Self-learning AI: ai-slop.win - darmowe szkolenie z GenAI, które w całości zbudowało AI

Strona nazywa się ai-slop.win, czyli dosłownie “AI-papka wygrywa”. To celowa prowokacja: pod autoironiczną domeną kryje się kompletne, darmowe i anonimowe szkolenie z GenAI i LLM - sześć ścieżek, ponad trzydzieści modułów, testy z bramkami bezpieczeństwa i certyfikat. A żart jest podwójny, bo całą aplikację zbudowało AI. Pod nadzorem, z wymaganiami, recenzjami kodu i testami - i właśnie o tym jest ta historia.

Skąd ta nazwa: slop jako punkt odniesienia

“AI slop” to pejoratywne określenie na masowo generowaną papkę: artykuły bez treści, obrazki bez sensu, kod bez zrozumienia. Internet zalewa się tym od kilku lat i to uzasadniona krytyka - większość treści tworzonych z AI bez nadzoru jest po prostu słaba.

Domena ai-slop.win odwraca ten zarzut. Skoro narzędzie potrafi produkować papkę, to znaczy, że problemem nie jest narzędzie, tylko proces. Ta sama technologia, użyta z wymaganiami, recenzją i testami, potrafi zbudować rzecz kompletną i uczciwą. Strona jest jednocześnie szkoleniem o AI i dowodem rzeczowym w sprawie “czy z AI da się zrobić coś więcej niż slop”.

Stąd tytuł tego wpisu: self-learning AI. Nie chodzi o samouczące się modele, tylko o samodzielne uczenie się o AI - we własnym tempie, bez zapisów, bez kont i bez płacenia.

Co to właściwie jest

Po wejściu na ai-slop.win trafiasz do aplikacji “Szkolenie GenAI i LLM” sygnowanej przez Quality Cat. Technicznie to statyczna aplikacja HTML/CSS/JS hostowana na GitHub Pages: bez backendu, bez logowania, bez śledzenia. Twój postęp zapisuje się lokalnie w przeglądarce (localStorage), a wynik możesz wyeksportować do pliku.

Z perspektywy użytkownika oznacza to trzy rzeczy:

Zero barier wejścia. Otwierasz stronę i się uczysz. Nie podajesz adresu e-mail, nie zakładasz konta, nikt nie wyśle ci potem oferty.
Pełna prywatność. Wyniki testów nigdzie nie wychodzą poza twoją przeglądarkę. To ty decydujesz, czy komuś pokażesz certyfikat.
Własne tempo. Szkolenie jest podzielone na moduły po 30-45 minut. Możesz przerwać w dowolnym momencie i wrócić - postęp czeka.

Sześć ścieżek: od zarządu po inżyniera i od kuchni po biuro

Najciekawszą decyzją projektową jest to, że szkolenie nie udaje, że wszyscy potrzebują tego samego. Zamiast jednego liniowego kursu dostajesz sześć ścieżek dopasowanych do roli i celu:

Ścieżka	Dla kogo	Zakres
AI z QA - Podstawowy	osoby nietechniczne i decyzyjne: menedżerowie, właściciele produktu, analitycy	12 modułów w wersji skróconej, test końcowy 25 pytań
AI z QA - Praktyk	testerzy i praktycy używający AI w codziennej pracy	12 modułów, test 40 pytań, zadanie praktyczne z promptów
AI z QA - Inżynier	inżynierowie, techniczni testerzy, osoby od automatyzacji	12 modułów w pełnym zakresie, test 55 pytań, dwa zadania praktyczne
Skala Holaka - diagnoza i rozwój	każdy, kto chce zmierzyć swoją (lub firmową) dojrzałość pracy z AI	autodiagnoza osobista i organizacyjna + 4 moduły rozwojowe
AI w domu	osoby prywatne, rodziny, każdy bez technicznego zaplecza	6 modułów: od promptów na co dzień po prywatność domową
Bezpieczne używanie AI	każdy, kto używa AI w pracy lub prywatnie i chce robić to bezpiecznie	6 modułów o ryzykach, test 20 pytań z bramką bezpieczeństwa

Trzy pierwsze ścieżki to ten sam program w trzech poziomach głębokości - od “rozumiem, o co chodzi i umiem o tym rozmawiać” po “umiem to ocenić technicznie i wdrożyć”. Trzy pozostałe to programy niezależne: diagnoza dojrzałości, AI w życiu domowym i bezpieczeństwo.

Czego uczy rdzeń programu

Dwanaście modułów głównych (M1-M12) układa się w logiczną sekwencję: od intuicji, przez technikalia, po praktykę i jej granice.

Fundamenty GenAI i LLM - co model naprawdę robi, gdy “odpowiada”
Architektura LLM na poziomie praktycznym - tokeny, okno kontekstu, parametry, transformer bez matematyki
Parametry generacji i kontrola wyniku - temperature, top-p, max tokens i ich realny wpływ na output
Embeddings i podobieństwo semantyczne - jak tekst staje się liczbami
Vector databases i similarity search - gdzie te liczby mieszkają i jak się je przeszukuje
RAG: Retrieval-Augmented Generation - jak dać modelowi twoją wiedzę zamiast jego domysłów
Prompt engineering w praktyce - rzemiosło zamiast magii
Zastosowania GenAI w QA i jakości - przypadki testowe, raporty, analiza wymagań
Integracje narzędzi i agenci - od czatu do działającego przepływu pracy
Bezpieczeństwo, higiena danych i ład - co wolno wkleić do modelu, a czego nigdy
Halucynacje, granice zastosowania i weryfikacja outputu - kiedy modelowi nie wierzyć
Ewaluacja jakości LLM i RAG - jak mierzyć, czy to w ogóle działa

Każdy moduł ma ten sam szkielet: wprowadzenie osadzone w realnym kontekście pracy, kilka ekranów treści, element interaktywny i podsumowanie z quizem. Interakcje nie są ozdobnikami - w module o architekturze jest “licznik kontekstu”, który pokazuje, jak dokument wypada z okna kontekstu i które pytania przestają być możliwe do poprawnej odpowiedzi. W module o parametrach generacji są suwaki, na których widzisz, jak temperature zmienia formalność i ryzyko błędów w odpowiedzi. Uczysz się przez dotknięcie mechanizmu, nie przez przeczytanie definicji.

Moduły specjalne: dom, bezpieczeństwo, dojrzałość

Poza rdzeniem są trzy zestawy modułów, które uważam za najbardziej niedoceniane:

AI w domu: co AI potrafi dziś, prompty na co dzień, AI w telefonie i domu, tworzenie obrazów i wideo, AI a dzieci i rodzina, prywatność domowa. To szkolenie, które możesz podesłać rodzicom albo nastolatkowi - bez żargonu i bez założenia, że ktoś wie, czym jest API.
Bezpieczne używanie AI: mapa ryzyk, dane wrażliwe, prompt injection i socjotechnika, deepfake i dezinformacja, polityki firmowe i shadow AI (niekontrolowane użycie AI w pracy), weryfikacja treści. Sześć modułów, które powinny być obowiązkowe w każdej firmie zanim ktokolwiek dostanie dostęp do czatu.
Skala Holaka: autodiagnoza dojrzałości pracy z AI - osobno dla osoby prywatnej (v2.1p) i organizacji (v2.1e), plus cztery moduły rozwojowe o zarządzaniu kontekstem, agentach, bezpieczeństwie i mierzeniu wpływu. Jeśli czytasz tego bloga regularnie, skalę już znasz - tutaj możesz ją przejść interaktywnie.

Testy, które traktują bezpieczeństwo serio

System zaliczeń to miejsce, gdzie widać QA-owe DNA projektu. Wynik ścieżki składa się z trzech ważonych części: quizy w modułach (30%), test końcowy (60%) i zadanie praktyczne (10%). Progi zaliczenia rosną z poziomem: 75% dla ścieżki podstawowej, 78% dla praktyka, 80% dla inżyniera. Masz trzy podejścia.

Ale jest jeden mechanizm, który wyróżnia to szkolenie na tle typowych kursów z internetu:

Pytania krytyczne z bezpieczeństwa są warunkiem koniecznym. Możesz mieć 95% z całości - jeśli nie odpowiesz poprawnie na 100% pytań krytycznych o higienę danych i prompt injection, nie zaliczasz. Niezależnie od wyniku ogólnego.

To dokładnie odwrotność tego, jak działają zwykłe testy, gdzie błąd w pytaniu o dane osobowe można “nadrobić” wiedzą o transformerach. Tutaj nie można. Logika jest prosta: osoba, która świetnie rozumie architekturę LLM, ale wkleja dane klientów do publicznego czatu, jest groźniejsza niż osoba, która nie zna architektury w ogóle. Test odzwierciedla tę hierarchię ryzyka.

Po zaliczeniu dostajesz certyfikat - uczciwie opisany jako informacyjny, nie formalny. Możesz go zapisać jako PDF i pochwalić się wynikiem, ale nikt nie udaje, że to akredytowane zaświadczenie.

Osiem języków

Szkolenie jest dostępne po polsku, angielsku, niemiecku, hiszpańsku, francusku, włosku, ukraińsku i wietnamsku. Tłumaczenia obejmują pełną treść modułów, pytania testowe i etykiety interfejsu - nie tylko menu. Dla treści edukacyjnej tworzonej hobbystycznie to zakres, którego nie powstydziłaby się komercyjna platforma e-learningowa. I to też jest część eksperymentu: utrzymanie ośmiu wersji językowych ręcznie byłoby niewykonalne, z AI w procesie - to kwestia dyscypliny, nie budżetu.

Jak to powstało: AI pod nadzorem, nie AI na żywioł

Teraz druga warstwa tej historii. Cała aplikacja - treść, logika quizów, system ścieżek, scoring, certyfikat, tłumaczenia - powstała w procesie, w którym kod i treść generowało AI. Ale “generowało AI” nie znaczy “wyszło z jednego prompta”. Proces wyglądał tak:

Najpierw wymagania. Zanim powstała pierwsza linia kodu, powstało dwanaście dokumentów analizy: cele biznesowe, analiza odbiorców, analiza potrzeb szkoleniowych, efekty uczenia, program, specyfikacja testów, plan wdrożenia, metryki sukcesu, ryzyka. Tak, dla darmowego szkolenia hobbystycznego.
Każda zmiana przez pull request. Żadnego zapisywania prosto do gałęzi głównej. Każda paczka pracy to osobne zgłoszenie (issue), osobna gałąź, osobny PR z kryteriami akceptacji.
AI recenzuje AI. Kod pisany w Claude Code przechodził recenzję przez Codex - drugi, niezależny model. PR czekał na zielone CI i recenzję zanim cokolwiek trafiło na produkcję.
Decyzje architektoniczne na piśmie. Projekt prowadzi rejestr decyzji (ADR): dlaczego statyczna strona bez backendu, dlaczego postęp w localStorage, dlaczego wersjonowanie ręczne. Każdą decyzję można prześledzić.
Dane wyłącznie syntetyczne. Wszystkie przykłady w szkoleniu - aplikacje, firmy, adresy, identyfikatory - są zmyślone od zera. Zero realnych danych klientów, zero prawdziwych PESEL-i, zero kopiowania z projektów komercyjnych. To reguła zapisana twardo w zasadach repozytorium.
Testy danych i dostępności. Struktury JSON z pytaniami i treścią przechodzą walidację schematów, interfejs jest sprawdzany pod kątem obsługi klawiaturą i kontrastu.

Innymi słowy: AI wygenerowało setki plików, ale o tym, co trafia na stronę, decydował proces - wymagania, recenzja, bramki jakości. To jest dokładnie różnica między slopem a produktem. Slop powstaje, gdy generowanie jest ostatnim krokiem. Produkt powstaje, gdy generowanie jest pierwszym.

Meta-obserwacja: szkolenie uczy m.in. tego, że output modelu trzeba weryfikować, że bezpieczeństwo danych jest bramką konieczną i że proces ważniejszy niż prompt. I samo powstało według tych zasad. Trudno o lepszą spójność przekazu z metodą.

Co z tego ma użytkownik: trzy scenariusze

Scenariusz 1: jesteś testerem i firma “wdraża AI”

Przejdź ścieżkę Praktyk. Dostaniesz wspólny język z zespołem (tokeny, kontekst, RAG, halucynacje), praktyczne nawyki promptowania i - co najważniejsze - moduł o tym, jak oceniać output modelu zamiast mu wierzyć. Zadanie praktyczne zmusi cię do napisania prawdziwego prompta i ocenienia go według rubryki, nie na oko.

Scenariusz 2: zarządzasz zespołem i musisz podejmować decyzje o AI

Ścieżka Podstawowa plus autodiagnoza organizacyjna ze Skali Holaka. Po 4-5 godzinach wiesz, czym RAG różni się od dostrajania modelu, dlaczego “wdrożyliśmy czat” to nie strategia i na jakim poziomie dojrzałości faktycznie jest twoja organizacja. To wystarczy, żeby nie kupować obietnic bez pokrycia.

Scenariusz 3: chcesz, żeby ktoś bliski bezpiecznie używał AI

Ścieżki AI w domu i Bezpieczne używanie AI. Bez żargonu, z modułami o deepfake’ach, oszustwach, prywatności i AI w rękach dzieci. To brakujące ogniwo między “babcia dostała telefon ze sztuczną inteligencją” a “babcia wie, że głos wnuczka w słuchawce może być wygenerowany”.

Czego tu nie ma (i dlaczego to zaleta)

Nie ma kont i logowania. Konsekwencja: postęp żyje w jednej przeglądarce. Wyczyścisz dane przeglądarki - zaczynasz od nowa (chyba że wyeksportujesz wynik do pliku). To świadomy kompromis na rzecz prywatności.
Nie ma formalnego certyfikatu. Dokument jest informacyjny. Uczciwsze to niż udawanie akredytacji, której nie ma.
Nie ma materiałów o konkretnych narzędziach. Szkolenie jest neutralne narzędziowo - uczy mechanizmów, nie klikania w konkretny produkt. Dzięki temu nie zestarzeje się przy następnej premierze modelu.
Nie ma ceny. Całość jest darmowa i dostępna publicznie.

Podsumowanie

ai-slop.win to dwie rzeczy naraz. Po pierwsze - solidne, darmowe, anonimowe szkolenie z GenAI w sześciu ścieżkach i ośmiu językach, z systemem testów, który traktuje bezpieczeństwo danych jako warunek konieczny, a nie jeden z tematów. Po drugie - eksperyment pokazujący, że treść i kod wygenerowane przez AI nie muszą być papką, jeśli za generowaniem stoi proces: wymagania, recenzja, testy, bramki jakości.

Nazwa domeny jest żartem, ale tezą już nie: o tym, czy AI produkuje slop, nie decyduje model. Decyduje to, co stoi przed nim i po nim.

Sprawdź sam: wejdź na ai-slop.win, wybierz ścieżkę pasującą do twojej roli i zrób pierwszy moduł. Pół godziny, zero rejestracji. Jeśli zaczniesz od modułu o bezpieczeństwie - jeszcze lepiej.