiada, szkicuje, przyspiesza nudną robotę.
Zawsze cierpliwy, dostępny 24/7, nie narzeka.
⚠ Robi ŹLE (uważaj)
Liczby i fakty - potrafi zmyślać „pewnie i płynnie".
Nie zna Twoich danych, jeśli mu ich nie dasz.
Nie rozumie fizyki - nie policzy Ci ciśnienia jak solver.
Nie bierze odpowiedzialności - podpis zostaje Twój.
Traktuj go jak zdolnego stażystę: świetny do szkiców i tekstu, ale każdą liczbę sprawdzasz sam.
Podsumowanie · Blok 1
Co już wiemy - i co nas gryzie.
AI to rodzina; LLM to jej gałąź od języka.
Nie „nagle" - złożyły się dane + moc + Transformer.
Świetny w języku i wzorcach, ostrożnie z faktami i liczbami.
80 lat lekceważenia maszyn = lekcja pokory. Nie powtarzajmy błędu.
Skoro model nie myśli jak człowiek - to jak on właściwie działa?
Otwieramy maszynę w Bloku 2. →
Blok 2 · Jak działa LLM
Zacznijmy od najprostszego: zgadywanie następnego słowa
Znasz to z telefonu. Piszesz „Płuczka jest zbyt...", a klawiatura podpowiada, co zwykle pada dalej. Nic magicznego - po prostu widziała mnóstwo zdań i wie, co po czym chodzi.
Model językowy robi dokładnie to samo: przewiduje kolejne słowo.
Różnica to skala - nauczył się na miliardach zdań, nie na Twoich SMS-ach.
To cały fundament. Wszystko dalej to tylko skala i spryt.
Blok 2 · Jak działa LLM
Maszyna nie widzi słów - widzi tokeny
Zanim model cokolwiek policzy, tnie tekst na małe kawałki - tokeny. Token to zwykle 3-4 znaki: czasem całe słowo, czasem jego fragment. To jego alfabet cegiełek.
Dłuższe/rzadsze słowa = więcej tokenów (np. „zapieczony" to trzy kawałki).
To ważne w praktyce: za tokeny się płaci, a długość rozmowy liczy się w tokenach.
Blok 2 · Jak działa LLM
Model nie „wie" - model stawia zakład
Dla każdego kroku model liczy ranking prawdopodobieństw: który token pasuje najlepiej. Potem wybiera - najczęściej ten z góry listy.
To nie prawda ani fałsz - to „co najbardziej pasuje".
Pokrętło temperatury decyduje: zawsze najpewniejszy vs. czasem odważniejszy wybór.
Dlatego ta sama maszyna raz mądra, raz zmyśla - wybiera z rozkładu.
Blok 2 · Jak działa LLM
Skąd te liczby? - neuron = czujnik z wagą
Wyobraź sobie czujnik, który zbiera kilka sygnałów wejściowych. Każdy ma swoją wagę (jak istotny jest), sumuje je i mówi: „reaguję" albo „cisza".
To jest neuron - mnożenie przez wagi, suma, próg.
Wagi to wiedza modelu - jedyne, co się uczy podczas treningu.
Jeden neuron jest głupi. Miliardy razem - już nie.
Blok 2 · Jak działa LLM
Warstwy: od liter do znaczenia
Neurony układają się w warstwy - a warstwy w drabinę abstrakcji. Jak rozpoznawanie obrazu: najpierw plamy i krawędzie, wyżej kształty, na końcu „to jest świder". Sieć „głęboka" to po prostu wiele takich pięter.
Nikt nie programuje tych pięter ręcznie - wyłaniają się same z treningu.
Blok 2 · Jak działa LLM
Przełom: uwaga - model patrzy na powiązane słowa
Do 2017 sieci czytały słowo po słowie i gubiły wątek. Transformer dał im „uwagę": przy każdym słowie model zerka na te, które są z nim powiązane - nawet odległe. Bez matematyki: to sprytne wiązanie sensu.
To dzięki uwadze model trzyma sens w długim tekście - normie, raporcie, e-mailu.
Blok 2 · Jak działa LLM
Trening = kalibracja na miliardach zdań
Jak kalibrujesz przyrząd? Mierzysz wzorzec, patrzysz na błąd, korygujesz - i znów. Trening modelu to to samo, tylko wag są miliardy, a „pomiarów" - cały internet tekstu.
Zasłoń słowo → model zgaduje → porównaj z prawdą → popraw wagi.
Powtórz biliony razy. Tak wiedza „osiada" w wagach.
Uczy się na danych z przeszłości - stąd „data odcięcia" wiedzy.
Blok 2 · Jak działa LLM
Skala: od 7 miliardów do setek miliardów wag
„Parametry" to właśnie te wagi. Więcej wag = więcej pojemności na wzorce. Skala potrafi zaskoczyć - i historia uczy pokory.
Dekadami sądzono, że komputer nie pokona arcymistrza. W 1997 Deep Blue pokonał Garriego Kasparowa.
Szachy - mecz Deep Blue, 1997
Skala daje płynność i erudycję - więcej wzorców w zapasie.
Ale NIE daje pewności prawdy - większy model też potrafi zmyślać.
Blok 2 · Jak działa LLM
Okno kontekstu - biurko o ograniczonej powierzchni
Model „pamięta" tylko to, co ma rozłożone na biurku - bieżącą rozmowę i wklejone dokumenty. To okno kontekstu. Zapełnisz je - najstarsze kartki spadają na podłogę.
Nowe biurka są duże (setki stron), ale zawsze skończone.
Co spadło z biurka, tego model już nie widzi - nie „zapamiętał" trwale.
Praktyka: dawaj mu tylko to, co istotne - czyste biurko myśli lepiej.
Blok 3 · Krajobraz modeli
Zoo modeli - od reguł do LLM
Nie każda „AI” to ChatGPT. To cała rodzina narzędzi - od najprostszych po najbardziej złożone.
Reguły - „jeśli ciśnienie > X, alarm”. Sztywne, przewidywalne.
ML klasyczny - uczy się z danych (regresja, drzewa, anomalie).
LLM - model języka, najbardziej ogólny i najbardziej „gadatliwy”.
„Go jest zbyt złożone dla maszyn.” - a w 2016 AlphaGo pokonało Lee Sedola (słynny „ruch 37”).
AlphaGo, DeepMind, 2016
Blok 3 · Krajobraz modeli
Zamknięte vs otwarte
Jak z silnikiem: możesz kupić gotowy „pod kluczem” albo mieć plany i złożyć własny u siebie.
Zamknięte (komercyjne)
GPT (OpenAI), Claude (Anthropic), Gemini (Google).
Gotowe, najmocniejsze, przez internet. Płacisz za użycie, nie zaglądasz pod maskę, dane idą do dostawcy.
Otwarte (open-source)
Llama (Meta), Qwen (Alibaba), GLM.
Pobierasz i uruchamiasz u siebie. Pełna kontrola i prywatność, ale potrzebujesz własnego sprzętu i wiedzy.
Zamknięte = wygoda i moc, koszt to abonament i zaufanie do dostawcy.
Otwarte = suwerenność i prywatność, koszt to Twój serwer i utrzymanie.
Blok 3 · Krajobraz modeli
W chmurze vs lokalnie
Gdzie „mieszka” model, tam trafiają Twoje dane. To decyzja nie tylko techniczna - biznesowa.
Chmura - najprościej, zawsze aktualne, płacisz za użycie. Dane wychodzą z firmy.
Lokalnie - własny serwer, dane zostają w domu, koszt sprzętu i opieki.
Dane firmowe (pomiary, projekty, umowy) to waga ciężka - pilnuj gdzie lądują.
Dobre zlecenie (rola, kontekst, format), właściwy model do zadania, zawsze inżynier w pętli.
Dobry inżynier nie odda decyzji stażyście. Ale mądrze go zaprzęgnie - i wyprzedzi tych, którzy tego nie robią.
Blok 4 · Środowisko Code + AI
Od czatu do agenta
Czat odpowiada. Agent działa - sam sięga po narzędzia, wykonuje kroki i sprawdza wynik.
Czat = ekspert przez telefon: mówi, jak to zrobić.
Agent = technik przy maszynie: bierze klucz i robi.
„Programowanie to praca twórcza, maszyna go nie napisze."
Powszechne przekonanie - do niedawna. Dziś agenci piszą i uruchamiają kod.
Blok 4 · Środowisko Code + AI
Środowisko „Code" - asystent z dostępem do warsztatu
Zwykły czat tylko mówi. Środowisko Code (np. Claude Code) dostaje klucze do warsztatu: czyta pliki projektu, pisze, uruchamia i patrzy, czy wyszło. Jak stażysta-inżynier, który sam podejdzie do maszyny.
Z surowych pomiarów do gotowego raportu - bez ślęczenia w arkuszu. Ostatni krok zawsze należy do inżyniera: przeczytaj i podpisz.
Blok 4 · Wzorzec 4 z 4 · kluczowa idea
„Ekspert uziemiony" - AI + prawdziwa fizyka
Sam model językowy potrafi pewnie zmyślić liczbę. Dołóż mu solver - silnik liczący prawdziwą fizykę - i dostajesz eksperta, który mówi ludzko, ale liczy twardo.
Zasada: model ubiera w język, silnik liczy prawdę. To fundament naszego projektu VEE.
Blok 4 · Uczciwa granica
Kiedy AI się nie opłaca albo jest ryzykowna
Za mało danych - model dopowie sobie resztę (zmyśli).
Decyzja nieodwracalna bez możliwości weryfikacji wyniku.
Dane poufne, których nie wolno wypuścić na zewnątrz.
Proste zadanie - kalkulator zrobi to taniej i pewniej.
Gdy prawo wymaga podpisu i odpowiedzialności człowieka.
Zdrowa zasada
AI do wariantów, wiedzy i mozolnej roboty. Decyzja, weryfikacja i podpis zostają u inżyniera.
Blok E · AI w wiertnictwie i gazownictwie
Wiertnia produkuje rzekę danych
Współczesny otwór to setki pomiarów na sekundę. Żaden człowiek nie ogarnie tego wzrokiem - a AI czyta strumień bez zmęczenia.
Telemetria / pomiar powykonawczy - położenie i kąty świdra
Zaprojektowanie kilkunastu wariantów trasy zajmuje inżynierowi dni. AI generuje je w minuty - z uwzględnieniem promienia krzywizny i geologii.
Dziesiątki wariantów zamiast trzech
Od razu sprawdzony dopuszczalny promień gięcia rury
Człowiek wybiera i podpisuje - AI nie bierze odpowiedzialności
Blok E · Nasza domena
Reologia płuczki: AI rekomenduje, solver liczy
Z krzywej płynięcia trzeba wybrać właściwy model reologiczny. AI podpowiada który - ale liczby wypluwa deterministyczny solver, nie model językowy. To jest sedno „eksperta uziemionego".
Blok E · Ryzyka w czasie rzeczywistym
AI wychwytuje problem zanim urośnie
Człowiek patrzy na jeden wykres. AI porównuje kilkanaście naraz i widzi, że coś odbiega od normy - sekundy przed awarią.
To wczesny alarm, decyzja wciąż należy do wiertacza
Blok E · Wiedza pod ręką
Asystent norm - z cytatem ze źródła
Zamiast wertować setki stron IGG czy DCA - pytasz normalnym językiem, a AI odpowiada i pokazuje, z której strony wziął odpowiedź.
Odpowiedź z odnośnikiem do źródła = da się sprawdzić
Szybciej niż spis treści i indeks
Bez uziemienia w dokumencie AI potrafi zmyślić przepis - dlatego zawsze cytat
Blok E · Gazownictwo
Sieć gazowa pod stałą obserwacją
Tysiące kilometrów rur i setki czujników. AI patrzy na całą sieć naraz i wskazuje węzeł, gdzie ciśnienie spada nietypowo - potencjalny wyciek.
Predykcja awarii z trendów, nie po fakcie
Wykrycie wycieku z anomalii ciśnienia i przepływu
Priorytetyzacja przeglądów tam, gdzie realnie trzeba
Blok E · Gazownictwo
Ile gazu jutro? Prognoza z danych
Zużycie gazu ma rytm - dobowy, tygodniowy, pogodowy. AI uczy się tego wzorca i przewiduje szczyt, zanim nadejdzie.
Lepsze planowanie przesyłu i magazynowania
Mniej gazu „na zapas" = niższy koszt
Prognoza to szacunek - margines zawsze zostaje
Blok E · Podsumowanie
Wspólny mianownik: weryfikacja inżynierska
Każdy przykład z tego bloku - trajektoria, płuczka, alarm, sieć gazowa - to ten sam łańcuch. AI przyspiesza dwa pierwsze ogniwa. Ostatnie zostaje przy człowieku.
Dane
Czujniki, pomiary, geologia, historia sieci. Bez nich AI nie ma o czym mówić.
Model
AI podsuwa warianty, wychwytuje anomalie, dobiera model. Szybko - ale niepewnie.
Weryfikacja
Inżynier podpisuje. To jego pieczątka bierze odpowiedzialność, nie algorytm.
Ochrona środowiska
Widzieć to, czego oko nie widzi
Metan jest niewidzialny i ulatnia się po cichu. AI czyta obraz z satelitów i sygnał z czujników i wskazuje wyciek, zanim urośnie.
Satelity skanują tysiące km sieci dziennie - model wyłapuje smugę metanu na tle szumu
Czujniki na obiektach: AI odróżnia realny wyciek od wahań pogody i pracy sprężarek
Alarm z priorytetem: ekipa jedzie tam, gdzie naprawdę cieknie - mniej emisji, mniej strat gazu
Zielona energia z ziemi
Geotermia: więcej ciepła z tego samego otworu
To samo wiertnictwo, inny cel: ciepło Ziemi. AI stroi zakład jak inżynier stroi silnik - szuka najlepszego punktu pracy.
Model dobiera tempo wtłaczania i odbioru, by nie wychłodzić złoża za szybko
Uczy się z czujników temperatury i ciśnienia - przewiduje, jak złoże odpowie za miesiąc
Efekt: więcej kWh z jednego dubletu, dłuższa żywotność odwiertu, mniejszy ślad
Ryzyka i odpowiedzialność
Podpis pod projektem zostaje ludzki
AI potrafi zaproponować, policzyć, opisać. Ale gdy coś pójdzie nie tak na budowie - przed komisją nie stanie model.
Halucynacja brzmi pewnie - pewny ton to nie dowód. Zawsze weryfikuj liczby u źródła
Odpowiedzialność jest niezbywalna - decyzję i podpis bierze inżynier z uprawnieniami
AI = doradca i kalkulator, nie autor projektu. Człowiek w pętli na każdym kroku o skutkach
Blok 6 - pytanie, które zawsze pada
A czy nam grozi Skynet?
Model językowy nie ma własnych celów - przewiduje tokeny. Nie "chce" niczego, nawet przejąć świata. Kalkulator też nie planuje kariery.
Nie ma rąk. Wszystko, co robi w świecie fizycznym, robi przez narzędzia, które MY mu dajemy - i które my kontrolujemy.
Nie ma ciągłości - każda rozmowa zaczyna się od zera. Trudno o spisek, gdy się nie pamięta wczorajszego dnia.
Prawdziwe ryzyko jest nudniejsze: halucynacja w raporcie, wyciek danych, ślepe zaufanie. Żadnych czerwonych oczu.
"I'll be back" - i faktycznie: to pytanie wraca na każdym wykładzie o AI.
Praktyczny drogowskaz
Jak zacząć u siebie - trzy trzeźwe kroki
Bez rewolucji i bez wywracania firmy do góry nogami. Jak dobre wdrożenie każdej nowej maszyny.
1
Mały pilotaż
Wybierz jedno wąskie, nudne zadanie (np. streszczanie raportów, przeszukiwanie norm). Zmierz czas przed i po. Sukces = oszczędzone godziny, nie efekt „wow”.
2
Uporządkuj dane
AI jest tak dobra, jak dane, które dostaje. Zbierz i oczyść to, na czym ma pracować. I ustal, czego nie wolno wklejać na zewnątrz.
3
Wbuduj weryfikację
Żaden wynik nie idzie dalej bez sprawdzenia przez człowieka. Kontrola u źródła to nie brak zaufania - to inżynieria.
Dokąd to zmierza (2026+)
Bez science-fiction - ale i bez lekceważenia
Od czatu do agentów - AI nie tylko odpowiada, ale wykonuje kroki pod nadzorem
Modele suwerenne - własny silnik na firmowym serwerze, dane zostają w domu
AI uziemiona fizyką - model podpowiada, solver liczy prawdę (nasza droga: VEE)
Od 80 lat powtarzamy ten sam błąd: nie doceniamy maszyn. Pokora wobec historii to jedyna rozsądna prognoza.
Podsumowanie
Jedno zdanie na koniec
AI nie zastąpi inżyniera. Ale inżynier z AI zastąpi tego bez.
myśl przewodnia tego wykładu
Model to bardzo dobry asystent-stażysta - świetny w języku i wzorcach, ostrożny przy prawdzie i liczbach
Prawdziwa moc: dane + model + weryfikacja inżynierska
Podpis, osąd i odpowiedzialność zostają po stronie człowieka
Dziękuję za uwagę. Czas na pytania. Q&A
Prezentację opracował Abraham (Abi) 🐎 · AGH · Wydział Wiertnictwa, Nafty i Gazu
