Czy da się nauczyć ML po 30 albo 40? Uczciwie, z danymi

Krótka odpowiedź

Tak. Uczenie maszynowe po trzydziestce czy czterdziestce da się zrozumieć i nauczyć się go używać. W nauce pojęć i kodu wiek waży mniej niż czas, metoda i to, czy ćwiczysz regularnie. Badania nie pokazują jednego „szczytu” umysłu, po którym nauka staje się niemożliwa.

Osobne pytanie to praca. Tu uczciwie: wejście do zawodu jest wąskie w każdym wieku, a liczby zebraliśmy na stronie Przebranżowienie na ML: uczciwe liczby. Za to doświadczenie z innego zawodu bywa atutem, o czym niżej.

Najprostszy sprawdzian, czy ten temat Cię wciągnie: lekcja Cały proces w 15 minut, bez kodu i bez instalacji.

Co mówią badania o wieku i myśleniu

W 2015 roku Joshua Hartshorne i Laura Germine porównali wyniki testów 48 537 osób, które rozwiązywały zadania w internecie, oraz dane z normalizacji testów inteligencji i pamięci. Wniosek autorów: różne zdolności osiągają szczyt w różnym wieku.

Szybkość przetwarzania (szybkie przepisywanie cyfr na symbole) wypadała najlepiej pod koniec wieku nastoletniego.
Pamięć robocza, czyli ile informacji utrzymasz naraz w głowie, osiągała szczyt około 30 roku życia.
Rozpoznawanie emocji było mniej więcej stabilne między 40 a 60 rokiem życia.
Słownictwo i wiedza w pierwszej części badania osiągały szczyt dopiero około 50 roku życia.

Autorzy piszą w streszczeniu, że jeszcze inne zdolności „do not peak until the 40s or later”, czyli osiągają szczyt dopiero po czterdziestce albo jeszcze później.

Dwa zastrzeżenia. To badanie porównuje różne osoby w różnym wieku, a nie te same osoby przez lata. I to są średnie: nie mówią, jak będzie akurat u Ciebie.

Co z tego wynika dla nauki ML? W uczeniu maszynowym bardzo liczy się rozumienie i wiedza o świecie: czy pytanie ma sens, co znaczą dane, czy wynik jest podejrzanie dobry. Gorzej z zapamiętywaniem wielu nowych rzeczy naraz, na przykład składni Pythona. Na to są proste sposoby: krótkie sesje w kolejne dni i sprawdzanie się zamiast ponownego czytania. Opisujemy je we wpisie Ile czasu zajmuje nauka ML.

Kto dziś pracuje przy danych w Polsce

W raporcie Bulldogjob 2025 o osobach pracujących przy Data Science i AI rozkład wieku wygląda tak:

18–24 lata: 11,2%,
25–29 lat: 50,6%,
30–34 lata: 22,5%,
35–39 lat: 12,4%,
40 lat i więcej: 3,4%.

Razem osób po trzydziestce jest 38,3%, czyli ponad jedna trzecia (to nasz rachunek z tych pięciu liczb).

Zanim wyciągniesz wniosek „po czterdziestce nie ma czego szukać”, dwie uwagi:

To wiek dziś, a nie wiek, w którym ktoś zaczynał. Raport nie mówi, ile osób przyszło z innego zawodu ani w jakim wieku.
Grupa jest mała. Raport pisze, że to 2–3% ankietowanych. Wszystkie procenty w profilu tej grupy pasują do 89 osób: to najmniejsza liczba, przy której każdy procent wychodzi z pełnych osób (nasz rachunek, nie liczba z raportu). Wtedy 3,4% to 3 osoby.

Ankieta pokazuje, kto na nią odpowiedział, a nie kto mógłby tę pracę wykonywać. To ten sam problem, który w Atlasie opisujemy w haśle błąd doboru próby.

Gdzie wiek pomaga

Doświadczenie z innego zawodu to w ML wiedza dziedzinowa: rozumiesz, skąd biorą się dane i co w nich jest błędem. Księgowa wie, która faktura jest dziwna, a pielęgniarka wie, ile kosztuje fałszywy alarm. Dobre postawienie problemu to połowa projektu, co pokazuje hasło jak postawić problem ML.

Dlatego najkrótsza droga, którą opisujemy na stronie kariery, to zwykle Twoja dziedzina + AI: ta sama praca, ale z danymi i modelami, a nie skok od zera na stanowisko ML engineera.

Na co uważać

Czas, a nie wiek, jest zwykle wąskim gardłem. Praca i dom zostawiają mało godzin, więc planuj krótko i często: jedna lekcja dziennie wystarczy na start.
Nie zaczynaj od podręcznika matematyki. Co naprawdę jest potrzebne, piszemy we wpisie Matematyka do ML.
Nie płać za obietnicę pracy w kilka miesięcy. Jak czytać „X% zatrudnionych”, wyjaśniamy na stronie Przebranżowienie na ML.
Kod przyjdzie później. Ile Pythona trzeba na start: Python do machine learningu.

Co dalej

Start tutaj: następny krok na dziś, czyli pierwsze ćwiczenie w przeglądarce i trzy pytania o to, od czego zacząć.
Kurs ML od zera: krótkie lekcje z eksperymentem i quizem, w Twoim tempie.
Newsletter „ML jak dziecku”: jedno pojęcie w mailu, czyli nauka rozłożona w czasie.

Źródła

Hartshorne J. K., Germine L. T., „When Does Cognitive Functioning Peak? The Asynchronous Rise and Fall of Different Cognitive Abilities Across the Life Span”, Psychological Science 26(4), 2015 (pełny tekst w PubMed Central), sprawdzone 26.10.2026: https://pmc.ncbi.nlm.nih.gov/articles/PMC4441622/
Bulldogjob, raport IT 2025: Data Science i AI (profil ankietowanych: wiek, wykształcenie, płeć, podrole; „2–3% ankietowanych”), sprawdzone 26.10.2026: https://bulldogjob.com/it-report/2025/data-science-ai
Liczba 89 osób i suma 38,3%: nasz rachunek z procentów raportu, sprawdzany testem w repozytorium strony.