Transformery w Excelu? Tak, da się zrozumieć AI bez kodu

Excel to chyba ostatnie miejsce, gdzie szukałbyś wyjaśnienia, jak działa ChatGPT.

A jednak.

Transformery — architektura, która odmieniła AI — wydają się czystą magią. Okazuje się, że ich rdzeń można rozłożyć na czynniki pierwsze w zwykłym arkuszu. Zero linijek kodu.

Czemu akurat Excel?

Bo większość wyjaśnień zaczyna się od równań. Potem przychodzą macierze. Na końcu lądujemy w Pythonie z bibliotekami o nazwach jak zaklęcia.

I tu 90% ludzi odpada.

Excel zmienia tę grę. Znasz to narzędzie. Widzisz każdą komórkę, każde obliczenie. Zmieniasz wartość i obserwujesz, co się dzieje trzy rzędy niżej. Żadnej abstrakcji — sama konkretna matematyka przed oczami.

Dobra, ale co to w ogóle są transformery?

Szybkie wyjaśnienie bez żargonu.

To architektura sieci neuronowej. Sposób, w jaki AI przetwarza tekst. Mechanizm, dzięki któremu modele językowe (ChatGPT, Claude, Gemini) łapią kontekst słów.

Kluczowy element? Self-attention — mechanizm uwagi. W wolnym tłumaczeniu: AI uczy się, które słowa w zdaniu mają dla siebie znaczenie.

Weź zdanie: "Bank nad rzeką był pełen ludzi".

Słowo "bank" może oznaczać instytucję albo brzeg. Mechanizm uwagi pozwala AI zerknąć na "rzeką" i pomyśleć: aha, chodzi o brzeg, nie o kredyty.

To właśnie self-attention — model patrzy na wszystkie słowa naraz i decyduje, które wpływają na znaczenie pozostałych.

Jak to wygląda krok po kroku?

Autor materiału (opublikowanego na Towards Data Science) rozbija proces na etapy, które możesz prześledzić w arkuszu.

Zaczynasz od prostego zdania. Każde słowo zamieniane jest na liczbę — tzw. embedding. każde słowo dostaje współrzędne w przestrzeni. "Kot" ma inne niż "pies", ale oba są bliżej siebie niż "samolot".

Potem zaczyna się magia.

Model tworzy trzy zestawy wartości dla każdego słowa: Query (zapytanie), Key (klucz) i Value (wartość). To jak system pytań i odpowiedzi. Każde słowo pyta: "Kto w tym zdaniu jest dla mnie ważny?" — i dostaje odpowiedzi od innych.

Obliczenia? Proste mnożenie i dodawanie. Nic, czego Excel nie ogarnie.

Wynik? Każde słowo dostaje nową reprezentację — już nie statyczną, ale kontekstową. "Bank" w zdaniu o rzece będzie miał inną reprezentację niż "bank" w zdaniu o kredycie.

Po co mi to wiedzieć?

Uczciwe pytanie. Nie planujesz programować AI. Po co Ci mechanika transformerów?

Bo to zmienia sposób, w jaki korzystasz z narzędzi AI.

Kiedy wiesz, że ChatGPT nie "rozumie" słów jak człowiek, tylko przetwarza je przez mechanizm uwagi — inaczej piszesz prompty. Dajesz więcej kontekstu. Unikasz wieloznaczności.

Kiedy rozumiesz, że model patrzy na wszystkie słowa naraz (a nie czyta sekwencyjnie) — wiesz, dlaczego kolejność informacji w promptcie ma znaczenie. Ale nie w sposób, jakiego się spodziewasz.

I kiedy widzisz, że cały ten "inteligentny" system to seria matematycznych operacji na liczbach — przestajesz traktować AI jak czarną skrzynkę.

Zaczynasz eksperymentować.

Excel jako narzędzie do nauki o AI

To nie pierwszy raz, gdy ktoś używa arkusza do wyjaśniania AI. Wcześniej pojawiały się przykłady prostych sieci neuronowych w Excelu. Nawet regresję liniową można tam zbudować od podstaw.

Dlaczego to działa?

Bo eliminuje warstwę abstrakcji. Widzisz liczby. Widzisz formuły. Zmieniasz jedną wartość i obserwujesz, jak zmienia się wynik dziesięć komórek dalej.

To jak różnica między czytaniem o tym, jak działa silnik, a patrzeniem na rozebrany silnik na stole.

Nagle wszystko klika.

Dla kogoś, kto nie programuje (a takich jest większość), Excel to najbardziej przystępne narzędzie do zrozumienia, co naprawdę dzieje się pod maską AI.

Czy musisz to zrobić?

Nie. Możesz korzystać z ChatGPT bez rozumienia transformerów — tak jak prowadzisz samochód bez znajomości budowy silnika.

Ale.

Jeśli chcesz wycisnąć z AI więcej. Jeśli denerwuje Cię, że czasem model "nie łapie" kontekstu. Jeśli zastanawiasz się, dlaczego jeden prompt działa, a drugi nie — ten arkusz da Ci odpowiedzi.

Nie musisz być data scientist. Wystarczy ciekawość i pół godziny z Excelem.

Bo czasem najlepszy sposób na zrozumienie przyszłości to rozłożyć ją na czynniki pierwsze.

W arkuszu kalkulacyjnym.

Źródła

• Towards Data Science - Transformers for Text in Excel