{"id":32103,"date":"2025-09-15T05:00:00","date_gmt":"2025-09-15T03:00:00","guid":{"rendered":"https:\/\/sii.pl\/blog\/?p=32103"},"modified":"2025-09-05T15:34:50","modified_gmt":"2025-09-05T13:34:50","slug":"z-testera-w-tresera-ai-jak-oswoic-sztuczna-inteligencje","status":"publish","type":"post","link":"https:\/\/sii.pl\/blog\/z-testera-w-tresera-ai-jak-oswoic-sztuczna-inteligencje\/","title":{"rendered":"Z Testera w Tresera AI: Jak oswoi\u0107 sztuczn\u0105 inteligencj\u0119?"},"content":{"rendered":"\n<p>Przez lata praca testera oprogramowania przypomina\u0142a misj\u0119 detektywa z kalkulatorem. Wprowadzasz 2 + 2, oczekujesz 4. Je\u015bli wynikiem jest 5, wiesz, \u017ce w kodzie jest b\u0142\u0105d. Proces by\u0142 logiczny i przewidywalny. Dzi\u015b wkraczasz do \u015bwiata sztucznej inteligencji, gdzie systemy zachowuj\u0105 si\u0119 jak szef kuchni \u2013 mieszaj\u0105 tysi\u0105ce sk\u0142adnik\u00f3w, dodaj\u0105 szczypt\u0119 probabilistyki (lub po prostu magi<s>i<\/s>) i serwuj\u0105 wynik, kt\u00f3ry potrafi zaskoczy\u0107 nawet swoich tw\u00f3rc\u00f3w. Klasyczne metody testowania cz\u0119sto okazuj\u0105 si\u0119 niewystarczaj\u0105ce. <\/p>\n\n\n\n<p>Jednak Twoje umiej\u0119tno\u015bci nie znikaj\u0105, lecz ewoluuj\u0105. Z \u0142owcy b\u0142\u0119d\u00f3w stajesz si\u0119 treserem AI: specjalist\u0105, kt\u00f3ry uczy cyfrowe systemy niezawodno\u015bci i dba o to, by budowa\u0142y zaufanie, a nie generowa\u0142y straty. Zamiast pyta\u0107: <strong>\u201eCzy to dzia\u0142a?\u201d<\/strong>, zaczynasz pyta\u0107: <strong>\u201eCzy mog\u0119 temu ufa\u0107?I dlaczego ten model nagle uzna\u0142, \u017ce panda to gibon?\u201d<\/strong>.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-large\"><img decoding=\"async\" width=\"1024\" height=\"683\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Panda-1024x683.png\" alt=\"Panda wygenerowana przez ChatGPT\" class=\"wp-image-32104\" srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Panda-1024x683.png 1024w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Panda-300x200.png 300w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Panda-768x512.png 768w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Panda.png 1536w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Ryc. 1 Panda wygenerowana przez ChatGPT<\/figcaption><\/figure>\n\n\n\n<p>Ten przewodnik to Twoja mapa po nowym terytorium. Niezale\u017cnie od tego, czy dopiero zaczynasz prac\u0119 z algorytmami, czy jeste\u015b weteranem, kt\u00f3ry widzia\u0142 niejedn\u0105 \u201ehalucynacj\u0119\u201d modelu, przeprowadz\u0119 Ci\u0119 przez <strong>pi\u0119\u0107 filar\u00f3w nowoczesnego testowania AI<\/strong>.<\/p>\n\n\n\n<p>Poka\u017c\u0119, jak tworzy\u0107 systemy, kt\u00f3re s\u0105 nie tylko inteligentne, ale przede wszystkim odpowiedzialne, opieraj\u0105c si\u0119 na wytycznych bran\u017cowych, takich jak analizy kluczowych zagro\u017ce\u0144 identyfikowane przez <strong>OWASP i GRAI <\/strong>(Grupa robocza Ministerstwa Cyfryzacji ds. AI):<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><a href=\"https:\/\/genai.owasp.org\/\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >Lista zagro\u017ce\u0144 OWASP,<\/a><\/li>\n\n\n\n<li><a href=\"https:\/\/www.gov.pl\/web\/baza-wiedzy\/zagrozenia-dla-systemow-wykorzystujacych-ai\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >Lista zagro\u017ce\u0144 GRAI.<\/a><\/li>\n<\/ul>\n\n\n\n<p><strong>Dla ka\u017cdego filaru prezentuj\u0119 dwa podej\u015bcia:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Szybki start: <\/strong>Prosta metoda, idealna do natychmiastowego wdro\u017cenia.<\/li>\n\n\n\n<li><strong>G\u0142\u0119bokie nurkowanie:<\/strong> Zaawansowana technika dla tych, kt\u00f3rzy chc\u0105 w pe\u0142ni kontrolowa\u0107 swoje systemy.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Filar 1: Adversarial Attacks \u2013 testowanie granic cyfrowej rzeczywisto\u015bci<\/strong><\/h2>\n\n\n\n<p>Adversarial attacks to celowe, niemal niewidoczne dla cz\u0142owieka manipulacje danymi, kt\u00f3re potrafi\u0105 ca\u0142kowicie zmyli\u0107 model AI. To zaawansowana forma test\u00f3w negatywnych sprawdzaj\u0105ca odporno\u015b\u0107 systemu na cyfrowe iluzje.<\/p>\n\n\n\n<p>Klasyczny przyk\u0142adem mo\u017ce by\u0107 s\u0142ynne zdj\u0119cie pandy. Po dodaniu do niego starannie przygotowanego \u201eszumu\u201d, model z 99% pewno\u015bci\u0105 rozpoznaje na nim gibona.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-large\"><img decoding=\"async\" width=\"1024\" height=\"379\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Panda-gibbon-example-1024x379.png\" alt=\"Panda vs. Gibon\" class=\"wp-image-32106\" srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Panda-gibbon-example-1024x379.png 1024w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Panda-gibbon-example-300x111.png 300w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Panda-gibbon-example-768x284.png 768w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Panda-gibbon-example.png 1074w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Ryc. 2 Panda vs. Gibon (<a href=\"https:\/\/media.cybernews.com\/2023\/08\/Panda-gibbon-example.png\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >\u017ar\u00f3d\u0142o<\/a>)<\/figcaption><\/figure>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Zagro\u017cenie w biznesie<\/strong><\/h3>\n\n\n\n<p>Wyobra\u017a sobie zmanipulowan\u0105 faktur\u0119, gdzie zmiana kilku pikseli powoduje, \u017ce system OCR odczytuje zupe\u0142nie inn\u0105 kwot\u0119. Innym nowoczesnym zagro\u017ceniem jest prompt injection (wstrzykiwanie polece\u0144), gdzie z\u0142o\u015bliwie spreparowane zapytanie zmusza chatbota do generowania dezinformacji lub obchodzenia zabezpiecze\u0144.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-large\"><img decoding=\"async\" width=\"1024\" height=\"745\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Tahoe_for_1-1024x745.png\" alt=\"\u201eTahoe for $1\u201d\" class=\"wp-image-32108\" srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Tahoe_for_1-1024x745.png 1024w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Tahoe_for_1-300x218.png 300w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Tahoe_for_1-768x559.png 768w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Tahoe_for_1.png 1034w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Ryc. 3 \u201eTahoe for $1\u201d (<a href=\"https:\/\/www.linkedin.com\/posts\/docligot_the-infamous-chevy-tahoe-for-1-chatbot-sale-activity-7270440782958862336-M50X\/\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >\u017ar\u00f3d\u0142o<\/a>)<\/figcaption><\/figure>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Metody testowania<\/strong><\/h3>\n\n\n\n<p><strong>Szybki start:<\/strong> Symulacja pierwszej podatno\u015bci<\/p>\n\n\n\n<p>U\u017cyj prostej biblioteki, takiej jak Foolbox, aby zaatakowa\u0107 w\u0142asny model klasyfikacji obraz\u00f3w. Dodaj delikatny szum do zdj\u0119cia testowego i sprawd\u017a, czy etykieta predykcji ulegnie zmianie. Ten eksperyment b\u0142yskawicznie u\u015bwiadomi Ci, jak wra\u017cliwy mo\u017ce by\u0107 Tw\u00f3j system.<\/p>\n\n\n\n<p><strong>G\u0142\u0119bokie nurkowanie:<\/strong> Zautomatyzowane testy bezpiecze\u0144stwa w CI\/CD<\/p>\n\n\n\n<p>Zintegruj Adversarial Robustness Toolbox (ART) ze swoim pipeline&#8217;em CI\/CD. Skonfiguruj automatyczne testy symuluj\u0105ce ataki typu \u201ebia\u0142ej skrzynki\u201d (z pe\u0142nym dost\u0119pem do modelu) i \u201eczarnej skrzynki\u201d (bez dost\u0119pu). Mierz spadek dok\u0142adno\u015bci modelu i wdra\u017caj mechanizmy obronne, takie jak adversarial training.<strong><br><br>Wi\u0119cej informacji:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><a href=\"https:\/\/adversarial-robustness-toolbox.readthedocs.io\/en\/latest\/\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" ><strong>Adversarial Robustness Toolbox<\/strong><\/a> \u2013 to oficjalna dokumentacja biblioteki <strong>ART<\/strong> od IBM. Ten przewodnik krok po kroku pokazuje, jak zaimportowa\u0107 model (np. TensorFlow, PyTorch), wygenerowa\u0107 przyk\u0142ady adwersarialne za pomoc\u0105 ataku <strong>Fast Gradient Sign Method (FGSM)<\/strong> i oceni\u0107 spadek dok\u0142adno\u015bci modelu. Jest to najlepsze miejsce na start, poniewa\u017c zawiera gotowe do uruchomienia fragmenty kodu.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Filar 2: Robustness \u2013 budowanie odporno\u015bci na niedoskona\u0142y \u015bwiat<\/strong><\/h2>\n\n\n\n<p>Robustness (odporno\u015b\u0107) to zdolno\u015b\u0107 AI do poprawnego dzia\u0142ania w warunkach dalekich od idealnych \u2013 tak jak silnik samochodu, kt\u00f3ry musi dzia\u0142a\u0107 niezawodnie na mrozie i w deszczu. Testowanie odporno\u015bci polega na celowym \u201ebrudzeniu\u201d danych, czyli wprowadzaniu do nich zak\u0142\u00f3ce\u0144 (w procesie zwanym augmentacj\u0105).<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Odporno\u015b\u0107 na zak\u0142\u00f3cenia<\/strong>: Co si\u0119 stanie, gdy kamera monitoringu b\u0119dzie nagrywa\u0107 we mgle lub przy s\u0142abym o\u015bwietleniu? Czy system rozpoznawania mowy poradzi sobie z ha\u0142asem w tle?<\/li>\n\n\n\n<li><strong>Dane spoza rozk\u0142adu<\/strong> (Out-of-Distribution): Jak model zareaguje na dane, kt\u00f3rych nigdy wcze\u015bniej nie widzia\u0142? Dobry system powinien zasygnalizowa\u0107 nisk\u0105 pewno\u015b\u0107 siebie, zamiast podawa\u0107 absurdaln\u0105 odpowied\u017a.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Metody testowania<\/strong><\/h3>\n\n\n\n<p><strong>Szybki start:<\/strong> Manualna augmentacja danych<\/p>\n\n\n\n<p>Skorzystaj z biblioteki Augmentor, aby r\u0119cznie doda\u0107 do zbioru testowego proste zak\u0142\u00f3cenia: rozmycie, zmian\u0119 jasno\u015bci czy obr\u00f3t. Zmierz, jak bardzo spada wydajno\u015b\u0107 modelu. To proste \u0107wiczenie buduje intuicj\u0119 dotycz\u0105c\u0105 s\u0142abych punkt\u00f3w systemu.<\/p>\n\n\n\n<p><strong>G\u0142\u0119bokie nurkowanie:<\/strong> Automatyczne benchmarki i monitorowanie dryfu danych<\/p>\n\n\n\n<p>Zintegruj narz\u0119dzie takie jak Robustness Gym z procesem testowym. W \u015brodowisku produkcyjnym monitoruj data drift (dryf danych, czyli stopniow\u0105 zmian\u0119 charakterystyki danych w czasie), aby automatycznie wykrywa\u0107, kiedy model zaczyna traci\u0107 na jako\u015bci z powodu zmieniaj\u0105cych si\u0119 warunk\u00f3w.<\/p>\n\n\n\n<p><strong>Wi\u0119cej informacji:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><a href=\"https:\/\/encord.com\/blog\/model-robustness-machine-learning-strategies\/\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" ><strong>Model Robustness: Building Reliable AI Models <\/strong><\/a>\u2013 ten szczeg\u00f3\u0142owy artyku\u0142 nie tylko wyja\u015bnia teori\u0119, ale tak\u017ce pokazuje praktyczne przyk\u0142ady testowania odporno\u015bci na r\u00f3\u017cne zak\u0142\u00f3cenia (rozmycie, szum, pogoda). U\u017cywa on popularnych bibliotek i przedstawia, jak mierzy\u0107 i wizualizowa\u0107 degradacj\u0119 wydajno\u015bci modelu w odpowiedzi na te zmiany.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Filar 3: XAI (Explainable AI) \u2013 otwieranie czarnej skrzynki<\/strong><\/h2>\n\n\n\n<p>Wiele modeli AI dzia\u0142a jak \u201eczarna skrzynka\u201d \u2013 podaje wynik, ale nie t\u0142umaczy, jak do niego dosz\u0142o. <strong>Explainable AI (XAI)<\/strong>, czyli Wyja\u015bnialna Sztuczna Inteligencja, to zestaw technik, kt\u00f3re pozwalaj\u0105 zrozumie\u0107 proces decyzyjny modelu.<\/p>\n\n\n\n<p><strong>Analiza decyzji:<\/strong> XAI odpowiada na pytania, takie jak: \u201eDlaczego wniosek kredytowy tego klienta zosta\u0142 odrzucony?\u201d. Technika <strong>LIME<\/strong> skupia si\u0119 na wyja\u015bnieniu pojedynczej, lokalnej decyzji.<\/p>\n\n\n\n<p><strong>Wykrywanie b\u0142\u0119dnej logiki:<\/strong> S\u0142ynny przypadek modelu odr\u00f3\u017cniaj\u0105cego wilki od husky pokaza\u0142, \u017ce algorytm nauczy\u0142 si\u0119 rozpoznawa\u0107&#8230; \u015bnieg. Z kolei <strong>SHAP<\/strong> to pot\u0119\u017cniejsze narz\u0119dzie, kt\u00f3re pozwala zar\u00f3wno na analiz\u0119 pojedynczych przypadk\u00f3w, jak i na zrozumienie globalnego wp\u0142ywu ka\u017cdej cechy na ca\u0142y model.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-large\"><img decoding=\"async\" width=\"1024\" height=\"627\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Wolf_vs_Husky-1024x627.png\" alt=\"Wilki vs. husky\" class=\"wp-image-32110\" srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Wolf_vs_Husky-1024x627.png 1024w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Wolf_vs_Husky-300x184.png 300w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Wolf_vs_Husky-768x470.png 768w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Wolf_vs_Husky-1536x941.png 1536w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/Wolf_vs_Husky.png 1590w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Ryc. 4 Wilki vs. husky (<a href=\"https:\/\/carpentries-incubator.github.io\/data-science-ai-senior-researchers\/05-Problems-with-AI\/index.html\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >\u017ar\u00f3d\u0142o<\/a>)<\/figcaption><\/figure>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Metody testowania<\/strong><\/h3>\n\n\n\n<p><strong>Szybki start:<\/strong> Wizualizacja wp\u0142ywu cech<\/p>\n\n\n\n<p>U\u017cyj biblioteki <strong>SHAP<\/strong>, aby przeanalizowa\u0107 jedn\u0105 predykcj\u0119 swojego modelu. Wygeneruj prosty wykres, kt\u00f3ry poka\u017ce, kt\u00f3re cechy danych \u201epchn\u0119\u0142y\u201d decyzj\u0119 w dan\u0105 stron\u0119. To skuteczny spos\u00f3b na wykrycie, gdy model jest \u201epoprawny z niew\u0142a\u015bciwych powod\u00f3w\u201d.<\/p>\n\n\n\n<p><strong>G\u0142\u0119bokie nurkowanie: <\/strong>Automatyczne raporty i wyja\u015bnienia kontrfaktyczne<\/p>\n\n\n\n<p>Zintegruj <strong>InterpretML<\/strong> z pipeline&#8217;em testowym, aby automatycznie generowa\u0107 raporty wyja\u015bnialno\u015bci. Wdra\u017caj wyja\u015bnienia kontrfaktyczne, kt\u00f3re odpowiadaj\u0105 na pytania \u201eCo by by\u0142o gdyby?\u201d, np. \u201eO ile musia\u0142by wzrosn\u0105\u0107 doch\u00f3d klienta, aby jego wniosek zosta\u0142 zaakceptowany?\u201d.<\/p>\n\n\n\n<p><strong>Wi\u0119cej informacji:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><a href=\"https:\/\/www.kaggle.com\/code\/dansbecker\/shap-values\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" ><strong>Tutorial \u201eExplainable AI (XAI) with SHAP\u201d <\/strong><\/a>\u2013 jest to niezwykle popularny i przyst\u0119pny tutorial na platformie Kaggle. Autor, Dan Becker, krok po kroku przeprowadza przez proces u\u017cycia biblioteki SHAP na rzeczywistym zbiorze danych. Dowiesz si\u0119, jak tworzy\u0107 wykresy force plot do analizy pojedynczych predykcji oraz summary plot do zrozumienia globalnego zachowania modelu. Wszystko jest zilustrowane kodem w Pythonie.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Filar 4: Bias \u2013 polowanie na ukryte uprzedzenia<\/strong><\/h2>\n\n\n\n<figure class=\"wp-block-image aligncenter size-large\"><img decoding=\"async\" width=\"1024\" height=\"557\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/6675339a2b2dc524f37b6ddb_stereotyping-bias-1024x557.jpg\" alt=\"Przyk\u0142ad bias\" class=\"wp-image-32112\" srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/6675339a2b2dc524f37b6ddb_stereotyping-bias-1024x557.jpg 1024w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/6675339a2b2dc524f37b6ddb_stereotyping-bias-300x163.jpg 300w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/6675339a2b2dc524f37b6ddb_stereotyping-bias-768x417.jpg 768w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/6675339a2b2dc524f37b6ddb_stereotyping-bias-1536x835.jpg 1536w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/6675339a2b2dc524f37b6ddb_stereotyping-bias-2048x1113.jpg 2048w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\">Ryc. 5 Przyk\u0142ad bias (<a href=\"https:\/\/www.cut-the-saas.com\/learn-prompting-ai-bias\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" >\u017ar\u00f3d\u0142o<\/a>)<\/figcaption><\/figure>\n\n\n\n<p>Modele AI ucz\u0105 si\u0119 na danych historycznych, a te cz\u0119sto odzwierciedlaj\u0105 spo\u0142eczne nier\u00f3wno\u015bci. <strong>Bias (stronniczo\u015b\u0107)<\/strong> w AI to ryzyko, \u017ce system b\u0119dzie powiela\u0142, a nawet wzmacnia\u0142 te szkodliwe wzorce.<\/p>\n\n\n\n<p><strong>Przyk\u0142ad z rekrutacji:<\/strong> System do selekcji CV, uczony na danych z firmy zdominowanej przez m\u0119\u017cczyzn, mo\u017ce systematycznie ni\u017cej ocenia\u0107 aplikacje kobiet o identycznych kwalifikacjach.<\/p>\n\n\n\n<p><strong>Mierzenie sprawiedliwo\u015bci:<\/strong> Metryki takie jak disparate impact czy equalized odds pozwalaj\u0105 liczbowo oceni\u0107, czy model traktuje r\u00f3\u017cne grupy demograficzne (np. ze wzgl\u0119du na p\u0142e\u0107, ras\u0119) w spos\u00f3b sprawiedliwy.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Metody testowania<\/strong><\/h3>\n\n\n\n<p><strong>Szybki start: <\/strong>Testy por\u00f3wnawcze na spreparowanych danych<\/p>\n\n\n\n<p>Skorzystaj z narz\u0119dzia <strong>Fairlearn<\/strong>, aby przeprowadzi\u0107 prosty test. We\u017a typowy przyk\u0142ad danych (np. CV), stw\u00f3rz jego kopi\u0119 i zmie\u0144 w niej tylko jedn\u0105 cech\u0119 demograficzn\u0105 (np. imi\u0119 z m\u0119skiego na \u017ce\u0144skie). Sprawd\u017a, czy decyzja modelu uleg\u0142a zmianie.<\/p>\n\n\n\n<p><strong>G\u0142\u0119bokie nurkowanie: <\/strong>Ci\u0105g\u0142e monitorowanie i techniki mitygacji<\/p>\n\n\n\n<p>Zintegruj framework <strong>AIF360 (AI Fairness 360)<\/strong> ze swoim systemem. Mierz metryki sprawiedliwo\u015bci w czasie rzeczywistym i ustawiaj alerty. Testuj zaawansowane techniki mitygacji (np. reweighing danych), analizuj\u0105c kompromis (trade-off) mi\u0119dzy dok\u0142adno\u015bci\u0105 a sprawiedliwo\u015bci\u0105 modelu.<\/p>\n\n\n\n<p><strong>Wi\u0119cej informacji:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><a href=\"https:\/\/fairlearn.org\/v0.10\/user_guide\/fairness_in_machine_learning.html\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" ><strong>Oficjalny przewodnik po bibliotece Fairlearn<\/strong><\/a> \u2013 ta sekcja dokumentacji Fairlearn (projektu wspieranego przez Microsoft) to kompleksowy przewodnik po ocenie stronniczo\u015bci. Pokazuje, jak u\u017cywa\u0107 wbudowanych metryk (np. demographic parity, equalized odds) do pomiaru r\u00f3\u017cnic w traktowaniu r\u00f3\u017cnych grup przez model. Zawiera praktyczne przyk\u0142ady kodu, kt\u00f3re mo\u017cna zaadaptowa\u0107 do w\u0142asnych projekt\u00f3w.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Filar 5: Metamorphic Testing \u2013 testowanie, gdy nie znasz odpowiedzi<\/strong><\/h2>\n\n\n\n<p>Co zrobi\u0107, gdy nie masz \u201ewyroczni\u201d \u2013 czyli zbioru danych z poprawnymi odpowiedziami? W\u0142a\u015bnie tutaj wkracza <strong>testowanie metamorficzne<\/strong>. Zamiast sprawdza\u0107 pojedynczy wynik, weryfikujemy logiczne relacje mi\u0119dzy seri\u0105 powi\u0105zanych test\u00f3w.<\/p>\n\n\n\n<p><strong>Zasada sp\u00f3jno\u015bci:<\/strong> Je\u015bli model poprawnie rozpoznaje kota na zdj\u0119ciu, powinien go rozpozna\u0107 r\u00f3wnie\u017c po obr\u00f3ceniu zdj\u0119cia o 90 stopni czy przekszta\u0142ceniu go w lustrzane odbicie.<\/p>\n\n\n\n<p><strong>Logika t\u0142umaczenia:<\/strong> Je\u015bli przet\u0142umaczysz zdanie z polskiego na angielski, a potem z powrotem na polski, jego sens powinien zosta\u0107 zachowany.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Metody testowania<\/strong><\/h3>\n\n\n\n<p><strong>Szybki start: <\/strong>Definiowanie prostych relacji<\/p>\n\n\n\n<p>Zdefiniuj jedn\u0105, podstawow\u0105 relacj\u0119 metamorficzn\u0105 dla swojego systemu. Przyk\u0142ad: w modelu oceny ryzyka kredytowego, je\u015bli zwi\u0119kszymy doch\u00f3d aplikanta (pozostawiaj\u0105c reszt\u0119 danych bez zmian), jego ocena ryzyka nie powinna wzrosn\u0105\u0107. Przetestuj t\u0119 regu\u0142\u0119 manualnie.<\/p>\n\n\n\n<p><strong>G\u0142\u0119bokie nurkowanie: <\/strong>Automatyzacja z narz\u0119dziami generatywnymi<\/p>\n\n\n\n<p>Wykorzystaj frameworki do automatyzacji test\u00f3w metamorficznych. Zintegruj je z narz\u0119dziami generatywnej AI do tworzenia tysi\u0119cy wariacji danych wej\u015bciowych (np. r\u00f3\u017cne warunki o\u015bwietleniowe dla systemu autonomicznej jazdy) i automatycznie weryfikuj, czy relacje metamorficzne s\u0105 zachowane.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Twoja kariera w erze AI: rynek pe\u0142en mo\u017cliwo\u015bci<\/strong><\/h2>\n\n\n\n<p>Przej\u015bcie na pozycj\u0119 specjalisty od testowania AI to nie tylko zmiana narz\u0119dzi, ale przede wszystkim ogromna szansa zawodowa. Rynek ten ro\u015bnie w ekspresowym tempie.<\/p>\n\n\n\n<p>Wed\u0142ug analiz rynkowych (m.in. od <strong>MarketsandMarkets<\/strong> czy <strong>Grand View Research<\/strong>), globalny rynek testowania z u\u017cyciem AI ma osi\u0105gn\u0105\u0107 warto\u015b\u0107 przekraczaj\u0105c\u0105 10 miliard\u00f3w dolar\u00f3w do 2033 roku. Szerszy rynek testowania oprogramowania ma niemal podwoi\u0107 swoj\u0105 warto\u015b\u0107 do 2030 roku. Te liczby oznaczaj\u0105 tysi\u0105ce nowych, fascynuj\u0105cych miejsc pracy.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><a><\/a><strong>Kluczowe trendy kszta\u0142tuj\u0105ce rynek<\/strong><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Inteligentna automatyzacja<\/strong> \u2013 narz\u0119dzia do codeless testing (testowania bez kodu) i self-healing scripts (samonaprawiaj\u0105cych si\u0119 skrypt\u00f3w) znacz\u0105co przyspieszaj\u0105 prac\u0119 zespo\u0142\u00f3w QA.<\/li>\n\n\n\n<li><strong>Era Multimodalna<\/strong> \u2013 modele przetwarzaj\u0105ce jednocze\u015bnie tekst, obrazy i d\u017awi\u0119k staj\u0105 si\u0119 standardem, co wymaga nowych, z\u0142o\u017conych strategii testowych.<\/li>\n\n\n\n<li><strong>Wzrost zapotrzebowania na specjalist\u00f3w<\/strong> \u2013 najcenniejsze staj\u0105 si\u0119 umiej\u0119tno\u015bci hybrydowe \u2013 po\u0142\u0105czenie wiedzy testerskiej z podstawami uczenia maszynowego, cyberbezpiecze\u0144stwa (shift-left security \u2013 przenoszenie test\u00f3w bezpiecze\u0144stwa na wcze\u015bniejsze etapy projektu) i etyki AI.<\/li>\n<\/ul>\n\n\n\n<p><strong>Wi\u0119cej informacji:<\/strong><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><a href=\"https:\/\/medium.com\/data-science\/metamorphic-testing-of-machine-learning-based-systems-e1fe13baf048\" target=\"_blank\" rel=\"noopener\" title=\"\" rel=\"nofollow\" ><strong>Artyku\u0142 \u201eMetamorphic Testing for Machine Learning\u201d<\/strong><\/a> \u2013 testowanie metamorficzne jest mniej znane, a ten artyku\u0142 na platformie Medium w bardzo klarowny spos\u00f3b wyja\u015bnia jego koncepcj\u0119 w kontek\u015bcie uczenia maszynowego. Co najwa\u017cniejsze, zawiera prosty, ale kompletny przyk\u0142ad w Pythonie, kt\u00f3ry pokazuje, jak zdefiniowa\u0107 relacj\u0119 metamorficzn\u0105 (np. dla systemu klasyfikacji obraz\u00f3w) i napisa\u0107 test, kt\u00f3ry automatycznie sprawdzi sp\u00f3jno\u015b\u0107 modelu.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Case Study: testowanie modelu oceny ryzyka kredytowego \u201eFinSecure AI\u201d<\/strong><\/h2>\n\n\n\n<p>Wyobra\u017amy sobie, \u017ce nasz zesp\u00f3\u0142 jest odpowiedzialny za wdro\u017cenie nowego systemu AI o nazwie <strong>FinSecure AI<\/strong>. Jego zadaniem jest analiza wniosk\u00f3w kredytowych i predykcja prawdopodobie\u0144stwa, \u017ce klient nie sp\u0142aci swojego zobowi\u0105zania. Model opiera si\u0119 na danych takich jak doch\u00f3d, wiek, historia kredytowa, kwota kredytu i status zatrudnienia.<\/p>\n\n\n\n<p>Oto jak zastosujemy pi\u0119\u0107 filar\u00f3w testowania, aby upewni\u0107 si\u0119, \u017ce FinSecure AI jest nie tylko trafny, ale i godny zaufania.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Filar 1: Bezpiecze\u0144stwo (Adversarial Attacks)<\/strong><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Scenariusz: <\/strong>Z\u0142o\u015bliwy u\u017cytkownik lub oszust chce \u201eprzechytrzy\u0107\u201d system, aby uzyska\u0107 kredyt, na kt\u00f3ry go nie sta\u0107. M\u00f3g\u0142by spr\u00f3bowa\u0107 dokona\u0107 minimalnych, trudnych do wykrycia zmian w swoich danych (np. w za\u0142\u0105czonym cyfrowym wyci\u0105gu bankowym), kt\u00f3re zmyl\u0105 model.<\/li>\n\n\n\n<li><strong>Metoda testu:<\/strong> U\u017cywamy narz\u0119dzia Adversarial Robustness Toolbox (ART), aby zasymulowa\u0107 taki atak. Bierzemy zbi\u00f3r testowy wniosk\u00f3w, kt\u00f3re zosta\u0142y prawid\u0142owo odrzucone. Nast\u0119pnie algorytm wprowadza do nich minimalne \u201eperturbacje\u201d (np. nieznacznie zawy\u017ca doch\u00f3d lub delikatnie poprawia histori\u0119 kredytow\u0105), staraj\u0105c si\u0119 znale\u017a\u0107 najmniejsz\u0105 mo\u017cliw\u0105 zmian\u0119, kt\u00f3ra \u201eoszuka\u201d model i zmieni decyzj\u0119 z \u201eODRZU\u0106\u201d na \u201eZAAKCEPTUJ\u201d.<\/li>\n\n\n\n<li><strong>Oczekiwany rezultat:<\/strong> Dobrze zabezpieczony model powinien by\u0107 odporny na takie drobne manipulacje. Test pomo\u017ce nam ustali\u0107, jak wra\u017cliwy jest system i czy konieczne jest wdro\u017cenie dodatkowych mechanizm\u00f3w obronnych, np. bardziej rygorystycznej walidacji danych wej\u015bciowych.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Filar 2: Odporno\u015b\u0107 (Robustness)<\/strong><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Scenariusz:<\/strong> Dane w realnym \u015bwiecie s\u0105 niedoskona\u0142e. Co si\u0119 stanie, gdy klient przez pomy\u0142k\u0119 wpisze sw\u00f3j doch\u00f3d z liter\u00f3wk\u0105 (np. \u201e6500\u201d zamiast \u201e65000\u201d)? Albo gdy w wyniku kryzysu gospodarczego pojawi\u0105 si\u0119 na rynku profile klient\u00f3w (np. o niestabilnym zatrudnieniu), jakich model nie widzia\u0142 w danych treningowych z okresu prosperity?<\/li>\n\n\n\n<li><strong>Metoda testu:<\/strong> Celowo \u201epsujemy\u201d nasz zbi\u00f3r testowy. Dodajemy do niego szum (np. losowe wahania w kwotach dochodu), wprowadzamy brakuj\u0105ce warto\u015bci i tworzymy profile klient\u00f3w spoza typowego rozk\u0142adu (dane out-of-distribution). Nast\u0119pnie mierzymy, jak bardzo spada trafno\u015b\u0107 modelu.<\/li>\n\n\n\n<li><strong>Oczekiwany rezultat:<\/strong> Odporny model powinien utrzyma\u0107 akceptowalny poziom wydajno\u015bci mimo \u201ebrudnych\u201d danych. W przypadku napotkania profilu, kt\u00f3ry znacz\u0105co odbiega od normy, model powinien zwr\u00f3ci\u0107 predykcj\u0119 z niskim wska\u017anikiem pewno\u015bci, sygnalizuj\u0105c analitykowi kredytowemu, \u017ce ten przypadek wymaga manualnej weryfikacji.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Filar 3: Wyja\u015bnialno\u015b\u0107 (XAI)<\/strong><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Scenariusz:<\/strong> Klient z pozornie dobr\u0105 histori\u0105 kredytow\u0105 i stabilnym dochodem otrzymuje decyzj\u0119 odmown\u0105. Zar\u00f3wno klient, jak i pracownik banku chc\u0105 zrozumie\u0107, dlaczego. Jest to r\u00f3wnie\u017c wym\u00f3g regulacyjny (prawo do wyja\u015bnienia decyzji).<\/li>\n\n\n\n<li><strong>Metoda testu:<\/strong> Dla tego konkretnego, odrzuconego wniosku u\u017cywamy biblioteki SHAP. Generujemy wizualizacj\u0119, kt\u00f3ra pokazuje, kt\u00f3re cechy danych mia\u0142y najwi\u0119kszy wp\u0142yw na decyzj\u0119.<\/li>\n\n\n\n<li><strong>Oczekiwany rezultat: <\/strong>Wykres SHAP ujawnia, \u017ce chocia\u017c doch\u00f3d i historia kredytowa by\u0142y czynnikami pozytywnymi, to bardzo wysoki stosunek wnioskowanej kwoty kredytu do rocznych dochod\u00f3w by\u0142 dominuj\u0105cym czynnikiem, kt\u00f3ry przewa\u017cy\u0142 szal\u0119 na rzecz odrzucenia wniosku. Dzi\u0119ki temu mo\u017cemy udzieli\u0107 klientowi konkretnej, transparentnej informacji zwrotnej.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Filar 4: Sprawiedliwo\u015b\u0107 (Bias)<\/strong><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Scenariusz: <\/strong>Istnieje obawa, \u017ce model, uczony na historycznych danych, m\u00f3g\u0142 nie\u015bwiadomie nauczy\u0107 si\u0119 dyskryminuj\u0105cych wzorc\u00f3w. Na przyk\u0142ad, czy model nie faworyzuje wnioskodawc\u00f3w w okre\u015blonym wieku lub z okre\u015blonych region\u00f3w (reprezentowanych przez kod pocztowy), nawet je\u015bli ich profile finansowe s\u0105 identyczne?<\/li>\n\n\n\n<li><strong>Metoda testu:<\/strong> Korzystaj\u0105c z biblioteki Fairlearn, przeprowadzamy audyt modelu. Grupujemy wnioski wed\u0142ug wieku i por\u00f3wnujemy wska\u017aniki akceptacji (approval rates) dla r\u00f3\u017cnych grup demograficznych. Sprawdzamy metryk\u0119 demographic parity, kt\u00f3ra mierzy, czy odsetek pozytywnych decyzji jest podobny dla ka\u017cdej z grup.<\/li>\n\n\n\n<li><strong>Oczekiwany rezultat:<\/strong> Je\u015bli analiza wyka\u017ce, \u017ce np. grupa wiekowa 20-25 lat ma statystycznie istotnie ni\u017cszy wska\u017anik akceptacji ni\u017c grupa 40-45 lat przy tym samym profilu finansowym, zidentyfikowali\u015bmy uprzedzenie (bias). To sygna\u0142 do wdro\u017cenia technik mitygacji, np. poprzez zbalansowanie danych treningowych.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\"><strong>Filar 5: Sp\u00f3jno\u015b\u0107 Logiczna (Metamorphic Testing)<\/strong><\/h3>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Scenariusz: <\/strong>Nie znamy \u201ejedynej s\u0142usznej\u201d odpowiedzi dla ka\u017cdego skomplikowanego wniosku, ale znamy pewne fundamentalne, logiczne regu\u0142y biznesowe. Jedn\u0105 z nich jest: \u201eJe\u015bli dwa wnioski s\u0105 identyczne, ale drugi ma wy\u017cszy doch\u00f3d roczny, jego ryzyko kredytowe nie powinno by\u0107 wy\u017csze ni\u017c w pierwszym\u201d.<\/li>\n\n\n\n<li><strong>Metoda testu: <\/strong>Definiujemy t\u0119 regu\u0142\u0119 jako relacj\u0119 metamorficzn\u0105. Tworzymy automatyczny test, kt\u00f3ry:<ul><li>Bierze losowy wniosek ze zbioru testowego i zapisuje jego ocen\u0119 ryzyka (np. 0.3).<\/li><\/ul><ul><li>Tworzy jego kopi\u0119, zwi\u0119kszaj\u0105c w niej doch\u00f3d o 15%.<\/li><\/ul><ul><li>Uruchamia model na nowym wniosku i pobiera now\u0105 ocen\u0119 ryzyka<\/li><\/ul>\n<ul class=\"wp-block-list\">\n<li>Sprawdza, czy nowa ocena jest mniejsza lub r\u00f3wna pierwotnej. Test ko\u0144czy si\u0119 niepowodzeniem, je\u015bli ryzyko wzros\u0142o.<\/li>\n<\/ul>\n<\/li>\n\n\n\n<li><strong>Oczekiwany rezultat: <\/strong>Uruchamiaj\u0105c ten test na tysi\u0105cach przyk\u0142ad\u00f3w, weryfikujemy, czy model dzia\u0142a w spos\u00f3b logicznie sp\u00f3jny i przewidywalny. Wykrycie naruszenia tej regu\u0142y \u015bwiadczy\u0142oby o powa\u017cnym b\u0142\u0119dzie w logice modelu.<\/li>\n<\/ul>\n\n\n\n<p>Stosuj\u0105c zintegrowane podej\u015bcie oparte na pi\u0119ciu filarach, nie tylko sprawdzamy, czy model FinSecure AI dzia\u0142a, ale tak\u017ce <strong>upewniamy si\u0119, \u017ce jest bezpieczny, odporny na b\u0142\u0119dy, transparentny, sprawiedliwy i logiczny<\/strong>. To buduje zaufanie do technologii i minimalizuje ryzyko biznesowe.<\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full\"><img decoding=\"async\" width=\"737\" height=\"170\" src=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/praca-m.jpg\" alt=\"oferty pracy\" class=\"wp-image-32114\" srcset=\"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/praca-m.jpg 737w, https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/praca-m-300x69.jpg 300w\" sizes=\"(max-width: 737px) 100vw, 737px\" \/><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><strong>Podsumowanie: zosta\u0144 architektem zaufania<\/strong><\/h2>\n\n\n\n<p>Transformacja w specjalist\u0119 od testowania AI to fascynuj\u0105ca podr\u00f3\u017c. Przestajesz by\u0107 tylko osob\u0105, kt\u00f3ra szuka b\u0142\u0119d\u00f3w. Stajesz si\u0119 kim\u015b wi\u0119cej \u2013 stra\u017cnikiem, kt\u00f3ry uczy, kszta\u0142tuje i dba o to, by pot\u0119\u017cna technologia s\u0142u\u017cy\u0142a ludziom w spos\u00f3b bezpieczny, sprawiedliwy i przewidywalny.<\/p>\n\n\n\n<p>Pi\u0119\u0107 om\u00f3wionych filar\u00f3w \u2013 <strong>Adversarial Attacks, Robustness, XAI, Bias i Metamorphic Testing<\/strong> \u2013 to Tw\u00f3j niezb\u0119dny zestaw narz\u0119dzi. To one pozwalaj\u0105 budowa\u0107 zintegrowan\u0105 strategi\u0119, kt\u00f3ra zapewnia jako\u015b\u0107 i bezpiecze\u0144stwo system\u00f3w AI. Twoja rola staje si\u0119 kluczowa w budowaniu cyfrowej przysz\u0142o\u015bci.<\/p>\n\n\n\n<p><br><\/p>\n\n\n<div class=\"kk-star-ratings kksr-auto kksr-align-left kksr-valign-bottom\"\n    data-payload='{&quot;align&quot;:&quot;left&quot;,&quot;id&quot;:&quot;32103&quot;,&quot;slug&quot;:&quot;default&quot;,&quot;valign&quot;:&quot;bottom&quot;,&quot;ignore&quot;:&quot;&quot;,&quot;reference&quot;:&quot;auto&quot;,&quot;class&quot;:&quot;&quot;,&quot;count&quot;:&quot;12&quot;,&quot;legendonly&quot;:&quot;&quot;,&quot;readonly&quot;:&quot;&quot;,&quot;score&quot;:&quot;4.8&quot;,&quot;starsonly&quot;:&quot;&quot;,&quot;best&quot;:&quot;5&quot;,&quot;gap&quot;:&quot;11&quot;,&quot;greet&quot;:&quot;&quot;,&quot;legend&quot;:&quot;4.8\\\/5 ( votes: 12)&quot;,&quot;size&quot;:&quot;18&quot;,&quot;title&quot;:&quot;Z Testera w Tresera AI: Jak oswoi\u0107 sztuczn\u0105 inteligencj\u0119?&quot;,&quot;width&quot;:&quot;133.7&quot;,&quot;_legend&quot;:&quot;{score}\\\/{best} ( {votes}: {count})&quot;,&quot;font_factor&quot;:&quot;1.25&quot;}'>\n            \n<div class=\"kksr-stars\">\n    \n<div class=\"kksr-stars-inactive\">\n            <div class=\"kksr-star\" data-star=\"1\" style=\"padding-right: 11px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 18px; height: 18px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" data-star=\"2\" style=\"padding-right: 11px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 18px; height: 18px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" data-star=\"3\" style=\"padding-right: 11px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 18px; height: 18px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" data-star=\"4\" style=\"padding-right: 11px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 18px; height: 18px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" data-star=\"5\" style=\"padding-right: 11px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 18px; height: 18px;\"><\/div>\n        <\/div>\n    <\/div>\n    \n<div class=\"kksr-stars-active\" style=\"width: 133.7px;\">\n            <div class=\"kksr-star\" style=\"padding-right: 11px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 18px; height: 18px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" style=\"padding-right: 11px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 18px; height: 18px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" style=\"padding-right: 11px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 18px; height: 18px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" style=\"padding-right: 11px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 18px; height: 18px;\"><\/div>\n        <\/div>\n            <div class=\"kksr-star\" style=\"padding-right: 11px\">\n            \n\n<div class=\"kksr-icon\" style=\"width: 18px; height: 18px;\"><\/div>\n        <\/div>\n    <\/div>\n<\/div>\n                \n\n<div class=\"kksr-legend\" style=\"font-size: 14.4px;\">\n            4.8\/5 ( votes: 12)    <\/div>\n    <\/div>\n","protected":false},"excerpt":{"rendered":"<p>Przez lata praca testera oprogramowania przypomina\u0142a misj\u0119 detektywa z kalkulatorem. Wprowadzasz 2 + 2, oczekujesz 4. Je\u015bli wynikiem jest 5, &hellip; <a class=\"continued-btn\" href=\"https:\/\/sii.pl\/blog\/z-testera-w-tresera-ai-jak-oswoic-sztuczna-inteligencje\/\">Continued<\/a><\/p>\n","protected":false},"author":740,"featured_media":32116,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_editorskit_title_hidden":false,"_editorskit_reading_time":0,"_editorskit_is_block_options_detached":false,"_editorskit_block_options_position":"{}","inline_featured_image":false,"footnotes":""},"categories":[1317],"tags":[1546,1095,680,1032,291],"class_list":["post-32103","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-testowanie","tag-przeglad-narzedzi","tag-sciezki-karier","tag-ai","tag-case-study","tag-tester"],"acf":[],"aioseo_notices":[],"republish_history":[],"featured_media_url":"https:\/\/sii.pl\/blog\/wp-content\/uploads\/2025\/09\/AI.jpg","category_names":["Testowanie"],"_links":{"self":[{"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/posts\/32103"}],"collection":[{"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/users\/740"}],"replies":[{"embeddable":true,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/comments?post=32103"}],"version-history":[{"count":1,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/posts\/32103\/revisions"}],"predecessor-version":[{"id":32118,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/posts\/32103\/revisions\/32118"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/media\/32116"}],"wp:attachment":[{"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/media?parent=32103"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/categories?post=32103"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/sii.pl\/blog\/wp-json\/wp\/v2\/tags?post=32103"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}