Obwieszczenie Ministra Cyfryzacji z dnia 29 września 2025 r. w sprawie włączenia kwalifikacji wolnorynkowej "Wykorzystanie dużych modeli językowych" do Zintegrowanego Systemu Kwalifikacji

DZIENNIK URZĘDOWY RZECZYPOSPOLITEJ POLSKIEJ

Warszawa, dnia 16 października 2025 r.

Poz. 1071

OBWIESZCZENIE

MINISTRA CYFRYZACJI 1)

z dnia 29 września 2025 r.

w sprawie włączenia kwalifikacji wolnorynkowej „Wykorzystanie dużych modeli językowych”

do Zintegrowanego Systemu Kwalifikacji

Na podstawie art. 25 ust. 1 i 2 ustawy z dnia 22 grudnia 2015 r. o Zintegrowanym Systemie Kwalifikacji (Dz. U. z 2024 r.

poz. 1606) ogłasza się w załączniku do niniejszego obwieszczenia informacje o włączeniu kwalifikacji wolnorynkowej

„Wykorzystanie dużych modeli językowych” do Zintegrowanego Systemu Kwalifikacji.

Minister Cyfryzacji: K. Gawkowski

1)

Minister Cyfryzacji kieruje działem administracji rządowej – informatyzacja, na podstawie § 1 ust. 2 rozporządzenia Prezesa Rady

Ministrów z dnia 18 grudnia 2023 r. w sprawie szczegółowego zakresu działania Ministra Cyfryzacji (Dz. U. poz. 2720).

Nazwa k wal ifi kacji wolnorynk owej

Poziom Polski ej Ramy Kwalifik acji przypisan y do kwalifikacji wolnorynkowej

Efek ty u czen ia się wymagan e d la k walifikacji wolnorynkowej

Kryteria weryfikacji ich osiągnięcia

– definiuje pojęcie dużego modelu językowego,

– omawia zasady i zastosowanie dużych modeli językowych.

– wskazuje dziedziny, w których duże modele językowe są stosowane do osiągnięcia lepszych wyników,

– omawia zastosowanie dużych modeli językowych w praktyce, ilustrując korzyści płynące z ich wykorzystania.

Poszczególne efekty

uczenia się

Wyjaśnia pojęcie dużego

modelu językowego

Omawia korzyści

płynące ze stosowania

dużych modeli

językowych w różnych

dziedzinach

Zestaw 1. Podstawy wykorzystywania dużych modeli językowych

Monitor Polski

Syntetyczna charakterystyka efektów uczenia się

Osoba posiadająca kwalifikację wolnorynkową „Wykorzystanie dużych modeli językowych” jest przygotowana do samodzielnego i efektywnego wykorzystywania dużych modeli językowych LLM (Large Language Model). Rozumie zasady działania, w tym ograniczenia, dużych modeli językowych, zna proces tokenizacji, uczenia nienadzorowanego

i trenowania dużych modeli językowych oraz potrafi dostosowywać wstępnie trenowane duże modele językowe do konkretnych zadań. Stosuje techniki inżynierii instrukcji

(prompt engineering) do optymalizacji wyników. Ocenia jakość generowanych tekstów i dostosowuje parametry dużych modeli językowych. Automatyzuje zadania związane

z przetwarzaniem języka naturalnego oraz integruje duże modele językowe z istniejącymi narzędziami. Identyfikuje i minimalizuje zagrożenia związane z ochroną danych. Jest

gotowa do przeciwdziałania dyskryminacji i uprzedzeniom w generowanych tekstach oraz do przestrzegania zasad ochrony praw autorskich.

3.

6 poziom Polskiej Ramy Kwalifikacji

2.

Wykorzystanie dużych modeli językowych

1.

INFORMACJE O WŁĄCZENIU KWALIFIKACJI WOLNORYNKOWEJ „WYKORZYSTANIE DUŻYCH MODELI JĘZYKOWYCH”

DO ZINTEGROWANEGO SYSTEMU KWALIFIKACJI

Załącznik do obwieszczenia Ministra Cyfryzacji

z dnia 29 września 2025 r. (M.P. poz. 1071)

– prezentuje sposób instalacji i konfiguracji najczęściej stosowanych bibliotek (np. GPT – Generative Pre-trained Transformer, BART – Bidirectional

and Auto-Regressive Transformers) oraz związanych z nimi narzędzi,

– przygotowuje dane wejściowe do generowania tekstu w języku naturalnym za pomocą dużych modeli językowych,

– uruchamia duży model językowy.

Wykorzystuje gotowe

duże modele językowe

do generowania tekstu

na podstawie zestawu

danych

Kryteria weryfikacji ich osiągnięcia

– przedstawia proces dostosowania dużych modeli językowych do konkretnego zadania lub konkretnej domeny,

– dostosowuje duży model językowy do wskazanego zadania lub wskazanej domeny,

– generuje tekst przy użyciu dużego modelu językowego dostosowanego do tego zadania lub do tej domeny.

– wyjaśnia pojęcie inżynierii instrukcji (prompt engineering),

– omawia, jak instrukcja (prompt) wpływa na wyniki generowane przez duże modele językowe,

– tworzy efektywną instrukcję (prompt),

– analizuje jakość i użyteczność wyników generowanych przez duży model językowy przy użyciu różnych instrukcji (promptów) i strategii,

– wykorzystuje inżynierię instrukcji (prompt engineering) w kontekście zastosowań dużych modeli językowych (np. analiza tekstu, generowanie

treści, automatyzacja zadań).

– wyjaśnia, jakie metryki automatyczne i manualne są stosowane do oceny jakości wygenerowanych tekstów,

– wyjaśnia, jak interpretować wyniki metryk automatycznych i manualnych stosowanych do oceny jakości wygenerowanych tekstów,

– stosuje metryki automatyczne i manualne do oceny jakości wygenerowanych tekstów,

– interpretuje wyniki zastosowania metryk automatycznych i manualnych do oceny jakości wygenerowanych tekstów.

– omawia kluczowe parametry dużego modelu językowego (np. temperatura, wielkość okna kontekstowego),

– konfiguruje parametry dużych modeli językowych w celu poprawy jakości generowanych tekstów.

Poszczególne efekty

uczenia się

Wykorzystuje wstępnie

trenowane duże modele

językowe

Wykorzystuje techniki

inżynierii instrukcji

(prompt engineering)

do efektywnego

zastosowania dużych

modeli językowych

Ocenia jakość dużego

modelu językowego

na podstawie

wygenerowanych

tekstów

Dostosowuje parametry

dużych modeli

językowych w celu

uzyskania lepszych

wyników

Zestaw 2. Wykorzystanie dużych modeli językowych w ramach zadania lub domeny

– opisuje pojęcia związane z tworzeniem dużych modeli językowych (np. tokenizacja, uczenie nienadzorowane, uczenie nadzorowane, modele

sekwencyjne),

– opisuje etapy trenowania dużych modeli językowych (np. zbieranie i przygotowywanie danych, wybór architektury modelu, trenowanie modelu,

walidacja i testowanie, optymalizacja, wdrażanie, monitorowanie i aktualizacja),

– omawia proces strojenia hiperparametrów dużych modeli językowych.

Opisuje proces

trenowania dużych

modeli językowych

– omawia, jak duże modele językowe mogą ułatwić analizę zbiorów danych tekstowych i pozyskiwanie istotnych informacji,

– omawia zastosowanie dużych modeli językowych w analizie zbiorów danych tekstowych (np. w badaniu sentymentu, ekstrakcji informacji, klasyfikacji tekstów),

– demonstruje, jak wykorzystać duże modele językowe do analizy zbiorów danych tekstowych i formułowania wniosków.

– omawia proces integracji dużych modeli językowych z istniejącymi narzędziami w celu automatyzacji zadań związanych z analizą tekstu,

– demonstruje, jak używać dużych modeli językowych do automatyzacji różnych zadań przetwarzania języka naturalnego (np. tłumaczenie, podsumowywanie, generowanie odpowiedzi na pytania).

– opisuje zastosowanie dużych modeli językowych w różnych branżach,

– omawia korzyści i zagrożenia wynikające z zastosowania dużych modeli językowych w różnych branżach.

Wyjaśnia, w jaki sposób

duże modele językowe

mogą wspomagać proces

analizy zbiorów danych

tekstowych

i formułowanie wniosków

Wykorzystuje duże

modele językowe

do automatyzacji zadań

związanych z analizą

tekstu i przetwarzaniem

języka naturalnego

Rozpoznaje

zastosowania dużych

modeli językowych

w różnych branżach

Kryteria weryfikacji ich osiągnięcia

– identyfikuje potencjalne zagrożenia związane z wykorzystaniem dużych modeli językowych (np. naruszenie prywatności, nieodpowiednie generowanie treści, dezinformacja, halucynacje),

– wskazuje metody minimalizowania zagrożeń związanych z wykorzystaniem dużych modeli językowych.

– identyfikuje potencjalne zagrożenia związane z wykorzystaniem dużych modeli językowych w kontekście ochrony danych osobowych,

– opisuje, jak duże modele językowe mogą wpłynąć na prywatność danych osobowych.

Poszczególne efekty

uczenia się

Charakteryzuje

zagrożenia związane

z wykorzystaniem

dużych modeli

językowych i możliwe

działania mające na celu

minimalizowanie tych

zagrożeń

Charakteryzuje zasady

ochrony danych

osobowych w kontekście

dużych modeli

językowych

Monitor Polski

Zestaw 4. Etyka i odpowiedzialność w wykorzystywaniu dużych modeli językowych

Kryteria weryfikacji ich osiągnięcia

Poszczególne efekty

uczenia się

Zestaw 3. Wykorzystywanie dużych modeli językowych w środowisku pracy

– wskazuje, w jaki sposób wykorzystywanie dużych modeli językowych może prowadzić do naruszenia praw autorskich,

– rozpoznaje sytuacje, w których wynik działania dużego modelu językowego może naruszyć prawa autorskie,

– wskazuje metody zapobiegania naruszeniom praw autorskich podczas wykorzystywania dużych modeli językowych.

Opisuje zasady

przestrzegania praw

autorskich w kontekście

wykorzystywania dużych

modeli językowych

– 5 –

1.2. Zasoby kadrowe

W procesie weryfikacji efektów uczenia się bierze udział komisja walidacyjna, która przeprowadza część praktyczną walidacji. Komisja walidacyjna składa się z co najmniej

dwóch osób, w tym przewodniczącego komisji walidacyjnej.

Przewodniczący komisji walidacyjnej posiada dyplom ukończenia studiów drugiego stopnia lub jednolitych studiów magisterskich, których program kształcenia zapewniał uzyskanie wiedzy i umiejętności z zakresu sztucznej inteligencji. Kluczowy jest merytoryczny związek ukończonych studiów z takimi dziedzinami jak uczenie maszynowe, przetwarzanie języka naturalnego, widzenie komputerowe, systemy ekspertowe czy analiza dużych zbiorów danych. Dopuszcza się również ukończone studia podyplomowe lub udokumentowany dorobek naukowy w zakresie związanym z zagadnieniami AI (Artificial Intelligence) lub co najmniej 5 lat udokumentowanego doświadczenia w pracy nad

projektami związanymi z zagadnieniami AI w roli managera, programisty lub analityka.

Członek komisji walidacyjnej, który nie jest przewodniczącym komisji walidacyjnej, posiada dyplom ukończenia studiów pierwszego stopnia lub jednolitych studiów magisterskich, których program kształcenia zapewniał uzyskanie wiedzy i umiejętności z zakresu sztucznej inteligencji. Kluczowy jest merytoryczny związek ukończonych studiów

1. Etap weryfikacji

1.1. Metody

Weryfikacja efektów uczenia się jest podzielona na dwie części – teoretyczną i praktyczną.

W części teoretycznej wykorzystuje się metodę testu wiedzy (do weryfikacji zagadnień teoretycznych ze wszystkich zestawów efektów uczenia się). W części praktycznej wykorzystuje się metodę obserwacji, która może być uzupełniona wywiadem swobodnym (rozmową z komisją walidacyjną). W części praktycznej może być również wykorzystana

metoda analizy dowodów i deklaracji.

Ramowe wymagania dotyczące metod przeprowadzania walidacji, osób przeprowadzających walidację oraz warunków organizacyjnych

i materi alnych n iezbędn ych d o prawid łowego i b ezpiecznego przeprowadzania walida c j i

– wskazuje, w jaki sposób dane treningowe wpływają na generowanie treści dyskryminujących lub wyrażających uprzedzenia,

– wyjaśnia, jak zidentyfikować treści dyskryminujące lub wyrażające uprzedzenia i redukować występowanie tych treści w dużych modelach językowych.

Identyfikuje zagrożenia

związane

z dyskryminacją

i uprzedzeniami możliwe

przy wykorzystywaniu

dużych modeli

językowych

Monitor Polski

4.

– identyfikuje możliwości naruszeń zasad ochrony danych instytucjonalnych,

– wyjaśnia, jak zasady ochrony danych instytucjonalnych wpływają na wykorzystywanie dużych modeli językowych.

Ocenia wpływ dużych

modeli językowych

na bezpieczeństwo

danych instytucjonalnych

Warun ki, jak ie mus i spełn iać osob a p rzys tępująca do walidacji, jeżeli zostały określone , albo inf or m ac j a o br aku t akic h w ar unków

Brak warunków

5.

2. Etap identyfikowania i dokumentowania efektów uczenia się

Nie określa się wymagań dotyczących etapów identyfikowania i dokumentowania efektów uczenia się.

Monitor Polski

1.3. Sposób organizacji walidacji oraz warunki organizacyjne i materialne

Walidacja może być prowadzona stacjonarnie, zdalnie albo hybrydowo.

Instytucja prowadząca walidację zapewnia

– do przeprowadzenia testu wiedzy w systemie teleinformatycznym stanowisko komputerowe (jedno stanowisko dla jednego kandydata) wyposażone w przeglądarkę internetową z dostępem do internetu oraz stolik i krzesło,

– do przeprowadzenia praktycznej części walidacji dostęp do

• komputera z dostępem do internetu – dla każdego kandydata,

• minimum dwóch dużych modeli językowych (jeden komercyjny, który odpowiada komercyjnej licencji najbardziej popularnych dużych modeli językowych, drugi oparty

o otwartą licencję (open source)),

• narzędzi do obsługi dużych modeli językowych umożliwiających uruchomienie dużego modelu językowego opartego o otwartą licencję (open source).

Instytucja prowadząca walidację zapewnia bezstronną i niezależną procedurę odwoławczą, w ramach której kandydat ma możliwość odwołania się od decyzji dotyczących spełnienia wymogów formalnych, od wyników egzaminów, a także od decyzji kończącej walidację.

Walidacja może być prowadzona zdalnie albo hybrydowo, pod warunkiem zapewnienia przez instytucję prowadzącą walidację dostępu do

– minimum dwóch dużych modeli językowych (jeden komercyjny, który odpowiada komercyjnej licencji najbardziej popularnych dużych modeli językowych, drugi oparty

o otwartą licencję (open source)),

– narzędzi do obsługi dużych modeli językowych umożliwiających uruchomienie dużego modelu językowego opartego o otwartą licencję (open source),

– narzędzi zapewniających wiarygodne sprawdzenie, czy osoba ubiegająca się o nadanie kwalifikacji wolnorynkowej osiągnęła wyodrębnioną część albo całość efektów uczenia się.

W przypadku zdalnego prowadzenia walidacji komisja walidacyjna zatwierdza warunki przystąpienia do walidacji w oparciu o warunki techniczne dające gwarancję samodzielnej realizacji zadań przez kandydata, w szczególności możliwość stałej obserwacji kandydata z użyciem systemu teleinformatycznego zapewniającego wiarygodne sprawdzenie,

czy osoba ubiegająca się o nadanie kwalifikacji wolnorynkowej osiągnęła wyodrębnioną część lub całość efektów uczenia się wymaganych dla tej kwalifikacji. Narzędzia i metody stosowane w walidacji prowadzonej zdalnie powinny w szczególności umożliwiać identyfikację osoby przystępującej do walidacji, zapewniać samodzielność pracy tej

osoby i gwarantować zabezpieczenie przebiegu walidacji przed ingerencją osób trzecich.

z takimi dziedzinami jak uczenie maszynowe, przetwarzanie języka naturalnego, widzenie komputerowe, systemy ekspertowe czy analiza dużych zbiorów danych. Dopuszcza

się również ukończone studia podyplomowe lub udokumentowany dorobek naukowy w zakresie związanym z zagadnieniami AI (Artificial Intelligence) lub co najmniej 3 lata

udokumentowanego doświadczenia w pracy nad projektami związanymi z zagadnieniami AI w roli managera, programisty lub analityka.

Instytucja przeprowadzająca walidację zapewnia doradcę walidacyjnego. Doradca walidacyjny posiada wiedzę w zakresie znajomości założeń Zintegrowanego Systemu Kwalifikacji.

In ne, poza p ozytywnym wyn ik iem walidacji, waru nki uzyskania kwalifikacji wolnorynkowe j , j e ż e li z ost ały okr e ślone , albo inf or m ac j a

o braku takich warunk ów

Okres ważności certyfik atu kwali fikacji wolnorynkowej

Termin d okon ywania p rzegl ądu k walifikacji wolnorynkowej

Nie rzadziej niż raz na 10 lat

8.

Bezterminowo

7.

Brak innych, poza pozytywnym wynikiem walidacji, warunków uzyskania kwalifikacji wolnorynkowej

6.