Treść lekcji opracowałam opierając się na nowym rozdziale książki Torrey Podmajersky „Strategic writing for UX”. Rozdział ten nosi tytuł „Content Design for LLM-Based Experiences” i dokładnie omawia współpracę projektantów treści z AI przy budowaniu własnych modeli językowych dla dużych firm.

Dużą pomocą w zrozumieniu obecności sztucznej inteligencji w kontekście historycznym była dla mnie książka, którą napisał Yuval Noah Harari – „Nexus. Krótka historia informacji. Od epoki kamienia do sztucznej inteligencji”.

Słownik:

LLM (Large Language Model) – duży model językowy, czyli zaawansowany system oparty na sztucznej inteligencji, który uczy się języka naturalnego na podstawie ogromnych zbiorów tekstów: książek, stron internetowych, rozmów, dokumentów. Celem takiego modelu jest rozumienie i generowanie tekstu w sposób zbliżony do ludzkiego. Dzięki temu LLM potrafi odpowiadać na pytania, tłumaczyć, streszczać treści, a nawet pisać kreatywne teksty. Modele te (np. ChatGPT, Claude czy Gemini) stały się podstawą nowych produktów cyfrowych, w których interakcja odbywa się poprzez rozmowę z systemem.

AI Slop – określenie używane wobec treści niskiej jakości, które powstają masowo z wykorzystaniem sztucznej inteligencji. To teksty, obrazy czy filmy tworzone bez kontroli człowieka, często bez sensu, pełne błędów, powtórzeń lub nieprawdziwych informacji. Zjawisko to pokazuje, że automatyczne generowanie treści bez edycji i refleksji prowadzi do „zaśmiecania” internetu, utrudniając znalezienie wartościowych źródeł wiedzy. AI Slop jest przeciwieństwem świadomego, projektowego użycia narzędzi AI.

Generatywna sztuczna inteligencja – rodzaj AI, która nie tylko analizuje dane, ale także potrafi tworzyć nowe: teksty, obrazy, muzykę czy wideo. Działa w oparciu o wzorce, których nauczyła się w procesie trenowania. To technologia stojąca za współczesnymi narzędziami takimi jak ChatGPT, DALL·E czy Midjourney. W praktyce oznacza to, że AI nie odtwarza gotowych fragmentów, ale generuje coś nowego – zgodnie z kontekstem, tonem lub instrukcją.

Trenowanie modelu – proces, w którym model sztucznej inteligencji „uczy się” języka lub innych danych. Polega na analizie milionów przykładów, aby rozpoznawać wzorce, relacje i znaczenia. Podczas trenowania model buduje swoje wewnętrzne „pojęcie” tego, jak ludzie mówią i piszą. W kontekście modeli językowych jest to etap, który decyduje o tym, jak dobrze model rozumie pytania i potrafi udzielać trafnych odpowiedzi.

Halucynacje modeli językowych – zjawisko, w którym model językowy generuje treści pozornie wiarygodne, ale nieprawdziwe lub całkowicie zmyślone. Halucynacje wynikają z tego, że model nie ma świadomości ani dostępu do aktualnej wiedzy o świecie – działa na podstawie wzorców językowych, a nie faktów. Dla projektantek treści i osób korzystających z AI ważne jest umiejętne rozpoznawanie i ograniczanie takich błędów, np. poprzez weryfikację danych lub stosowanie tzw. ugruntowania modelu.

One-shot prompt – rodzaj instrukcji, w której osoba korzystająca z AI podaje jeden przykład oczekiwanej odpowiedzi, aby „nauczyć” model stylu lub struktury wypowiedzi. Dzięki temu model lepiej rozumie kontekst zadania i generuje bardziej dopasowane wyniki. Technika one-shot jest szczególnie przydatna przy tworzeniu spójnych treści, np. opisów produktów, komunikatów w aplikacji czy krótkich tekstów marketingowych.

Zero-shot prompt – forma polecenia, w której AI otrzymuje zadanie bez żadnego przykładu. Model samodzielnie decyduje, jak zinterpretować prośbę i w jakiej formie udzielić odpowiedzi. To podstawowy sposób pracy z generatywną AI, ale mniej precyzyjny niż one-shot lub few-shot prompting. Skuteczność takiego polecenia zależy głównie od jasności i konkretności sformułowanego zadania.

Ugruntowanie modelu (ang. grounding) – proces, w którym model językowy zostaje połączony z rzeczywistymi źródłami danych, np. dokumentami firmowymi, bazą wiedzy lub aktualnymi informacjami z internetu. Dzięki temu może generować odpowiedzi oparte na faktach, a nie na własnych „skojarzeniach” językowych. Ugruntowanie jest kluczowe dla wiarygodności modeli używanych w produktach komercyjnych i edukacyjnych.

Dezinformacja – celowe lub przypadkowe rozpowszechnianie nieprawdziwych informacji, które wprowadzają w błąd odbiorców. W kontekście sztucznej inteligencji może to oznaczać generowanie fałszywych wiadomości, cytatów lub danych przez modele językowe. Dezinformacja jest szczególnie groźna, gdy użytkownicy nie weryfikują źródeł lub ufają, że AI „wie lepiej”. Projektowanie treści z użyciem AI wymaga więc odpowiedzialności i świadomego korzystania z danych.

‍