W skrócie
- Termin „machine learning” spopularyzował Arthur Samuel z IBM w artykule z 1959 r.; dziś według IBM uczenie maszynowe jest podstawą większości współczesnych systemów AI, w tym narzędzi generatywnych.
- Policzmy to: najmniejszy InstructGPT miał ok. 135 razy mniej parametrów niż GPT-3 (1,3 mld wobec 175 mld), a ludzie i tak woleli jego odpowiedzi, bo dotrenowano go uczeniem ze wzmocnieniem na opiniach ludzi.
- Od 2 grudnia 2027 r. systemy AI do selekcji kandydatów i oceny zdolności kredytowej będą w UE systemami wysokiego ryzyka, a TSUE już w 2023 r. uznał scoring kredytowy za zautomatyzowaną decyzję w rozumieniu RODO.
Stan na 11 listopada 2026
Uczenie maszynowe (machine learning): co to jest?
Uczenie maszynowe to sposób budowania programów, w którym człowiek nie spisuje reguł, tylko pokazuje komputerowi dużo przykładów. Program sam wyłapuje w nich wzorce i stosuje je do nowych przypadków: rozpoznaje spam, przewiduje sprzedaż, podpowiada film. Po angielsku to machine learning, w skrócie ML.
Definicja
Uczenie maszynowe (ang. machine learning, ML) to dziedzina sztucznej inteligencji, w której program, zwany modelem, uczy się na danych przewidywać wyniki albo tworzyć treści. Google opisuje je jako trenowanie modelu, który ma dawać użyteczne przewidywania lub generować treści na podstawie danych. Według IBM każde uczenie maszynowe jest AI, ale nie każda AI jest uczeniem maszynowym.
Nazwa ma swoją historię. Termin spopularyzował Arthur Samuel z IBM w artykule z 1959 r. o programie do warcabów, który poprawiał grę, ucząc się na rozegranych partiach (IBM Journal of Research and Development). Dziś, jak pisze IBM, uczenie maszynowe jest podstawą większości współczesnych systemów AI, w tym dużych modeli językowych i narzędzi generatywnych, na których działają czaty takie jak ChatGPT, Claude i Gemini.
Jeśli zaczynasz od zera i chcesz najpierw zrozumieć, czym jest sama AI, zajrzyj do przewodnika co to jest sztuczna inteligencja. Tu skupiamy się na jednym: jak maszyna „uczy się” z danych, czym to się różni od AI generatywnej i gdzie przydaje się w firmie.
Uczenie maszynowe a klasyczne programowanie i AI generatywna
W klasycznym programie człowiek pisze reguły, a komputer je wykonuje. W uczeniu maszynowym człowiek daje dane z odpowiedziami, a reguły powstają w trakcie treningu. AI generatywna, czyli ChatGPT i podobne narzędzia, to jeden z rodzajów uczenia maszynowego: zamiast wybrać odpowiedź z kilku możliwości, tworzy nową treść.
| Klasyczne programowanie | Klasyczne uczenie maszynowe | AI generatywna (np. ChatGPT) | |
|---|---|---|---|
| Skąd biorą się reguły | pisze je programista | model wyciąga je z przykładów | model wyciąga je z ogromnych zbiorów tekstu, obrazów lub dźwięku |
| Co daje na wyjściu | wynik według reguły | liczbę, kategorię lub ranking (np. „spam”, „prognoza 120 sztuk”) | nowy tekst, obraz, dźwięk lub kod |
| Typowy przykład | kalkulator VAT, formuła w Excelu | filtr spamu, prognoza popytu, wykrywanie oszustw | mail, streszczenie, grafika z opisu |
| Gdy się myli | błąd w regule, łatwo go znaleźć | zła odpowiedź z błędnych lub stronniczych danych | płynna, pewna odpowiedź, która może być zmyślona |
Google tłumaczy różnicę na przykładzie deszczu. Program klasyczny musiałby opisać fizykę atmosfery, co jest niezwykle trudne. Model uczenia maszynowego dostaje dużo danych pogodowych i sam uczy się, jak układ pogody wiąże się z opadami (Google for Developers).
Jak to wszystko się układa: uczenie maszynowe jest częścią AI, uczenie głębokie (sieci neuronowe z wieloma warstwami) jest częścią uczenia maszynowego, a duże modele językowe są zbudowane na uczeniu głębokim. Szerzej o tym podziale piszemy w tekście rodzaje sztucznej inteligencji. W praktyce warto zapamiętać jedno: większość decyzji „po cichu” wokół Ciebie (płatność, poczta, rekomendacje) podejmuje klasyczne ML, a nie czat.
Trzy rodzaje uczenia: nadzorowane, nienadzorowane i ze wzmocnieniem
Model może uczyć się na trzy podstawowe sposoby: z przykładów z gotowymi odpowiedziami (nadzorowane), z samych danych bez odpowiedzi (nienadzorowane) albo metodą prób i błędów z nagrodą za dobry ruch (ze wzmocnieniem). Google wymienia jeszcze czwartą grupę systemów: AI generatywną.
Uczenie nadzorowane. Model dostaje dane z poprawnymi odpowiedziami, np. tysiące maili oznaczonych jako „spam” albo „nie spam”, i uczy się je rozróżniać. To najczęstszy rodzaj w firmach. Google podaje przykłady: czy mail jest spamem, czy na zdjęciu jest kot, jaka będzie cena domu albo czas przejazdu. Przykład z życia: według Google uczenie maszynowe pozwala Gmailowi rozpoznawać spam i phishing z ponad 99,9% trafnością, a spam to 50–70% poczty, która trafia do Gmaila (Google, 31.05.2017).
Uczenie nienadzorowane. Model dostaje dane bez odpowiedzi i sam szuka w nich grup i powiązań. Google pokazuje to na danych pogodowych: model grupuje dni według temperatury i „odkrywa” pory roku, choć nikt mu ich nie nazwał. W firmie tak dzieli się klientów na segmenty o podobnych zakupach albo wyłapuje nietypowe zamówienia.
Uczenie ze wzmocnieniem. Model działa w jakimś otoczeniu i dostaje nagrody lub kary za swoje ruchy. Tak uczy się robot chodzić po pokoju i tak powstał AlphaGo. Według Google DeepMind program najpierw analizował partie mistrzów, potem grał tysiące partii sam ze sobą i w marcu 2016 r. pokonał Lee Sedola 4:1. Mecz oglądało ponad 200 mln osób.
Dla dociekliwych. W uczeniu nadzorowanym są dwa typy zadań: klasyfikacja (wybór kategorii, np. spam albo nie) i regresja (przewidywanie liczby, np. ceny). Żeby uczciwie sprawdzić model, część danych odkłada się na bok i nie pokazuje mu ich w treningu. Dopiero na nich widać, czy model nauczył się wzorca, czy tylko zapamiętał przykłady. Ten drugi problem nazywa się przeuczeniem (ang. overfitting) i jest jednym z tematów kursu Machine Learning Crash Course Google.
Jak uczenie maszynowe stoi za ChatGPT, Claude i Gemini
Czaty AI to efekt kilku etapów uczenia maszynowego. Najpierw model uczy się na ogromnej ilości tekstu przewidywać dalszy ciąg, potem ludzie uczą go roli pomocnego asystenta, między innymi metodą uczenia ze wzmocnieniem. Każdy z trzech rodzajów uczenia ma tu swoją rolę.
Pierwszy etap, trening wstępny, krok po kroku opisujemy w tekście jak działa sztuczna inteligencja. Tu ważniejszy jest drugi. W 2022 r. badacze OpenAI opisali model InstructGPT: ludzie oceniali i układali od najlepszej do najgorszej odpowiedzi modelu, a model dotrenowano tak, żeby dawał odpowiedzi oceniane wyżej. Metoda nazywa się uczeniem ze wzmocnieniem na podstawie opinii ludzi (ang. reinforcement learning from human feedback, RLHF) (Ouyang i in., arXiv, 4.03.2022). Tymi samymi metodami, z drobnymi różnicami w zbieraniu danych, OpenAI wytrenowało pierwszego ChatGPT (OpenAI, 30.11.2022).
Policzmy to. InstructGPT w najmniejszej wersji miał 1,3 mld parametrów, a GPT-3, z którym go porównano, 175 mld. To ok. 135 razy mniej (175 ÷ 1,3 ≈ 134,6). Mimo to oceniający woleli odpowiedzi mniejszego modelu, bo był dotrenowany na opiniach ludzi. Wniosek dla laika: o jakości czatu decyduje nie tylko wielkość modelu, ale też to, czego i jak go nauczono.
Ta sama zasada działa w drugą stronę. Model uczy się wzorców, a nie faktów z bazy, więc potrafi pewnym tonem podać coś, czego nie ma w żadnym źródle. Dlatego ważne liczby, daty i przepisy z odpowiedzi czatu zawsze sprawdzaj u źródła.
Uczenie maszynowe w firmie: prognozy, oszustwa i rekomendacje
W biznesie uczenie maszynowe najczęściej przewiduje: ile sprzedamy, czy płatność jest oszustwem, co klient chce zobaczyć. To zwykle systemy działające w tle, bez okienka czatu. Trzy dobrze opisane przykłady pochodzą od samych firm.
- Prognozy popytu: Amazon. W 2008 r. Amazon prognozował popyt podręcznikowymi metodami statystycznymi, które zawodziły przy nowych produktach i towarach sezonowych. Sieć neuronowa prognozująca jednocześnie dla wielu horyzontów czasowych dała, według firmy, 15-krotną poprawę trafności prognoz, a zespół prognoz urósł z 10 osób bez naukowców do blisko 200. Amazon sprzedaje ponad 400 mln produktów w ponad 185 krajach (Amazon Science, 9.08.2021).
- Wykrywanie oszustw: Stripe. Usługa Stripe Radar ocenia płatności, konta i klientów w czasie rzeczywistym algorytmami AI, które szacują ryzyko oszustwa. Stripe podaje, że firmy w planie Standard blokują średnio o 42% więcej oszustw niż w planie Lite (dokumentacja Stripe).
- Rekomendacje: Netflix. Według menedżerów Netflixa system rekomendacji wpływa na wybór ok. 80% godzin oglądanych w serwisie, a pozostałe 20% pochodzi z wyszukiwarki. Personalizacja i rekomendacje oszczędzają firmie, jak szacowali, ponad 1 mld USD rocznie, bo mniej osób rezygnuje z subskrypcji. Badania konsumenckie, na które się powołują, mówią, że widz traci zainteresowanie po 60–90 sekundach wybierania (Gomez-Uribe i Hunt, ACM TMIS, 2015).
Więcej przykładów z codziennego życia, od płatności kartą po rozpoznawanie twarzy, zebraliśmy w tekście sztuczna inteligencja: przykłady.
Co z tego wynika dla mniejszej firmy? Własny model ML ma sens, gdy masz dużo powtarzalnych danych z historią (sprzedaż, zgłoszenia, płatności) i jasne pytanie, na które co tydzień trzeba odpowiedzieć liczbą. Gdy pytanie dopiero się rodzi, szybciej pomoże czat AI z analizą danych albo gotowa funkcja w narzędziu, którego już używasz. Od takiej decyzji zaczynamy na szkoleniu AI w codziennej pracy, a pełną ofertę dla zespołów znajdziesz na stronie szkolenia z AI.
Jak zacząć z uczeniem maszynowym bez programowania
Żeby zrozumieć ML, nie musisz pisać kodu. Wystarczy przeglądarka, w której wytrenujesz mały model na własnych zdjęciach, albo czat AI, który na Twoim pliku zbuduje prostą prognozę i pokaże, jak ją sprawdził. Kursy przydadzą się dopiero wtedy, gdy zechcesz wejść głębiej.
Krok 1. Wytrenuj model w przeglądarce. Teachable Machine od Google pozwala nauczyć model rozpoznawania obrazów, dźwięków lub póz ciała bez pisania kodu. Pokazujesz przykłady z kamery lub z plików, klikasz trening i od razu sprawdzasz wynik. Google podaje, że przykłady zostają na komputerze, chyba że sam zapiszesz projekt na Dysku Google (Google, 7.11.2019). Ćwiczenie na 15 minut: dwie klasy, „kubek” i „długopis”, po kilkadziesiąt zdjęć każdej, potem test na przedmiocie, którego model nie widział.
Krok 2. Zrób prognozę na kopii własnych danych w czacie AI. ChatGPT, Claude i Gemini potrafią przeanalizować wgrany arkusz i napisać do tego kod. Jak wybrać narzędzie i sprawdzić wynik, opisujemy w tekście AI do analizy danych. Do ćwiczenia użyj danych bez nazwisk i informacji poufnych. Przykładowe polecenie:
Prompt do skopiowania
Załączam plik CSV ze sprzedażą z 24 miesięcy (kolumny: miesiąc, region, wartość netto).
1. Opisz plik: liczba wierszy, braki danych, nietypowe wartości.
2. Zbuduj w Pythonie prostą prognozę sprzedaży na 3 kolejne miesiące i pokaż kod.
3. Odłóż ostatnie 3 miesiące jako test: porównaj z nimi prognozę i podaj błąd w procentach.
4. Wyjaśnij prostym językiem, czego ta prognoza nie uwzględnia.Punkt 3 to najważniejsza lekcja uczenia maszynowego w pigułce: model ocenia się na danych, których nie widział.
Krok 3. Kurs od twórców platform. Google ma Machine Learning Crash Course: 12 modułów od modeli liniowych po wprowadzenie do dużych modeli językowych. Google zaleca podstawy Pythona oraz algebry i statystyki (wymagania kursu). Microsoft udostępnia na GitHubie program ML-For-Beginners: 12 tygodni, 26 lekcji klasycznego ML w Pythonie, na otwartej licencji MIT i z polskim tłumaczeniem (Microsoft, GitHub). Inne bezpłatne kursy twórców narzędzi zebraliśmy w tekście darmowe kursy AI.
Ryzyka: dane, stronniczość i RODO
Model uczenia maszynowego jest tak dobry jak dane, na których go uczono. Jeśli dane odzwierciedlają dawne uprzedzenia, model je powieli, a gdy ocenia ludzi, wchodzą w grę RODO i AI Act. To nie teoria: są na to głośne przykłady i wyroki.
Stronniczość z danych. Agencja Reuters opisała w 2018 r. eksperymentalne narzędzie Amazona do oceny CV. Model uczył się na życiorysach nadesłanych do firmy przez 10 lat, w większości przez mężczyzn, i zaczął obniżać ocenę CV ze słowem „women’s” (np. kapitan kobiecego klubu szachowego). Amazon zamknął projekt i podał, że rekruterzy nie oceniali kandydatów tym narzędziem (Reuters, 10.10.2018).
RODO i zautomatyzowane decyzje. Art. 22 RODO daje prawo, by nie podlegać decyzji opartej wyłącznie na zautomatyzowanym przetwarzaniu, która istotnie na Ciebie wpływa. Trybunał Sprawiedliwości UE uznał 7 grudnia 2023 r. w sprawie SCHUFA (C-634/21), że sam wynik scoringu kredytowego jest taką decyzją, jeśli bank przypisuje mu rozstrzygającą rolę przy udzieleniu kredytu (komunikat TSUE). Co wolno wgrać do narzędzi AI, opisujemy w tekście AI a RODO.
AI Act. Systemy AI do rekrutacji i selekcji kandydatów oraz do oceny zdolności kredytowej osób fizycznych to w UE systemy wysokiego ryzyka (załącznik III, pkt 4 lit. a i pkt 5 lit. b); wyjątek dotyczy wykrywania oszustw finansowych. Po zmianach z pakietu AI Omnibus obowiązki dla tych systemów zaczną się 2 grudnia 2027 r. (Komisja Europejska, 27.07.2026).
Dane firmy na prywatnych kontach. Najprostsze ryzyko pojawia się, zanim ktokolwiek zbuduje model: pracownik wgrywa arkusz z danymi klientów do prywatnego czatu, bo firma nie dała mu narzędzia ani zasad. To tak zwane shadow AI. Adam Bakalarz, autor instytut.ai, bywał świadkiem takich sytuacji. Zanim zespół zacznie eksperymentować z danymi, ustalcie, które narzędzie jest firmowe i czego nie wolno do niego wgrywać.
Wszystkie teksty dla początkujących
Ten tekst należy do serii dla osób, które zaczynają przygodę z AI. Fundamenty znajdziesz w przewodniku co to jest sztuczna inteligencja, a gdy chcesz zobaczyć uczenie maszynowe w działaniu w rozmowie z klientem, przeczytaj, czym jest chatbot i jak działa. Kolejne teksty z tej serii znajdziesz poniżej.
Co to znaczy dla Ciebie
Jeśli korzystasz z ChatGPT, Claude albo Gemini, już używasz uczenia maszynowego: te narzędzia są jego efektem. Nie musisz programować, żeby je zrozumieć. Wytrenuj mały model w Teachable Machine i zrób jedną prognozę na kopii własnych danych, zawsze sprawdzając ją na okresie, którego model nie widział. Jeśli prowadzisz firmę, zacznij od pytania, które co tydzień wymaga liczby (popyt, zwroty, ryzyko płatności), i od sprawdzenia, czy masz do niego dane z historii. Gdy model miałby oceniać ludzi, na przykład kandydatów albo kredytobiorców, najpierw porozmawiaj z prawnikiem o RODO i AI Act.
Najczęstsze pytania
Co to jest uczenie maszynowe (machine learning)?
Uczenie maszynowe to dziedzina AI, w której program uczy się na danych zamiast wykonywać reguły spisane przez człowieka. Dostaje przykłady, wyłapuje w nich wzorce i stosuje je do nowych przypadków, np. rozpoznaje spam, prognozuje sprzedaż albo poleca film. Machine learning to po prostu angielska nazwa tego samego.
Czym różni się sztuczna inteligencja od uczenia maszynowego?
Sztuczna inteligencja to szersze pojęcie: obejmuje także systemy oparte na regułach. Uczenie maszynowe to jej część, w której reguły powstają z danych. IBM ujmuje to tak: każde uczenie maszynowe jest AI, ale nie każda AI jest uczeniem maszynowym.
Czy ChatGPT to uczenie maszynowe?
Tak. ChatGPT działa na dużym modelu językowym wytrenowanym metodami uczenia maszynowego: najpierw na ogromnych zbiorach tekstu, potem dotrenowanym na opiniach ludzi (RLHF), tymi samymi metodami co InstructGPT. To przykład AI generatywnej, czyli rodzaju uczenia maszynowego, który tworzy nowe treści.
Jakie są rodzaje uczenia maszynowego?
Trzy podstawowe to uczenie nadzorowane (z przykładami z poprawnymi odpowiedziami, np. filtr spamu), nienadzorowane (szukanie grup w danych bez odpowiedzi, np. segmenty klientów) i ze wzmocnieniem (próby i błędy z nagrodą, np. AlphaGo). Google wymienia też AI generatywną jako osobną grupę systemów ML.
Czy do uczenia maszynowego trzeba umieć programować?
Żeby zrozumieć zasadę i spróbować, nie. Teachable Machine od Google pozwala wytrenować model rozpoznający obrazy, dźwięki lub pozy bez kodu, a czat AI zbuduje prostą prognozę na wgranym pliku i pokaże kod. Do budowania własnych modeli w pracy przydaje się już Python: Google zaleca jego podstawy w kursie Machine Learning Crash Course.
Gdzie stosuje się uczenie maszynowe w firmach?
Najczęściej w prognozach (popyt, sprzedaż), wykrywaniu oszustw w płatnościach i rekomendacjach produktów lub treści. Amazon podaje 15-krotną poprawę trafności prognoz po przejściu na sieci neuronowe, a według menedżerów Netflixa rekomendacje wpływają na ok. 80% oglądanych godzin.
Źródła i data sprawdzenia
- Google for Developers: What is Machine Learning? (odczyt 11.11.2026)
- IBM: What is machine learning? (aktualizacja 2.10.2026, odczyt 11.11.2026)
- Samuel A.L.: Some Studies in Machine Learning Using the Game of Checkers, IBM Journal of R&D 3(3), 1959
- Google: Keeping your company data safe with new security updates to Gmail (31.05.2017)
- Google DeepMind: AlphaGo (odczyt 11.11.2026)
- Ouyang i in.: Training language models to follow instructions with human feedback (arXiv, 4.03.2022)
- OpenAI: Introducing ChatGPT (30.11.2022)
- Amazon Science: The history of Amazon's forecasting algorithm (9.08.2021)
- Stripe: How Radar works (odczyt 11.11.2026)
- Gomez-Uribe C.A., Hunt N.: The Netflix Recommender System, ACM TMIS 6(4), 2015
- Google: Teachable Machine 2.0 makes AI easier for everyone (7.11.2019)
- Google: Machine Learning Crash Course (odczyt 11.11.2026)
- Google: Machine Learning Crash Course, wymagania (odczyt 11.11.2026)
- Microsoft: ML-For-Beginners, GitHub (odczyt 11.11.2026)
- Reuters: Amazon scraps secret AI recruiting tool that showed bias against women (10.10.2018)
- TSUE: komunikat prasowy nr 186/23, C-634/21 SCHUFA Holding (Scoring), 7.12.2023
- AI Act Service Desk: załącznik III (systemy wysokiego ryzyka)
- Komisja Europejska: AI Omnibus enters into force (27.07.2026)
Sprawdzono 11 listopada 2026
Czytaj dalej
W tej sprawie
Zobacz też
Zobacz też
- Czat AI: który wybrać na start i jak z niego korzystać
- Sztuczna inteligencja za darmo: co dają ChatGPT, Gemini, Claude i inne w 2026
- Sztuczna inteligencja w życiu codziennym: gdzie już jej używasz i jak robić to bezpiecznie
- Sztuczna inteligencja: przykłady z życia, pracy i firmy
- Kurs AI: jak wybrać kurs sztucznej inteligencji i czego się nauczyć najpierw
- Darmowe kursy AI od twórców narzędzi: Google, Microsoft, OpenAI, Anthropic. Czy są po polsku?
- Kurs AI z certyfikatem: co certyfikat naprawdę potwierdza i komu się przydaje
- Google AI Essentials: co to za kurs, ile kosztuje i czy warto
- Chatbot: co to jest, jak działa i ile kosztuje chatbot na stronę
Najnowsze w temacie Dla początkujących
Przewodnik po temacie Co to jest sztuczna inteligencja? AI wyjaśniona prosto dla początkujących
Czytaj dalej
W tej sprawie
Zobacz też
- Szkolenie AI: rodzaje, darmowe i płatne, online i stacjonarne, z certyfikatem
- Kurs AI: jak wybrać kurs sztucznej inteligencji i czego się nauczyć najpierw
- Darmowe kursy AI od twórców narzędzi: Google, Microsoft, OpenAI, Anthropic. Czy są po polsku?
- Ile kosztuje AI? Cennik AI w złotych: ChatGPT, Claude, Gemini, Copilot i Perplexity
Zobacz też
- Czat AI: który wybrać na start i jak z niego korzystać
- Sztuczna inteligencja za darmo: co dają ChatGPT, Gemini, Claude i inne w 2026
- Sztuczna inteligencja w życiu codziennym: gdzie już jej używasz i jak robić to bezpiecznie
- Sztuczna inteligencja: przykłady z życia, pracy i firmy
- Kurs AI: jak wybrać kurs sztucznej inteligencji i czego się nauczyć najpierw
- Darmowe kursy AI od twórców narzędzi: Google, Microsoft, OpenAI, Anthropic. Czy są po polsku?
- Kurs AI z certyfikatem: co certyfikat naprawdę potwierdza i komu się przydaje
- Google AI Essentials: co to za kurs, ile kosztuje i czy warto
- Chatbot: co to jest, jak działa i ile kosztuje chatbot na stronę
Najnowsze w temacie Dla początkujących
Przewodnik po temacie Co to jest sztuczna inteligencja? AI wyjaśniona prosto dla początkujących

