Analiza tekstu z AI: pojęcia i zastosowania

Po tej lekcji będziesz umieć nazwać pięć podstawowych zadań analizy tekstu i dobrać do nich narzędzie. Poznasz też słownik pojęć, którego używamy w całym kursie, oraz firmę, na której danych będziesz ćwiczyć.

Czym jest analiza tekstu i co zmieniły modele językowe

Analiza tekstu (ang. text analysis, text mining) to wydobywanie informacji z tekstów pisanych przez ludzi: opinii, ankiet, e-maili, zgłoszeń, umów, notatek ze spotkań. Celem nie jest „przeczytanie wszystkiego”, tylko odpowiedź na konkretne pytanie, na przykład: na co najczęściej skarżą się klienci we wrześniu i czy ten problem rośnie.

Przez lata do takiej pracy potrzebny był zespół z programistą i specjalistą od przetwarzania języka naturalnego (NLP). Trzeba było zebrać tysiące oznaczonych przykładów i wytrenować własny model. Duże modele językowe (LLM) zmieniły punkt startu: wiele zadań da się dziś opisać zwykłym poleceniem (promptem) i od razu sprawdzić wynik na kilkudziesięciu tekstach. Nie znika za to potrzeba myślenia analitycznego. Model nie wie, jakie pytanie zadaje firma, nie zna jej kategorii i potrafi się mylić z dużą pewnością siebie.

Przełomem technicznym była architektura Transformer opisana w 2017 r. w pracy „Attention Is All You Need”. Na niej oparto m.in. model BERT (2018) i późniejsze modele generatywne. Z polskich modeli tego typu znany jest HerBERT udostępniony przez Allegro.

Pięć zadań, które będziesz wykonywać

Prawie każde pytanie biznesowe o teksty rozkłada się na kilka typowych zadań:

• klasyfikacja: przypisanie tekstu do jednej z ustalonych kategorii, np. temat opinii: dostawa, smak, opakowanie, cena, obsługa, sklep internetowy;
• analiza sentymentu: ocena wydźwięku tekstu: pozytywny, neutralny, negatywny;
• ekstrakcja informacji: wyciągnięcie konkretnych danych do tabeli, np. numeru zamówienia, daty i kwoty z e-maila;
• streszczanie: skrócenie długiego tekstu lub wielu tekstów do najważniejszych wniosków;
• wykrywanie tematów: znalezienie grup podobnych wypowiedzi, gdy nie znasz jeszcze kategorii.

Większość projektów łączy dwa lub trzy zadania.

Słownik pojęć na cały kurs

Korpus to zbiór tekstów, który analizujesz, np. 400 opinii z września. Token to fragment tekstu, na którym pracuje model: słowo, część słowa albo znak interpunkcyjny. Modele liczą długość tekstu i koszt pracy w tokenach, nie w słowach. Tokenizacja to podział tekstu na tokeny.

Lematyzacja sprowadza słowo do formy słownikowej: „paczki”, „paczką”, „paczek” stają się „paczka”. W języku polskim, z siedmioma przypadkami, to szczególnie ważne przy liczeniu słów. Słowa stop to częste słowa bez znaczenia dla analizy, np. „i”, „w”, „że”. Embedding to zamiana tekstu na wektor liczb tak, by teksty o podobnym znaczeniu miały podobne wektory. Służy do wyszukiwania podobnych wypowiedzi i grupowania.

Prompt to polecenie dla modelu językowego. Zbiór testowy to kilkadziesiąt tekstów z odpowiedziami ustalonymi przez człowieka, na których sprawdzasz, jak często model się myli. Nazwy modeli w kursie podajemy zawsze z datą, bo zmieniają się co kilka miesięcy (stan na październik 2026).

Dwie drogi: rozmowa z czatem i skrypt

Analizę tekstu z AI możesz prowadzić na dwa sposoby. Pierwszy to okno czatu (np. Claude, ChatGPT, Gemini): wklejasz kilkanaście tekstów i polecenie, dostajesz tabelę. To dobry sposób na naukę, prototyp promptu i małe zbiory. Drugi to skrypt w Pythonie, który wysyła teksty do modelu przez API partiami i zapisuje wyniki do pliku. Tak pracuje się z setkami i tysiącami tekstów, gdy wynik ma być powtarzalny.

W kursie zaczynasz od czatu, a w module 4 przechodzisz do skryptu.

Przykład, który przejdzie przez cały kurs

Ćwiczysz na danych fikcyjnej firmy Palarnia Ziarno, sklepu internetowego z kawą z Krakowa. Firma zbiera opinie po każdym zamówieniu, ankietę satysfakcji i e-maile do obsługi klienta. Marta, analityczka w Palarni, ma co miesiąc odpowiedzieć zarządowi na trzy pytania: co klienci chwalą, na co się skarżą i co zmieniło się od poprzedniego miesiąca. Pliki z danymi (CSV w kodowaniu UTF-8) znajdziesz w materiałach do kursu. Wszystkie dane są wymyślone na potrzeby ćwiczeń.

Najważniejsze w 3 punktach

1. Analiza tekstu zaczyna się od pytania biznesowego, a nie od narzędzia.
2. Większość pytań da się rozłożyć na klasyfikację, sentyment, ekstrakcję, streszczenie i wykrywanie tematów.
3. Czat wystarcza do nauki i prototypu, skrypt z API do regularnej pracy na setkach tekstów.

Źródła

• Vaswani A. i in., „Attention Is All You Need”, 2017: https://arxiv.org/abs/1706.03762
• Devlin J. i in., „BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”, 2018: https://arxiv.org/abs/1810.04805
• Allegro, model HerBERT w serwisie Hugging Face (dostęp 14.10.2026): https://huggingface.co/allegro/herbert-base-cased
• Anthropic, przegląd modeli Claude (stan na październik 2026): https://platform.claude.com/docs/en/about-claude/models/overview