Recenzje

Jestem zachwycona. Zupełnie nie spodziewałam się, że ta książka wciągnie mnie aż tak bardzo. Każde stworzenie nosi w sobie opowieść o dawnych światach i Dawkins potrafi to pokazać w sposób niezwykle ciekawy, a przy tym bardzo przystępny. Z pozornie drobnych szczegółów wyciąga historie sprzed milionów lat i sprawia, że czytelnik zaczyna patrzeć na ewolucję jak na fascynującą opowieść, a nie suchą teorię. Mimo że temat jest naukowy, książka nie przytłacza. Autor świetnie tłumaczy nawet bardziej złożone zagadnienia, posługując się prostym językiem, przykładami i trafnymi porównaniami. Dużo jest tu ciekawostek, które naprawdę zapadają w pamięć i sprawiają, że lektura staje się czystą przyjemnością, a nie obowiązkiem. Ogromnym atutem są ilustracje. Nie są one tylko ozdobą, ale realnym wsparciem w zrozumieniu treści - pomagają wyobrazić sobie opisywane procesy i lepiej uchwycić sens tego, o czym pisze autor. Dzięki nim książka jest jeszcze bardziej angażująca i spójna. To jedna z tych lektur, po których trudno wrócić do dawnego sposobu myślenia. Po przeczytaniu inaczej patrzy się na zwierzęta, na ludzi i na cały świat przyrody, bo każdy organizm zaczyna jawić się jako nośnik historii zapisanej przez miliony lat ewolucji. Zdecydowanie polecam, nie tylko fanom biologii.

EM poleca (#41) Ryan Day „Interfejsy API w AI i Data Science. Programowanie w Pythonie z użyciem FastAPI” autor: Wiesław Seweryn · Opublikowano 14 stycznia 2026 · Zaktualizowano 13 stycznia 2026 AI i Data Science to obecnie dwie najpotężniejsze technologie informatyczne, które często występują razem, ale pełnią różne role. Data Science to dziedzina zajmująca się wydobywaniem wartościowej wiedzy z danych. Łączy w sobie statystykę, programowanie (głównie Python i język R) oraz wiedzę domenową (biznesową, medyczną). Główne cele Data Science to analiza i wnioskowanie na podstawie danych. AI to dążenie do budowania systemów wymagających użycia inteligencji, jak rozpoznawanie obrazów, rozumienie mowy czy podejmowanie decyzji. AI i Data Science mogą (i powinny) ze sobą współpracować. W praktyce te dziedziny przenikają się w procesie budowania inteligentnych rozwiązań. Dlaczego współpraca Data Science i AI jest tak ważna? Jest to klasyczny przykład symbiozy, na wzór symbiozy biologicznej. Data Science i AI mogłyby żyć bez siebie, ale ich jakość, wyniki ich pracy byłyby znacznie uboższe. AI uczy się na danych - na ogromnej ilości danych. Przetwarzając dane tworzy coraz bardziej skomplikowane sieci zależności i uogólnień. Niestety AI nie rozróżnia prawdy od fałszu, danych wiarygodnych od bredni. Pojęcia te są obce programom komputerowym, a wartościowanie według takich kryteriów jest niemożliwe. Jedyne, co można zrobić, to uprawdopodobnić dane, oczyścić je z danych śmieciowych. Aby to osiągnąć, dane „surowe” powinny być przepuszczone przez filtry i sita algorytmów Data Science, by oczyścić „pokarm” dla modułu uczącego sztuczną inteligencję. Podobnie dzieje się w drugą stronę. Data Science, znana głównie z wykresów i tabelek służących do uwiarygodnienia wniosków wypływających z ich analizy, pozostałaby po wsze czasy statyczna i nudna. Pozostałaby jedynie zwykłą statystyką. Dzięki wykorzystaniu sztucznej inteligencji zastępującej (i uzupełniającej) statystykę, możemy poszerzyć zdolności wnioskowania z danych o obszary dotychczas niedostępne, wymykające się prostemu przetwarzaniu statystycznemu. Możemy także wzbogacić analizę dużych strumieni danych on-line, dostarczając na bieżąco wypływające z niej wnioski. Wystarczy wyobrazić szybko zachodzący proces o dynamice katastrofy (epidemię, powódź, pożar, trzęsienie ziemi), dostarczający ogromny strumień szybko zmieniających się danych i sztab kryzysowy, który podejmuje bardziej wartościowe i mniej przypadkowe decyzje, niż dawniej, kiedy tego duetu (AI i Data Science) nie było. Rozpędziłem się, miałem pisać o książce Książka jest przeznaczona dla programistów tworzących interfejsy API do baz danych. Interfejs API (ang. Application Programming Interface) to zestaw reguł i protokołów, które pozwalają jednej aplikacji „rozmawiać” z drugą. Najprościej można go określić jako pośrednika, który przekazuje Twoje zapytanie do systemu, a następnie wraca do Ciebie z odpowiedzią. Jedna aplikacja jest klientem, druga serwerem. Klient formułuje żądanie w języku zrozumiałym dla serwera, a serwer zwraca na podstawie tego żądania (specyfikacji) odpowiednio przygotowane dane. Przez „przygotowane” rozumiemy dane wybrane, odfiltrowane, posortowane i pogrupowane. Taka forma współpracy jest szczególnie ważna przy bardzo (bardzo bardzo) dużych bazach danych, których obsługa wymaga wyrafinowanych narzędzi, niedostępnych u Klienta, zwanych backendem, czyli działających poza zasięgiem wzroku klienta. Interfejs API to pośrednik w rozmowie Klienta z Serwerem. FastAPI to nowoczesny, wysokowydajny framework (szkielet programistyczny) do budowania interfejsów API w języku Python. Został stworzony przez Sebastiána Ramíreza w 2018 roku i od tego czasu stał się jednym z najpopularniejszych narzędzi w świecie Data Science i inżynierii danych. Bezpośrednim konkurentem FastAPI jest framework Flask, równie wspaniałe narzędzie, ale o nieco mniejszych możliwościach (za to łatwiejsze do opanowania), o którym ta książka nie jest. Co w tej książce jest? Jak pisałem wcześniej, książka jest przeznaczona dla programistów, którzy już umieją jeść nożem i widelcem. Czyli takich, którym nieobcy jest język Python, pojęcia takie jak REST, GraphQL, gRPC, a także programowanie baz danych za pomocą Pydantic i SQLAlchemy oraz podstawy HTTP. Książka jest podzielona na trzy części: - tworzenie interfejsów API, - wykorzystanie API w projektach Data Science, - wykorzystanie interfejsów API w sztucznej inteligencji. Przez cała książkę przewija się budowana na bieżąco aplikacja (nieważny temat) będąca kanwą do przedstawienia przykładów programowania różnych aspektów API prezentowanych w tej książce. Ciekawy pomysł. Książka jest wartościową pozycją w biblioteczce każdego programisty zajmującego się analizą danych. Zwłaszcza teraz, kiedy do realnego świata programowania coraz bardziej wdziera się sztuczna inteligencja jako chciany/niechciany asystent programisty. Wiadomo przecież, że prawdziwa wiedza to nie tylko JAK, ale przede wszystkim DLACZEGO? Prezentowana książka właśnie takiej wiedzy dostarcza, zarówno „jak” jak i „dlaczego”. Wady? Jest jedna rzecz wyjątkowo mi niepasująca: tłumaczenie pojęcia Data Science jako Danologia. Ale cóż (Baśka), nic to, niewielka drzazga. Ryan Day „Interfejsy API w AI i Data Science. Programowanie w Pythonie z użyciem FastAPI”, Wydawnictwo Helion, 2025

Co tak naprawdę kryje się pod hasłem „Agenci AI” - moda, narzędzia czy nowy sposób budowania systemów? „Agenci AI” Mariusz Hofman próbują odpowiedzieć właśnie na to pytanie — choć robią to w sposób pełen kontrastów. Po pierwsze: trudno powiedzieć, do kogo ona jest. To nie jest książka dla inżynierów - za mało technikaliów tam, gdzie są potrzebne. To nie jest też książka dla biznesu - bo nagle wchodzimy w parametry, konfiguracje i kod. Jesteśmy gdzieś pośrodku: poziom architektury, ale bez solidnego zanurzenia w implementacji. I to widać szczególnie na początku. Z jednej strony dostajemy szerokie, wysokopoziomowe omówienie agentów AI: czym są, jak działają, jak można je składać w systemy. To jest realnie wartościowe - szczególnie dla kogoś, kto zna LLM-y, ale nie myślał jeszcze systemowo o agentach. Z drugiej strony nagle lądujemy w kodzie i konfiguracjach, często omawianych aż do poziomu tłumaczenia nazw parametrów. To trochę utrudnia odbiór. Tak więc książka jest pełna kontrastów. Raz jest szeroka, koncepcyjna i ciekawa, a za chwilę przypomina dokumentację frameworku. Książka zyskuje przy głębszym poznaniu. Im dalej ją czytałem, tym ciekawiej. Niestety pierwszy rozdział, który widać na stronie zaniża poziom. Od mniej więcej połowy zaczyna być dużo lepiej: więcej konkretu, lepsze proporcje między teorią a praktyką, więcej sensownych wniosków. Na plus: książka jest zaskakująco odporna na upływ czasu. MCP, A2A, architektury agentowe — autor zapowiedział coś, co już się zadziało. W tym sensie to raczej książka o paradygmacie niż o konkretnym narzędziu. To dobrze. Na minus: sporo problemów z redakcją i spójnością źródeł. Bibliografia jest trudna w użyciu, a przy takiej liczbie przykładów przydałoby się repozytorium z pełnymi kodami przykładów. Podsumowując: To dobra książka - szczególnie w drugiej połowie. Warto przez nią przebrnąć, nawet jeśli początek nie zachwyca. Ale trzeba ją czytać jako wstęp do świata agentów AI, nie jako samowystarczalny podręcznik. To nie jest książka, która „nauczy Cię budować agentów”. To jest książka, która pomoże Ci zrozumieć, jak one działają i zacząć bawić się w samodzielne ich tworzenie.

📘🧬 „Genetyczna księga umarłych. Darwinowska refleksja” Richard Dawkins Czy nasze DNA potrafi opowiadać historie? 🧬 Richard Dawkins pokazuje, że tak. I robi to w sposób, który jednocześnie zachwyca, inspiruje i zmusza do głębokiego namysłu. Ta książka to fascynująca podróż przez ewolucję widzianą nie tylko jako proces biologiczny, ale jako ogromne archiwum przeszłych światów zapisanych w genach każdego organizmu. Autor prowadzi czytelnika od zachowań i budowy zwierząt, aż po mikroskopijne detale DNA. Pokazuje, że każdy z nas jest żywą kroniką doświadczeń swoich przodków. W genach zapisane są dawne środowiska, zagrożenia, adaptacje i wybory, które decydowały o przetrwaniu. To właśnie one sprawiają, że wyglądamy i funkcjonujemy tak, a nie inaczej. Szczególnie interesujące jest spojrzenie Dawkinsa na dobór naturalny jako genialnego rzeźbiarza. Twórcę niezwykle skutecznych rozwiązań, ale też pozornych „pomyłek”, które jednak zawsze mają swoje uzasadnienie w historii ewolucji. Autor pokazuje, że to, co dziś wydaje się niedoskonałe, często było najlepszą możliwą odpowiedzią na warunki sprzed tysięcy lub milionów lat. To nie jest lekka popularnonaukowa lektura, którą czyta się bez skupienia. To książka wymagająca uwagi, ale napisana obrazowo, logicznie i z charakterystyczną dla Dawkinsa błyskotliwością. Pełna porównań, przykładów i metafor, które pomagają zrozumieć nawet bardzo złożone zagadnienia biologiczne. „Genetyczna księga umarłych” to propozycja dla osób ciekawych świata, zainteresowanych nauką i ewolucją, ale też dla tych, którzy lubią książki zmieniające sposób patrzenia na rzeczywistość. To lektura, która uczy pokory wobec natury i pokazuje, jak głęboko jesteśmy z nią powiązani 🧠🌍📖

Książkę doceni każdy architekt, który musi podejmować decyzje w zespołach programistycznych i nie chce, aby wszystko było na jego/jej głowie. Bycie architektem to nie tylko projektowanie i budowanie systemów. Główną częścią pracy architekta jest podejmowanie różnego rodzaju decyzji. I o tym jest ta książka. Zazwyczaj książki o architekturze skupiają się na części technicznej - wzorcach projektowych, różnych rodzajach architektur, skalowalności, wymaganiach niefunkcjonalnych itd. W tej książce omówione jest wszystko, co prowadzi do wdrożenia tych części technicznych, czyli sztuka podejmowania decyzji. Szczególny nacisk położono na decentralizację procesu decyzjnego. Książka jest bardzo dobrze napisana i ciężko się przyczepić do tłumaczenia. Duży plus za świetny rozdział na temat ADR, który jest jednym z lepszych, jakie widziałem. Z małego minusa wynika, że nie każdy będzie w stanie wdrożyć procesy opisane w książce. Dla kogo? Książka raczej jest skierowana do architektów w firmach produktowych, gdzie jest wiele zespołów i trzeba organizować architekturę z wielu perspektyw. Architekci w startupach albo mniejszych firmach też mogą wyciągnąć pojedyncze praktyki, ale część z nich może bardziej komplikować niż upraszczać proces.