Co to jest machine learning i jakie ma zastosowanie?

Machine learning, po polsku uczenie maszynowe, to sposób budowania programów, które uczą się na danych przewidywać wynik albo tworzyć treść, zamiast wykonywać reguły zapisane ręcznie. Wyjaśniamy, jak działa, jakie są jego rodzaje i gdzie spotykasz go na co dzień: w wyszukiwarce Google, w kampaniach reklamowych i w sklepie internetowym.

Co to jest machine learning?

Machine learning to trenowanie oprogramowania, zwanego modelem, tak by na podstawie danych przewidywało wyniki albo tworzyło nowe treści: tekst, obrazy, dźwięk czy wideo. Taką definicję podaje Google w kursie wprowadzającym do uczenia maszynowego.

Różnicę najlepiej widać na przykładzie z tego kursu. W podejściu ML model dostaje dużo danych pogodowych, sam znajduje zależności między warunkami a opadami, a potem przewiduje opad dla aktualnej pogody.

Żeby przewidzieć opady w tradycyjny sposób, trzeba by zbudować fizyczny model atmosfery i rozwiązywać skomplikowane równania.

W biznesie działa to tak samo. Zamiast pisać regułę „klient, który wrócił trzy razy, kupi”, pokazujesz modelowi historię tysięcy klientów. Model sam ustala, które zachowania zapowiadają zakup. Potem ocenia według tego nowych użytkowników.

Jak działa uczenie maszynowe?

Model uczy się na przykładach: widzi dane wejściowe, porównuje swoje odpowiedzi z poprawnymi i poprawia się, aż zacznie trafiać. Proces ma kilka stałych etapów.

1. Dane. Zbierasz przykłady. Każdy ma cechy, czyli dane wejściowe (np. źródło wejścia, liczba odwiedzin, przeglądane kategorie). Często ma też etykietę, czyli poprawną odpowiedź (kupił albo nie kupił).
2. Trening. Model szuka zależności między cechami a etykietami.
3. Sprawdzenie. Model dostaje przykłady, których nie widział w treningu. Na nich sprawdzasz, jak często trafia.
4. Wnioskowanie. Wytrenowany model ocenia nowe dane, np. nowych użytkowników sklepu.
5. Ponowny trening. Gdy zmienia się rynek albo oferta, model uczy się na świeżych danych.

Najczęstszy problem to przeuczenie (overfitting): model tak dokładnie dopasował się do danych treningowych, że myli się na nowych. Drugi problem jest prostszy i częstszy w firmach: złe dane. Jeśli etykieta jest błędna, model nauczy się błędu bardzo skutecznie.

Jakie są rodzaje uczenia maszynowego?

Google wyróżnia cztery główne rodzaje systemów ML. Różnią się tym, czego model się uczy i jakie dane dostaje.

Rodzaj	Jak się uczy	Przykład w marketingu
Uczenie nadzorowane	na danych z etykietami, czyli z poprawnymi odpowiedziami	prognoza, czy użytkownik kupi w ciągu tygodnia
Uczenie nienadzorowane	szuka wzorców i grup w danych bez etykiet, najczęściej przez klasteryzację	podział klientów na grupy o podobnych zakupach
Uczenie przez wzmacnianie	dostaje nagrody i kary za działania w danym środowisku	rzadziej w narzędziach marketingowych; model metodą prób ustala, które działanie daje najlepszy wynik
Generatywna AI	uczy się wzorców z istniejących danych i tworzy nowe, podobne treści	szkice tekstów, grafiki, odpowiedzi czatbota

W uczeniu nadzorowanym są dwa podstawowe typy modeli. Regresja przewiduje liczbę, np. cenę mieszkania, czas dojazdu albo wartość koszyka. Klasyfikacja przypisuje element do kategorii. Bywa binarna (kupi albo nie kupi) albo wieloklasowa (np. zapytanie o produkt, o serwis albo o pracę).

W uczeniu nienadzorowanym model sam tworzy grupy, ale nie nazywa ich. Co oznacza dana grupa klientów, musi ocenić człowiek.

Czym machine learning różni się od AI i deep learningu?

Sztuczna inteligencja to najszersze pojęcie: wszystkie systemy, które wykonują zadania wymagające dotąd ludzkiego myślenia. Machine learning to sposób budowania takich systemów przez uczenie na danych. Deep learning to z kolei część uczenia maszynowego.

• Sieć neuronowa to według słownika Google model z co najmniej jedną warstwą ukrytą.
• Deep learning (uczenie głębokie) korzysta z sieci, które mają więcej niż jedną warstwę ukrytą. Dzięki temu radzi sobie z obrazem, mową i językiem.
• Generatywna AI, w tym duże modele językowe (LLM), tworzy nowe treści. Modele językowe przewidują prawdopodobne ciągi słów, dlatego potrafią napisać płynny tekst z błędnym faktem.

Stary mit mówi, że AI i ML to synonimy. W praktyce każdy czatbot oparty na modelu językowym jest efektem uczenia maszynowego, ale nie każdy model ML coś pisze: większość po cichu liczy prawdopodobieństwa, stawki i prognozy. Jak modele językowe sięgają po aktualne źródła zamiast polegać tylko na pamięci, wyjaśniamy we wpisie Czym jest RAG i jak wpływa na rozwój AI.

Jak machine learning działa w wyszukiwarce Google?

Google używa systemów AI głównie do rozumienia znaczenia zapytań i stron, a nie do ręcznie sterowanego układania wyników. Przewodnik po systemach rankingowych wymienia kilka z nich:

Więcej o samym BERT znajdziesz w Słowniku. Do wykrywania spamu Google ma osobne systemy, w przewodniku wymieniony jest SpamBrain.

Warto też sprostować twierdzenie, które krążyło w starszych tekstach: ludzie nie przestawiają ręcznie pozycji stron. Google pisze w poradniku o pomocnych treściach, że oceniający jakość wyników nie mają wpływu na pozycje stron, a ich oceny nie trafiają wprost do algorytmów. Służą do sprawdzania, czy systemy działają dobrze.

Najnowsza warstwa to modele generatywne. AI Overviews i AI Mode mogą wysyłać kilka powiązanych zapytań o podtematy i z wyników składać odpowiedź z linkami do stron. W modelu Search Ecosystem™ to obszar AI Search: SEO nie umiera, ale samo już nie wystarcza. Jak wyszukiwarki porównują znaczenie tekstów liczbowo, pokazujemy we wpisie o podobieństwie cosinusowym w SEO.

Gdzie machine learning pomaga w marketingu i sprzedaży?

Najczęściej tam, gdzie decyzji jest za dużo, by podejmował je człowiek: w aukcjach reklamowych, prognozach i rekomendacjach. Wiele z tych zastosowań masz już w narzędziach, z których korzystasz.

Zastosowanie	Rodzaj ML	Gdzie to spotkasz
Ustalanie stawek w każdej aukcji	uczenie nadzorowane	Smart Bidding w Google Ads
Prognoza zakupu i odejścia klienta	klasyfikacja	metryki predykcyjne w Google Analytics 4
Prognoza przychodu albo popytu	regresja	przewidywany przychód w GA4, planowanie zapasów
Grupy klientów	uczenie nienadzorowane	segmentacja w CRM i narzędziach analitycznych
Rekomendacje produktów	systemy rekomendacyjne	„klienci kupili też” w sklepie, cross-selling
Teksty i grafiki	generatywna AI	szkice opisów, warianty reklam

Smart Bidding to według pomocy Google Ads strategie, które korzystają z AI, by ustalać stawkę pod konwersje albo ich wartość w każdej aukcji. Bez włączonego śledzenia konwersji nie zadziała. Więcej o wyborze strategii znajdziesz w haśle strategie ustalania stawek.

Metryki predykcyjne GA4, czyli prawdopodobieństwo zakupu, prawdopodobieństwo rezygnacji i przewidywane przychody, mają próg danych. Pomoc Google Analytics wymaga, by w ciągu siedmiu dni z ostatnich 28 co najmniej 1000 powracających użytkowników spełniło warunek zakupu albo rezygnacji, a co najmniej 1000 go nie spełniło. To dobry przykład ogólnej zasady: ML potrzebuje dużo danych. Czy i gdzie warto oddać te zadania AI, rozważamy we wpisie Czy warto korzystać z AI marketingu?

Co zrobić teraz na swojej stronie i w kampaniach?

Nie musisz budować własnych modeli, żeby skorzystać z uczenia maszynowego. Wystarczy, że dasz dobre dane systemom, które już pracują na Twoją korzyść.

1. Pisz pod pytanie, nie pod odmianę frazy. RankBrain i neural matching łączą słowa z pojęciami, więc osobne podstrony na każdą odmianę tej samej frazy niczego nie dodają.
2. Dziel tekst na jasne fragmenty. Śródtytuł, pod nim konkretna odpowiedź. Taki fragment łatwiej ocenić jako odpowiedź na pytanie.
3. Uporządkuj konwersje. W Google Ads i GA4 konwersją ma być sprzedaż albo zapytanie, bo na tym uczą się algorytmy stawek.
4. Sprawdzaj treści z AI przed publikacją. Google w wytycznych o treściach generatywnych zaleca ręczne sprawdzenie faktów, także w tytułach, opisach i danych strukturalnych.
5. Patrz na zapytania, a nie tylko na pozycje. W Search Console sprawdź, na jakie zapytania wyświetla się strona. Często są to sformułowania, których w tekście w ogóle nie ma.

Najważniejsze wnioski.

Machine learning nie jest magią ani osobnym narzędziem do kupienia. To metoda, dzięki której systemy uczą się z danych: od wyszukiwarki, która rozumie znaczenie zapytania, po kampanię, która sama ustala stawki.

Dla firmy wynika z tego jedna praktyczna zasada: model jest tak dobry jak dane, które dostaje. Treść strony, poprawnie liczone konwersje i uporządkowane dane o klientach to materiał, na którym uczą się systemy Google i Twoje narzędzia.

Co dalej: sprawdź w Search Console, na jakie zapytania pokazuje się Twoja strona. Porównaj je z tym, o co pytają klienci. Jeśli chcesz zobaczyć, jak tę samą wiedzę wykorzystują asystenci AI, przeczytaj przewodnik Jak sprawdzić, czy AI poleca Twoją markę?

Najczęstsze pytania.

Czy ChatGPT to machine learning?

Tak. ChatGPT działa na dużym modelu językowym, czyli na generatywnym modelu zbudowanym metodami uczenia maszynowego. Nie każdy model ML jest jednak generatywny: większość przewiduje liczby albo kategorie.

Czy żeby korzystać z machine learningu, trzeba umieć programować?

Do korzystania nie. Uczenie maszynowe jest wbudowane w Google Ads, Google Analytics 4 czy platformy sklepów. Programowanie i wiedza o danych są potrzebne dopiero wtedy, gdy budujesz własny model.

Ile danych potrzeba do uczenia maszynowego?

To zależy od zadania i narzędzia. Przykładowo metryki predykcyjne w GA4 wymagają co najmniej 1000 powracających użytkowników, którzy w ciągu siedmiu dni spełnili warunek zakupu, oraz 1000, którzy go nie spełnili.