Dwa światy: danych i maszyn. Pokazane od środka, prostym językiem, żeby przybliżyć Ci obie te dziedziny. Poprowadzę Cię krok po kroku: najpierw krótki list i quiz, a potem cała opowieść.
Na start czeka quiz: „Który świat jest Twój?” 🎯
Przeszedłeś wszystkie 13 kroków. Od teraz możesz swobodnie wracać do każdego rozdziału: poczytać jeszcze raz, powtórzyć quiz albo zajrzeć do pomysłów na pierwsze wakacyjne projekty.
Cześć, Niko!
Masz przed sobą świetną przyszłość. Zdałeś wzorowo maturę i zastanawiasz się, Synu, co dalej… Jeśli ktoś Ci już powiedział, że musisz wiedzieć, kim chcesz być i co będziesz robił przez resztę życia, to śmiało Ci podpowiem: to nieprawda. Nie musisz… Większość ludzi, którzy dziś świetnie sobie radzą w technologiach, w Twoim wieku nie miała pojęcia, że ich zawód w ogóle będzie istniał.
Ten przewodnik nie jest broszurą uczelni. Nie znajdziesz tu listy przedmiotów ani punktów ECTS. Znajdziesz coś ważniejszego: dwa światy: świat danych i AI i świat maszyn i robotów, pokazane tak, jak wyglądają naprawdę, na co dzień, od środka.
Nie szukaj tu odpowiedzi „co jest lepsze”. Oba wybory są dobre. Szukaj odpowiedzi na inne pytanie: „w którym z tych światów chcę spędzać swoje dni?”
Czytaj w swoim tempie. Zaraz za tym listem czeka na Ciebie quiz. Zacznij od niego, a potem poprowadzę Cię przez opowieść, rozdział po rozdziale. Na końcu będziesz miał dużo lepszy obraz obu tych światów, a taka wiedza zawsze pomaga przy kolejnych krokach.
Powodzenia, Synu. Naprawdę masz z czego wybierać, a ja spróbuję przybliżyć Ci tutaj oba te światy, żeby Ci pomóc.
8 pytań. Nie ma dobrych i złych odpowiedzi. Są tylko Twoje. Odpowiadaj odruchowo, pierwszą myślą.
Obie drogi zaczynają się podobnie: komputer, matematyka, rozwiązywanie problemów. Ale prowadzą do dwóch różnych światów. Nie opisuję tu technologii. Pokazuję Ci, co ona robi w Twoim życiu już dziś.
Tu pracujesz z informacją: budujesz modele AI, czyli programy, które same uczą się na przykładach, i sprawiasz, że komputery zauważają rzeczy, których człowiek nie ma szans wychwycić, bo danych jest za dużo.
Tu pracujesz z materią. Sprawiasz, że rzeczy fizyczne (linie produkcyjne, roboty, drony) ruszają się, działają i nie potrzebują człowieka przy każdym kroku.
Najlepszy sposób, żeby poczuć różnicę między światami? Dać obu ten sam problem. Oto on: inteligentny magazyn, który ma wysyłać paczki szybciej i popełniać mniej błędów.
Firma wysyła dziennie dziesiątki tysięcy paczek. Chce, żeby zamówienia były kompletowane szybciej, taniej i bez pomyłek. Do pracy siadają dwa zespoły. Każdy widzi zupełnie inny problem.
Patrzy na tysiące zamówień i szuka wzorców: które produkty ludzie kupują razem? O której godzinie robi się tłok? Gdzie powstają opóźnienia? Potem buduje system, który przewiduje ruch i podpowiada: te produkty połóż blisko siebie, na jutro rano przygotuj więcej ludzi w strefie C.
Projektuje robota, który to wykona: ma dojechać do właściwego regału, ominąć człowieka, który wszedł mu w drogę, chwycić paczkę tak, żeby jej nie zgnieść, i bezpiecznie wrócić. Tu liczą się czujniki, ruch, sterowanie i jedna rzecz ponad wszystko: niezawodność.
| Świat danych i AI | Świat maszyn i robotów | |
|---|---|---|
| Główne pytanie | Jaka decyzja będzie najlepsza? | Jak wykonać ją w fizycznym świecie? |
| Tworzywo | Dane, modele, algorytmy | Czujniki, silniki, mechanika, kod |
| Widoczny rezultat | Trafniejsza prognoza lub decyzja | Maszyna wykonuje zadanie |
| Typowa frustracja | Wynik jest dobry, ale trudno wyjaśnić dlaczego | Wszystko działało, aż zmienił się jeden detal |
Zapomnij o planie zajęć. Oto dwa zwykłe wtorki za kilka lat, oba w zespołach badawczo-rozwojowych (R&D), czyli tam, gdzie powstają rzeczy, których jeszcze nie ma. Obie historie są zmyślone, ale tak właśnie wygląda ta praca.
Kawa i przegląd wyników nocnego treningu. Zespół Michała rozwija model, który uczy się wykrywać wczesne zmiany nowotworowe na zdjęciach tomografii. Nowa wersja radzi sobie lepiej, ale przy zdjęciach z jednego typu aparatu dzieje się coś dziwnego.
Wideorozmowa z lekarzami ze szpitala klinicznego. Radiolożka pokazuje przypadki, w których model się myli. Michał zauważa trop: wszystkie pochodzą z aparatów starszej generacji, których obraz ma inny „charakter”.
Czysta praca badawcza. Michał przegląda najnowsze artykuły naukowe, projektuje eksperyment i przygotowuje dane tak, żeby model nauczył się ignorować różnice między aparatami, a widzieć samą chorobę.
Uruchamia trening nowej wersji. W tym czasie pisze fragment publikacji o wynikach zespołu na międzynarodową konferencję. Ich poprzedni artykuł cytują już badacze z trzech kontynentów.
Pierwsze wyniki: skuteczność na starszych aparatach wyraźnie w górę. Jeśli kolejne testy to potwierdzą, system trafi do badań klinicznych. A za kilka lat może pomagać wykrywać chorobę wcześniej u tysięcy ludzi.
W laboratorium czeka prototyp: robot mobilny z ramieniem, który ma sam nauczyć się chwytać przedmioty, jakich nigdy wcześniej nie widział. Dziś na warsztacie najtrudniejsze: obiekty delikatne.
Pierwsze próby przy szybkich kamerach. Robot pewnie podnosi kubek ceramiczny i pudełko, ale papierowy kubek zgniata. Za mocny uścisk. Kuba analizuje zapis z czujników siły klatka po klatce.
Burza mózgów z zespołem. Konstruktor proponuje bardziej miękkie opuszki chwytaka, Kuba chce zmienić sposób, w jaki robot „czuje” opór. Decyzja: sprawdzają oba pomysły równolegle.
Testy przenoszą się do symulacji: wirtualny robot próbuje tysięcy chwytów w godzinę, czego w laboratorium nie dałoby się zrobić i w miesiąc. Najlepsze ustawienia Kuba wgrywa do prawdziwego prototypu.
Ostatnia próba dnia: robot podnosi papierowy kubek, nie zostawiając na nim nawet śladu. Zespół nagrywa wideo, które za pół roku może otwierać prezentację nowej generacji robotów tej firmy.
SIAD to matematyka i informatyka zaprzęgnięte do dwóch celów: rozumienia świata z danych i budowania AI, która się z nich uczy. Nie chodzi o wkuwanie wzorów. Chodzi o to, żeby umieć zadać danym dobre pytanie i nie dać się oszukać złej odpowiedzi.
Twoja codzienność to detektywistyka na liczbach: dostajesz górę surowych informacji (transakcje, kliknięcia, wyniki badań) i pytanie od ludzi z biznesu albo nauki: „dlaczego tak się dzieje?” albo „co się stanie dalej?”. Budujesz modele, czyli programy, które uczą się na przykładach, tak jak Ty nauczyłeś się rozpoznawać spam, widząc go setki razy.
Dużo pracy w ciszy i skupieniu, ale wbrew stereotypowi także dużo rozmów. Najlepsi ludzie od danych to ci, którzy potrafią wynik wytłumaczyć zwykłym zdaniem prezesowi albo lekarzowi. I jeszcze jedno, uczciwie: spora część tej pracy to „sprzątanie” danych: łatanie dziur, poprawianie błędów. Mniej efektowne niż budowanie modeli, ale to właśnie tam wygrywa się jakość.
Pewien zespół analityków w serwisie muzycznym zauważył dziwną rzecz: ludzie najchętniej słuchają playlist, których… sami by nie ułożyli. Lekko zaskakujących, ale nie za bardzo.
Z tej obserwacji urodziły się cotygodniowe playlisty „odkryć”, dziś jedna z najbardziej lubianych funkcji Spotify. Nie wymyślił jej marketing. Wyczytali ją z danych ludzie tacy jak absolwenci SIAD.
Automatyka i Robotyka to sztuka dawania maszynom zmysłów i odruchów. Czujnik to zmysł. Sterownik to odruch. Ty jesteś tym, kto decyduje, jak maszyna ma zareagować na świat, zanim cokolwiek się wydarzy.
Twoja codzienność to ożywianie rzeczy. Projektujesz i programujesz „mózgi” maszyn: od pojedynczego ramienia robota po całą fabrykę. Piszesz instrukcje w stylu: „jeśli czujnik widzi element, chwyć; jeśli temperatura rośnie, zwolnij; jeśli człowiek wejdzie w strefę, zatrzymaj wszystko natychmiast”. A potem przychodzi najlepszy moment: wciskasz start i patrzysz, jak to działa naprawdę.
Żeby robić to dobrze, na studiach zbudujesz solidny fundament: elektronikę (rozumiesz, jak płynie sygnał od czujnika do silnika), miernictwo (sztukę dokładnego mierzenia, bo robot jest tylko tak dobry, jak jego pomiary), fizykę ruchu i przetwarzanie sygnałów. To dużo dziedzin naraz i to jest właśnie największe wyzwanie tego kierunku.
To praca w rytmie: część tygodnia przy biurku i symulacjach, część przy prawdziwych maszynach. Efekty widzisz, słyszysz i możesz ich dotknąć. Mało który zawód daje taką satysfakcję z „to jeździ, bo ja to zrobiłem”. Uczciwie: zanim to poczujesz, przejdziesz przez etap „poprawiam mały fragment cudzego systemu”. Tak w tym zawodzie uczy się odpowiedzialności, bo błąd inżyniera potrafi zatrzymać prawdziwą fabrykę.
Amazon kupił kiedyś małą firmę robotyczną Kiva. Jej pomysł był prosty i genialny: zamiast człowieka chodzącego do półek to półki przyjeżdżają do człowieka, wożone przez płaskie pomarańczowe roboty.
Dziś po magazynach Amazona jeżdżą setki tysięcy takich maszyn, a Twoja paczka trafia do Ciebie szybciej niż kiedykolwiek. Ktoś te roboty projektuje, uruchamia i uczy współpracy. To praca dla absolwentów AiR.
Nie musisz czekać do pierwszego wykładu, żeby dowiedzieć się, czy to „Twoje”. Oba światy możesz przetestować już w te wakacje. Jeden wolny weekend wystarczy na pierwszy krok.
Uczciwa różnica praktyczna: w świecie danych i AI zaczynasz samym laptopem i darmowymi danymi. W świecie maszyn i robotów szybciej pojawia się koszt: sprzęt, części, miejsce (choć symulatory dużo z tego zdejmują). Ale w obu przypadkach obowiązuje ta sama zasada: decyzja po dwóch małych projektach będzie sto razy lepsza niż decyzja po stu opisach. Włącznie z tym przewodnikiem.
Krążą po internecie i w rozmowach o studiach. Brzmią przekonująco, ale żaden nie jest prawdziwy.
Nie trzeba być geniuszem. Trzeba lubić myśleć. Matematyka na studiach to narzędzie, którego uczysz się krok po kroku, jak jazdy na desce: na początku każdy się wywraca. Ważniejsza od talentu jest ciekawość: czy naprawdę chcesz wiedzieć, dlaczego coś działa.
Współczesny inżynier większość czasu spędza na projektowaniu: laptop, symulacje, laboratorium. Do prototypu albo maszyny podchodzi wtedy, gdy dzieje się najciekawsze: testy i pierwsze uruchomienia. To zawód projektanta i badacza, nie mechanika z kluczem w kieszeni.
AI przejmuje nudne fragmenty pracy, i właśnie dlatego rośnie zapotrzebowanie na ludzi, którzy te systemy tworzą, wdrażają i pilnują. Wybierając którykolwiek z tych kierunków, nie uciekasz przed AI. Siadasz za jej sterami.
Dużą część tej pracy, często nawet połowę czasu, zajmują rozmowy ze specjalistami z dziedziny, której dotyczy problem: raz będą to ludzie z biznesu, innym razem lekarze, prawnicy czy inżynierowie. Dane bez zrozumienia problemu są bezużyteczne. Najlepsi analitycy to tłumacze między światem liczb a światem ludzi.
Oba kierunki dają ten sam fundament: matematykę, programowanie i inżynierskie myślenie. Ludzie po Automatyce i Robotyce pracują przy danych, a ludzie po SIAD przy robotach. Wybierasz punkt startu, nie klatkę.
Każdy zawód ma momenty, dla których się go kocha, i takie, które trzeba przetrwać. Dobra decyzja bierze pod uwagę jedne i drugie.
Moment, w którym model, którego uczyłeś całymi dniami, nagle zaczyna działać: znajduje wzorce, których nikt nie widział, przewiduje trafniej, niż ktokolwiek się spodziewał. I świadomość, że Twój system pomaga tysiącom ludzi naraz.
Dane bywają brudne: dziury, błędy, duplikaty, a ich sprzątanie to spora część pracy. Trening modelu potrafi trwać godzinami tylko po to, żeby pokazać wynik gorszy niż wczoraj. A czasem model działa świetnie i… długo nie wiesz dlaczego.
Po wielu próbach urządzenie wykonuje pełny cykl. Słyszysz to, widzisz to, możesz tego dotknąć. Mało które uczucie w pracy inżyniera równa się z pierwszym udanym uruchomieniem.
Błąd może siedzieć wszędzie: w kodzie, w przewodzie, w czujniku, w mechanice, w zasilaniu. Czasem jedna poluzowana śrubka zatrzymuje całość, a Ty szukasz jej pół dnia.
Który rodzaj frustracji jesteś w stanie znosić godzinami, bo problem i tak Cię ciekawi?
Nie pytaj, gdzie jest fajniej w dobre dni. Pytaj, gdzie trudne dni wciąż mają dla Ciebie sens. To lepszy kompas niż niejeden ranking zarobków.Nikt nie zna przyszłości. Ale kierunek zmian widać gołym okiem. To dobra wiadomość dla obu światów.
AI już dziś mocno wchodzi do świata robotów i będzie wchodzić coraz głębiej: robot Tesli uczy się chodzić na danych, drony same planują trasę, pojazdy rozpoznają otoczenie bez pomocy człowieka. To właśnie dzięki AI maszyny stają się autonomiczne, czyli same rozumieją, co dzieje się wokół nich, i same decydują, co zrobić. Za 10 lat najbardziej rozchwytywani będą ludzie, którzy rozumieją oba języki, a każdy z tych kierunków daje Ci mocną nogę w jednym świecie i otwarte drzwi do drugiego. Dlatego ten wybór jest ważny, ale nie jest ryzykowny.
Nie potrzebujesz stu rankingów. Potrzebujesz trzech uczciwych odpowiedzi.
Pytanie „dlaczego tak się dzieje?” czy pytanie „jak to zbudować, żeby działało?”. Przypomnij sobie, przy czym ostatnio straciłeś poczucie czasu.
Niewidzialny, ale ogromny: lepsze decyzje tysięcy ludzi? Czy namacalny: maszyna, która rusza, bo Ty ją uruchomiłeś?
Wróć do rozdziału 06. Michał w laboratorium AI czy Kuba przy prototypie robota: w którą z tych historii wszedłeś tak, jakby była o Tobie?
Kilka słów ode mnie na koniec.
Najważniejsze: ten wybór jest odwracalny bardziej, niż myślisz. Znam ludzi, którzy po Automatyce i Robotyce trafili do analizy danych, i takich, którzy po SIAD budują roboty. Fundament masz wspólny. Nie wybierasz klatki. Wybierasz pierwszy krok.
Warto tylko pamiętać: trudne momenty będą na obu kierunkach, w pierwszych semestrach szczególnie. Różnica jest taka, że trudności w świecie, który Cię wciąga, smakują jak wyzwanie. A w tym, który Cię nudzi, jak kara.
I ostatnia, najbardziej praktyczna rada: masz przed sobą całe wakacje, więc zrób jeden mały projekt z każdego świata (pomysły znajdziesz w rozdziale 09). Weekend z danymi, weekend z mikrokontrolerem. Wybór po doświadczeniu zawsze bije wybór po opisach.
Przedmioty zapomnisz. Budynki się zmienią. Zostanie jedno: rodzaj zagadnień, z którymi będziesz się mierzyć każdego dnia przez najbliższe lata. Wybierz te, które chcesz mieć w głowie. Reszta się ułoży.