Tematy z informatyki — 40 pomysłów na pracę licencjacką (AI, web, mobile, security)

Dobre tematy pracy licencjackiej z informatyki mają jedną cechę wspólną: da się je zrealizować w pojedynkę, w 3-4 miesiące, na sprzęcie, który już masz. To odróżnia informatykę od kierunków humanistycznych — Twoja praca prawie zawsze zawiera część praktyczną, czyli działającą aplikację, model albo eksperyment, a dopiero wokół niej powstaje tekst. Poniżej znajdziesz 40 tematów podzielonych na 6 obszarów: web development, AI i machine learning, aplikacje mobilne, cyberbezpieczeństwo, DevOps oraz gamedev. Każdy temat ma sugerowany stack technologiczny, więc od razu widzisz, czego będziesz się uczyć. Zaczynamy jednak od tego, co najważniejsze — jak sprawdzić, czy temat w ogóle jest wykonalny, zanim zgłosisz go promotorowi.

Jak ocenić wykonalność tematu pracy licencjackiej z informatyki

Zanim zakochasz się w pomyśle, przepuść go przez trzy filtry: czas, dane i kompetencje.

Czas. Na implementację masz realnie 6-10 tygodni — reszta semestru pójdzie na tekst, poprawki promotora i formalności. Projekt musi mieć wersję minimalną (MVP), którą skończysz nawet, gdy połowa planów się posypie. Jeśli nie umiesz wskazać, co wytniesz w razie obsuwy, temat jest za szeroki.

Dane. Modele ML potrzebują zbiorów danych, a benchmarki — środowiska testowego. Sprawdź przed zgłoszeniem tematu, czy istnieje publiczny dataset (Kaggle, Hugging Face) albo API, z którego pobierzesz dane legalnie. Sprawdź też literaturę: jeśli w Google Scholar nie znajdziesz 10-15 publikacji wokół Twojego zagadnienia, rozdział teoretyczny będzie drogą przez mękę.

Kompetencje. Temat powinien wymagać technologii o jeden krok dalej od tego, co znasz — nie pięć kroków. Jeśli nigdy nie trenowałeś modelu, nie porywaj się na fine-tuning transformera; klasyfikator na scikit-learn to wciąż pełnoprawna praca licencjacka.

Wskazówka: ogólne kryteria wyboru — zakres, dostęp do źródeł, zainteresowanie promotora — opisaliśmy szerzej w poradniku jak wybrać temat pracy licencjackiej. Tutaj skupiamy się na specyfice IT.

Tematy z web developmentu (10 propozycji)

Aplikacje webowe to najbezpieczniejszy wybór: darmowy hosting na start, ogrom materiałów i łatwa prezentacja na obronie. Komisja doceni, gdy poza „stworzeniem aplikacji” pojawi się element badawczy — porównanie, benchmark albo audyt.

#	Temat	Sugerowany stack
1	Aplikacja SPA do zarządzania budżetem domowym z synchronizacją w czasie rzeczywistym	React, Firebase
2	Porównanie wydajności renderowania SSR i CSR na przykładzie sklepu internetowego	Next.js, Lighthouse
3	System rezerwacji wizyt dla gabinetu z powiadomieniami e-mail i SMS	Next.js, Node.js, PostgreSQL
4	Progressive Web App do nauki słówek z trybem offline	Vue, IndexedDB, Service Workers
5	Analiza dostępności wybranych serwisów e-commerce według WCAG 2.2 z propozycją poprawek	audyt + React
6	Platforma ogłoszeniowa z wyszukiwarką pełnotekstową	Next.js, Elasticsearch
7	Porównanie frameworków React, Vue i Svelte pod kątem wydajności i DX	benchmark, Playwright
8	System ankiet online z wizualizacją wyników w czasie rzeczywistym	React, WebSockets, Node.js
9	Aplikacja do śledzenia nawyków z elementami grywalizacji	Next.js, Prisma, PostgreSQL
10	Headless CMS kontra klasyczny CMS — implementacja bloga w dwóch podejściach	Astro + Strapi vs WordPress

Temat nr 5 to dobry przykład pracy, w której część badawcza jest równie ważna jak kod — punktem odniesienia są oficjalne wytyczne dostępności WCAG publikowane przez W3C.

Tematy z AI i machine learningu (10 propozycji)

To obecnie najgorętszy obszar — i najłatwiej tu o temat, który wygląda ambitnie, a jest wykonalny na laptopie z Google Colab. Zasada: na licencjacie trenujesz małe modele albo wykorzystujesz gotowe przez API, nie budujesz LLM od zera.

#	Temat	Sugerowany stack
11	Klasyfikator spamu SMS dla języka polskiego	Python, scikit-learn
12	System rekomendacji filmów oparty na collaborative filtering	Python, pandas, MovieLens
13	Chatbot FAQ dla dziekanatu oparty na architekturze RAG	Python, LangChain, baza wektorowa
14	Rozpoznawanie odręcznych znaków z użyciem sieci konwolucyjnych	PyTorch, MNIST/EMNIST
15	Analiza sentymentu polskich recenzji produktów	transformers, HerBERT
16	Detekcja wolnych miejsc parkingowych na obrazie z kamery	YOLO, OpenCV
17	Prognozowanie zużycia energii na podstawie szeregów czasowych	Python, Prophet lub LSTM
18	Porównanie modeli LLM w zadaniu streszczania polskich tekstów	API GPT/Claude/Gemini, ewaluacja
19	Wykrywanie fake newsów w polskich nagłówkach prasowych	NLP, fine-tuning transformera
20	Agent AI automatyzujący triage zgłoszeń w systemie ticketowym	Python, function calling

Tematy 11-17 to klasyka z bogatą literaturą. Tematy 18-20 są świeższe — łatwiej o efekt „wow” na obronie, ale trudniej o publikacje naukowe do rozdziału teoretycznego, więc sprawdź literaturę przed zgłoszeniem.

Tematy z aplikacji mobilnych (6 propozycji)

Prace mobilne dobrze się bronią, bo aplikację można pokazać komisji na własnym telefonie. Flutter i React Native pozwalają pisać raz na obie platformy — czysty Android/iOS wybieraj tylko, gdy temat tego wymaga.

#	Temat	Sugerowany stack
21	Aplikacja fitness z licznikiem kroków i geolokalizacją tras	Flutter, sensory urządzenia
22	Asystent planowania posiłków ze skanowaniem kodów kreskowych	React Native, OpenFoodFacts API
23	Aplikacja do nauki języka z powtórkami rozłożonymi w czasie (SRS)	Flutter, SQLite
24	Porównanie wydajności Flutter i React Native na przykładzie tej samej aplikacji	obie technologie, benchmark
25	Aplikacja wspierająca osoby niewidome — TTS, wibracje, wysoki kontrast	Flutter, TalkBack/VoiceOver
26	System zgłaszania usterek miejskich ze zdjęciami i mapą	React Native, mapy, geokodowanie

Tematy z cyberbezpieczeństwa (6 propozycji)

Security wymaga dyscypliny formalnej: wszystkie testy prowadzisz wyłącznie we własnym środowisku laboratoryjnym (maszyny wirtualne, celowo podatne aplikacje typu DVWA), nigdy na cudzej infrastrukturze. Zaznacz to wprost w rozdziale metodologicznym — komisje na to patrzą.

#	Temat	Sugerowany stack
27	Analiza podatności aplikacji webowej według OWASP Top 10 z propozycją zabezpieczeń	DVWA, Burp Suite, lab lokalny
28	Implementacja i porównanie metod uwierzytelniania: hasła, TOTP, passkeys	Node.js, WebAuthn
29	Menedżer haseł z szyfrowaniem end-to-end	TypeScript, Web Crypto API
30	Wykrywanie adresów phishingowych z użyciem uczenia maszynowego	Python, scikit-learn
31	Analiza bezpieczeństwa protokołów WPA2 i WPA3 w środowisku laboratoryjnym	własny router, lab Wi-Fi
32	Honeypot SSH — analiza prób ataków na wystawioną usługę	Python, Docker, analiza logów

Tematy z DevOps i gamedev (8 propozycji)

Dwa mniejsze obszary, które dają tematy wyraziste i rzadziej powtarzane na seminariach — promotorzy widzą dziesiąty „system rezerwacji”, ale rzadko pipeline CI/CD z pomiarami.

#	Temat	Sugerowany stack
33	Pipeline CI/CD dla aplikacji webowej z automatycznymi testami i wdrożeniem	GitHub Actions, Docker
34	Porównanie konteneryzacji i maszyn wirtualnych pod kątem wydajności	Docker, KVM, benchmark
35	Infrastruktura jako kod dla małego projektu webowego	Terraform, AWS lub Azure
36	Monitoring aplikacji webowej z systemem alertów	Prometheus, Grafana
37	Gra platformowa 2D z proceduralną generacją poziomów	Unity, C#
38	Implementacja i porównanie algorytmów pathfindingu (A*, Dijkstra) w grze	Godot lub Unity
39	Prosta gra multiplayer z synchronizacją stanu przez sieć	Godot, WebSockets
40	Sztuczna inteligencja NPC — drzewa behawioralne kontra maszyny stanów	Unity, C#

Czego unikać przy wyborze tematu z informatyki

Najczęstszy błąd to zakres nie na licencjat. „Stworzenie systemu ERP dla przedsiębiorstwa” to robota dla zespołu na rok — na obronie zestawią Twój prototyp z tytułem pracy i przegrasz to porównanie. Podobnie „aplikacja jak Uber”: istnieje, więc bez jasno nazwanej różnicy nie masz problemu badawczego.

Unikaj też:

• tematów bez elementu badawczego — sam kod to za mało; dodaj porównanie, pomiar wydajności, testy z użytkownikami albo audyt,
• technologii, do których nie masz dostępu — praca o systemach bankowych bez danych z banku skończy się na teoretyzowaniu,
• zbyt świeżych nisz — jeśli o czymś piszą wyłącznie blogi i dokumentacja producenta, zabraknie źródeł naukowych do przeglądu literatury,
• martwych technologii — praca o AngularJS czy Xamarinie sygnalizuje, że plan studiów przespałeś.

Uwaga: jeżeli studiujesz kierunek pokrewny (informatyka i ekonometria, zarządzanie z IT), rozważ temat łączony — inspiracje znajdziesz w liście 50 tematów pracy licencjackiej z zarządzania, gdzie co piąty temat dotyczy cyfryzacji.

Standardowy układ pracy licencjackiej z implementacją

Praca inżynierska i licencjacka z IT ma utarty schemat, który warto zaakceptować zamiast wymyślać koło na nowo:

1. Wstęp — problem, cel, zakres, struktura pracy.
2. Rozdział teoretyczny — przegląd technologii i istniejących rozwiązań (state of the art).
3. Analiza wymagań i projekt — wymagania funkcjonalne i niefunkcjonalne, diagramy UML, architektura, wybór technologii z uzasadnieniem.
4. Implementacja — opis kluczowych modułów z fragmentami kodu (nie wklejaj całości!).
5. Testy i ocena — testy jednostkowe, wydajnościowe albo badanie z użytkownikami; tu wraca element badawczy.
6. Zakończenie — wnioski, ograniczenia, kierunki rozwoju.

Objętościowo celuj w 40-60 stron — szczegóły wymogów znajdziesz w tekście o tym, ile stron powinna mieć praca licencjacka. Rozdziały 3 i 5 to akademickie „mięso” pracy: sposób doboru metod testowania opisuje się analogicznie do klasycznej metodologii pracy licencjackiej, tylko zamiast ankiet masz benchmarki i przypadki testowe. Cały proces od harmonogramu po obronę rozpisaliśmy w przewodniku jak napisać pracę licencjacką krok po kroku.

Częsty scenariusz na kierunkach IT: aplikacja jest gotowa i działa, ale tekst pracy stoi w miejscu, bo pisanie rozdziału teoretycznego boli bardziej niż debugowanie. Jeśli utknąłeś na tej części, generator prac licencjackich Smart-Edu wygeneruje kompletny rozdział teoretyczny z bibliografią w 30-90 minut od 249 zł — Ty zostawiasz sobie projekt, implementację i testy, czyli to, co i tak musisz obronić samodzielnie.

Najczęstsze pytania o tematy pracy licencjackiej z informatyki

Czy praca licencjacka z informatyki musi zawierać program?

Na większości uczelni — tak, część praktyczna jest oczekiwana, choć regulaminy rzadko zapisują to wprost. Alternatywą bywa praca porównawczo-badawcza (benchmark technologii, analiza podatności, ewaluacja modeli), w której „programem” jest środowisko testowe i skrypty pomiarowe. Zapytaj promotora, zanim założysz, że opis teoretyczny wystarczy.

Czy mogę użyć gotowych bibliotek i frameworków?

Tak — i powinieneś. Nikt nie oczekuje, że napiszesz własny framework webowy czy zaimplementujesz sieć neuronową od zera. Oceniana jest umiejętność doboru narzędzi, architektura rozwiązania i jakość ewaluacji, a nie liczba linijek napisanych ręcznie. Granica: kopiowanie całej aplikacji z tutoriala to plagiat koncepcji, nawet gdy kod przepiszesz.

Ile kodu trzeba napisać na pracę licencjacką?

Nie ma normy w linijkach — liczy się kompletność MVP. Typowa aplikacja licencjacka to 2-5 tysięcy linii własnego kodu, ale porównanie frameworków może mieć 500 linii skryptów pomiarowych i być lepszą pracą niż 10 tysięcy linii CRUD-a bez wniosków.

Co jeśli ktoś już napisał pracę na podobny temat?

W IT to niemal pewne — i nie szkodzi. Zmień kontekst (inny język danych, inna grupa użytkowników), technologię (nowszy framework, inny model) albo kryterium oceny (wydajność zamiast funkcjonalności), a temat staje się Twój. Oryginalność na licencjacie polega na własnym wykonaniu i własnych pomiarach, nie na odkrywaniu nowych dziedzin.

Podsumowanie

Dobre tematy pracy licencjackiej z informatyki łączą trzy rzeczy: wykonalność w pojedynkę w jeden semestr, dostęp do danych lub środowiska testowego oraz element badawczy, który odróżnia pracę dyplomową od projektu z GitHuba. Wybierz obszar, w którym chcesz pracować po studiach — web, AI/ML, mobile, security, DevOps albo gamedev — i dobierz temat o jeden krok trudniejszy od Twoich obecnych umiejętności. Zanim zgłosisz go promotorowi, sprawdź literaturę i zaplanuj wersję minimalną. Reszta to systematyczność: działający kod, uczciwe testy i tekst pisany równolegle z implementacją, nie po niej.