Sztuczna inteligencja i duże modele językowe to hasła, które wymieniane są w niemal każdej branży. Wiele firm zastanawia się, jak korzystać z nich bezpiecznie oraz jakie rozwiązanie będzie dla nich najbardziej efektywne. Możliwości jest wiele i często trudno je odróżnić. W tym tekście podzieliliśmy je w łatwy do zrozumienia sposób.  

AI może działać w firmach jako chatbot, asystent, agent wykonujący złożone zadania, narzędzie do analizy danych, system generujący treści czy silnik wyszukiwania wiedzy. Jak wybrać rozwiązanie, które będzie optymalnie dopasowane do potrzeb pracowników? Warto poznać charakterystykę każdego z nich.  

Chatbot – odpowiada na pytania, wyjaśnia i przyjmuje zgłoszenia

To najczęściej spotykana forma wykorzystania AI w obszarach takich jak obsługa klienta czy sprzedaż. Chatbot AI oparty na dużym modelu językowym, takim jak np. ChatGPT, potrafi prowadzić naturalną rozmowę, rozumieć kontekst zapytań i udzielać trafnych odpowiedzi – całodobowo, w wielu językach i bez udziału człowieka. 

 

Rozwiązania tego typu są najczęściej wdrażane na stronach internetowych, w komunikatorach (Messenger, WhatsApp) lub w systemach helpdesk, gdzie pomagają w obsłudze zapytań, śledzeniu zamówień czy udzielaniu informacji o produktach. Dzięki temu znacząco automatyzują obsługę klienta, redukują koszty operacyjne i podnoszą ocenę satysfakcji klienta. 

 

Na potrzeby tego artykułu przyjmujemy, że chatbot to przede wszystkim interfejs AI skierowany do użytkowników zewnętrznych, czyli działa „na zewnątrz firmy”. Taka definicja odróżnia go od agentów AI, które pełnią bardziej złożone funkcje w ramach procesów wewnętrznych – integrując się z systemami, bazami danych czy API. 

https://www.incone60.eu/seastat

 

Agent AI – narzędzie zaprojektowane do realizacji konkretnych zadań

W przeciwieństwie do chatbota, który prowadzi rozmowę z użytkownikiem zewnętrznym, agent AI działa wewnątrz organizacji i wspiera pracowników w automatyzacji konkretnych procesów biznesowych. Taki agent nie jest uniwersalnym narzędziem – tworzy się go z myślą o jasno określonym celu, np. przetwarzaniu dokumentów, analizie danych czy integracji z systemami ERP. 

 

Dzięki dużym modelom językowym, takim jak Gemini czy Claude, agent AI potrafi analizować kontekst, podejmować decyzje i uruchamiać konkretne działania – bez udziału człowieka. Może działać w tle, przetwarzać dane z wielu źródeł, zarządzać plikami czy obsługiwać skrzynkę mailową. 

 

Każdy Agent AI powstaje na miarę potrzeb danej firmy i jej specyficznych zadań. Tylko wtedy jego działanie jest realnym wsparciem, a nie kolejnym ogólnym narzędziem.  Chcesz zobaczyć, jak wygląda takie rozwiązanie w praktyce? 

Poznaj case study: Agent AI dla firmy spedycyjnej – opisujemy w nim, jak zbudowaliśmy agenta, zintegrowanego ze skrzynką email.  

 

Zobacz także: Optymalizacja procesów back – office, dzięki wdrożeniu agenta AI. Praktyczny przykład 

Asystent AI – wspiera użytkownika w codziennej pracy, działając kontekstowo i „w tle”

W przeciwieństwie do chatbota, który odpowiada na pytania oraz agenta, który automatyzuje zdefiniowany proces, asystent AI to narzędzie towarzyszące pracownikowi na bieżąco – rozumie kontekst, podpowiada następne kroki i ułatwia wykonywanie zadań w znanych aplikacjach. 

 

Najczęściej jest zintegrowany z konkretnym środowiskiem pracy, takim jak edytor tekstu, arkusz kalkulacyjny, CRM czy narzędzie do zarządzania projektami. Asystent nie zastępuje użytkownika – ale aktywnie wspiera go w podejmowaniu decyzji, pisaniu, analizowaniu danych czy planowaniu. 

 

Asystenci AI, tacy jak GitHub Copilot, Notion AI czy asystent Google w Workspace, są przykładem tego, jak technologia może realnie zwiększać produktywność zespołów i skracać czas potrzebny na rutynowe zadania. Z punktu widzenia firmy, dobrze zaprojektowany asystent może poprawić jakość pracy, ograniczyć błędy i ułatwić onboarding nowych pracowników 

Jak jeszcze można wykorzystać duże modele językowe w biznesie?

Możliwości nie kończą się na chatbotach, asystentach czy agentach. Modele te mogą pełnić także wyspecjalizowane role, wspierając konkretne zadania, np. przetwarzanie dokumentów, analizę danych czy tworzenie treści. Coraz częściej są wykorzystywane do automatycznego podsumowywania raportów, wyciągania informacji z nieustrukturyzowanych źródeł (takich jak e-maile, PDF-y czy zeskanowane formularze) lub odpowiadania na pytania zadawane w języku naturalnym, na podstawie firmowej dokumentacji.  

 

LLMy mogą także wspierać zespoły marketingowe, generując propozycje tekstów reklamowych, opisów produktów czy komunikatów sprzedażowych, zgodnych ze stylem firmy. W działach analitycznych umożliwiają szybszy dostęp do danych – potrafią generować zapytania do baz danych, interpretować wyniki i prezentować wnioski w sposób zrozumiały dla osób nietechnicznych. Takie zastosowania często nie wymagają tworzenia nowego narzędzia, lecz polegają na integracji modelu AI z już istniejącym systemem w firmie. Dzięki temu technologia wspiera konkretne działania – dokładnie tam, gdzie jest potrzebna. 

Modele AI a bezpieczeństwo i przetwarzanie danych

Właściciele i managerowie wciąż zachowawczo podchodzą do wdrażania narzędzi AI, ponieważ nie wiedzą, jak zapewnić bezpieczeństwo i poufność przetwarzanych danych. Przyjrzeliśmy się tym obszarom w naszych poprzednich publikacjach, które warto poznać.  

 

W tekście „Jak platformy AI korzystają z Twoich danych? Przegląd obowiązujących zasad” opisaliśmy zasady, dotyczące prywatności danych i trenowania modeli stosowane przez najpopularniejsze platformy AI, takie jak OpenAI, Google Gemini, Azure OpenAI od Microsoftu oraz Claude firmy Anthropic. 

 

Z kolei dla osób, które rozważają wdrożenie lokalne polecamy blog: „Lokalne LLM-y: testujemy lekkie modele do przetwarzania dokumentów”.   Przyjrzeliśmy się w nim kilku najlepszym otwartoźródłowym lekkim modelom LLM oraz sposobom ich uruchamiania na lokalnym komputerze z systemem Windows, jak i z ograniczoną kartą graficzną (GPU). 

 

Wybór odpowiedniego narzędzia AI w firmie zależy przede wszystkim od celu, jaki ma ono realizować. Chatbot sprawdzi się tam, gdzie liczy się szybka i dostępna obsługa klienta. Agent AI pozwoli zautomatyzować powtarzalne procesy wewnętrzne i usprawnić przepływ informacji między systemami. Asystent AI będzie codziennym wsparciem pracownika – podpowie, podsumuje, przygotuje dane do dalszej pracy. 

 

Duże modele językowe dają też możliwość integracji z istniejącymi procesami – bez konieczności budowania dedykowanego narzędzia od zera. Wdrożenie technologii opartej na AI wymaga jednak przemyślanej decyzji – zarówno pod kątem efektywności, jak i bezpieczeństwa przetwarzania danych. Jeśli chcesz wdrożyć AI w swojej firmie i szukasz doświadczonego partnera, który przeprowadzi Cię przez ten proces, skontaktuj się z nami.  

Wprowadz AI do swojej firmy

Zapewniamy profesjonalne doradztwo i kompleksowe wdrożenie narzędzi opartych na dużych modelach językowych.

Skontaktuj się z nami

Artykuł Chatbot, agent czy asystent AI? Sprawdź, które rozwiązanie najlepiej sprawdzi się w Twoim biznesie pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

Artykuł Czym są Agenci AI i jak mogą pomóc w Twojej firmie? pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

Systemy IAM

Zadbaj o bezpieczeństwo swojej firmy, dzięki profesjonalnemu wdrożeniu systemu Identity and Access Management - IAM. Zarządzaj w prosty sposób uprawnieniami i dostępem.

Sztuczna inteligencja

Wykorzystujemy sztuczną inteligencję i uczenie maszynowe, by tworzyć produkty, które usprawnią zarządzanie, planowanie i komunikację w firmach.

Aplikacje
Web & Mobile

Tworzymy nowoczesne. bezpieczne i skalowalne aplikacje mobilne i webowe. Realizujemy projekty dla firm prywatnych i jednostek samorządowych.

Keycloak

Kompleksowe wdrożenie, utrzymanie i szkolenia.

Keycloak pozwala zarządzać tożsamościami i uprawnieniami, umożliwiając bezpieczne logowanie i dostęp do aplikacji oraz serwisów online.  Ułatwia autoryzację i uwierzytelnianie użytkowników, pozwalając na łatwe zarządzanie rolami, uprawnieniami i dostępem do różnych części systemu. 

Szczegóły

Asystenci AI

 

Praktyczne zastosowanie sztucznej inteligencji.

Asystenci AI to nowoczesne narzędzia, które pomagają oszczędzać czas, automatyzować procesy i zwiększać efektywność w pracy i życiu codziennym. Od zarządzania danymi po wsparcie w podejmowaniu decyzji – ich możliwości są niemal nieograniczone. Kliknij i odkryj, jak AI może odmienić czasochłonne procesy w Twojej firmie. 

 

Szczegóły

Zaufali nam

“Współpraca przebiegała sprawnie, terminowo oraz z zachowaniem odpowiednich standardów. Firma wykazała się dużym zaangażowaniem w realizację projektu i dzięki profesjonalnemu podejściu udało się osiągnąć założone cele.”

CUS Warszawa

“Komunikatywność, kompetencja oraz terminowość w powierzonych firmie Inero Software zadań, stanowią jeden z najważniejszych jej atutów. Rekomendujemy ją jako solidnego i wiarygodnego kontrahenta. ”

Farm Frites Poland

"We engaged with Inero to establish a cross-functional team dedicated to enhancing our IAM capabilities across the organization. Through Inero’s expertise and dedication, we were able to progress quickly, building a platform that is both scalable and reliable."

Dornach

Aplikacje Webowe i Mobilne

Tworzymy zaawansowane aplikacje webowe i mobilne. 

Specjalizujemy się w budowie dedykowanych aplikacji internetowych, aplikacji mobilnych cross-platformowych w technologii Ionic oraz natywnych rozwiązań dla systemów iOS i Android. Integrujemy API, aby zapewnić pełną funkcjonalność i kompatybilność z istniejącymi systemami. Wdrażamy rozwiązania oparte o sztuczną inteligencję i machine learning. 

Szczegóły

Gorący Posiłek

1 MLN + zrealizowanych dostaw

1000 odbiorców dziennie

18 Ośrodków Pomocy Społecznej

Gorący Posiłek to nasza autorska aplikacja., której zadaniem jest usprawnienie organizacji dostaw żywności do osób potrzebujących. Na wdrożenie tego rozwiązania w 2021 roku zdecydowało się warszawskie Centrum Usług Społecznych.

Więcej

Projekty, w których uczestniczymy

Współpracujemy z partnerami biznesowymi, instytucjami publicznymi, i jednostkami naukowymi. Realizujemy projekty badawczo - rozwojowe, których celem jest rozwój nowych technologii.

Incone60 Green

Celem projektu jest opracowanie cyfrowych rozwiązań wspierających zielone i niskoemisyjne praktyki w małych portach regionu Morza Bałtyckiego.

Pomeranian Digital Innowation Hub

PDIH działając w modelu one-stop-shop oferuje kompleksowe wsparcie w dziedzinie transformacji cyfrowej.

Urban Tech

Projekt zapewnia europejskim MŚP i start-upom finansowanie, mentoring oraz szkolenia w obszarach Health Tech, Greentech i Smart Cities.

Prowadzi nas ciekawość i idea optymalizacji z wykorzystaniem  sztucznej inteligencji. 

Od lat rozwijamy dla naszych klientów aplikacje webowe i mobilne. Pomagamy im zadbać o bezpieczeństwo danych, poprzez  integrację i aktualizację systemów autoryzacji z użyciem renomowanych standardów cyberbezpieczeństwa.

dr inż. Andrzej Chybicki
CEO Inero Software

Porozmawiajmy

Artykuł homepl pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

Nasze usługi

Jesteśmy gdańskim softwarehous'em, złożonym z doświadczonych programistów, którzy tworzą nowoczesne aplikacje mobilne i webowe. Nasze rozwiązania są dopasowane do wymagań Twojego biznesu – od pomysłu po wdrożenie. Współpracujemy z firmami z Polski i Europy. Posiadamy wieloletnie doświadczenie i dużą bazę zrealizowanych projektów. Rozwiązania dostarczamy terminowo i z zachowaniem najwyższej staranności.

Dedykowane aplikacje
webowe

Tworzymy niestandardowe aplikacje dostosowane do unikalnych potrzeb Twojego biznesu. Nasze rozwiązania są skalowalne, bezpieczne i zoptymalizowane pod kątem wydajności.

Aplikacje mobilne cross-platform (Ionic)

Budujemy aplikacje działające na iOS i Androidzie przy użyciu frameworka Ionic, co pozwala na szybszy rozwój i niższe koszty utrzymania.

Natywne aplikacje mobilne (iOS i Android)

Oferujemy rozwój w pełni natywnych aplikacji dla systemów iOS i Android, zapewniając optymalną wydajność i najlepsze doświadczenie użytkownika.

Integracje API dla rozszerzonej funkcjonalności

Tworzymy i wdrażamy API umożliwiające łączenie aplikacji z systemami zewnętrznymi, takimi jak ERP, CRM, mapy (Google Maps, Here Maps) i inne usługi.

Aplikacje wspierane

 siłą AI

„Sztuczna inteligencja w aplikacjach to nie tylko automatyzacja procesów – to narzędzie, które przekształca dane w strategiczne decyzje biznesowe, zwiększa efektywność operacyjną i wspiera firmy w dostarczaniu lepiej dopasowanych usług oraz produktów swoim klientom.”

 

Andrzej Chybicki 
CEO Inero Software

Aplikacja
Gorący Posiłek

Zadaniem aplikacji „Gorący Posiłek” jest usprawnienie organizacji dostaw żywności do osób potrzebujących. Na wdrożenie tego rozwiązania w 2021 roku zdecydowało się CUS Warszawa. Od tego czasu zrealizowano ponad milion, sto tysięcy dostaw z wykorzystaniem tej aplikacji. 

pOZNAJ CASE STUDY

Wykorzystujemy nowoczesne technologie, które pozwalają na tworzenie kompleksowych, skalowalnych i bezpiecznych rozwiązań. Dzięki sprawdzonym frameworkom, elastycznym narzędziom frontendowym oraz integracjom z wiodącymi usługami, jesteśmy w stanie dostarczać produkty odpowiadające na dynamicznie zmieniające się potrzeby rynku. Technologie chmurowe i konteneryzacja dodatkowo wspierają szybkie wdrażanie i łatwe zarządzanie aplikacjami w różnych środowiskach.

 

Frontend:
HTML, CSS, Angular, Nebular

Backend:
Java Spring, .NET, SharePoint, Google Workspace, Power Apps

Aplikacje mobilne:
Android, iOS, Ionic

Integracje i serwisy:
OpenAI, Azure AI, Google AI Studio, Gemini, DialogFlow, Google Maps, Here Maps

Chmura i konteneryzacja:
GCP, Azure, AWS, Digital Ocean, Docker, Kubernetes

DevOps:
GitLab, YAML, Bash

Artykuł Aplikacje Web i Mobile​ pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

Artykuł Asystenci AI: Szanse i ograniczenia dla rozwoju przedsiębiorstw pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

Nowe narzędzie open-source, Model Context Protocol (MCP), wprowadza standard umożliwiający integrację asystentów AI z kluczowymi systemami, takimi jak repozytoria treści, narzędzia biznesowe czy środowiska deweloperskie. Jest to pierwsze powszechnie dostępne rozwiązanie zapewniające bezpieczną i dwukierunkową komunikację między źródłami danych a narzędziami opartymi na sztucznej inteligencji.  Zachęcmy do lektury rozmowy z CEO Inero Software, Andrzejem Chybickim, w której szerzej omawiamy zastosowanie MCP w praktyce.  

 

Dzięki MCP aplikacje mogą dynamicznie dostosowywać swoje działanie do zmieniających się potrzeb użytkowników.

Marta Kuprasz: W jaki sposób Model Context Protocol (MCP) usprawnia zarządzanie kontekstem w czasie rzeczywistym? Czy pozwala aplikacjom dostosowywać działanie do zmieniających się potrzeb użytkowników? 

Andrzej Chybicki: Model Context Protocol wprowadza nowe podejście do zarządzania kontekstem, koncentrując się na standaryzacji integracji wiedzy organizacyjnej z dużymi modelami językowymi (LLM). Dotychczas wiedza w organizacjach była rozproszona i przechowywana w różnych formatach, co utrudniało efektywną współpracę z systemami AI. MCP jest pierwszym rozwiązaniem od strony dostawców LLM, które systematyzuje sposób łączenia tych danych z modelami, eliminując wcześniejsze ograniczenia wynikające z braku narzędzi ułatwiających przepływ informacji. 

Dzięki MCP aplikacje mogą dynamicznie dostosowywać swoje działanie do zmieniających się potrzeb użytkowników, korzystając z aktualnych, wielowarstwowych danych kontekstowych. Protokół umożliwia bardziej płynne i responsywne działanie systemów AI, ponieważ przełamuje dotychczasowe podejście skoncentrowane wyłącznie na optymalizacji samych modeli. MCP ułatwia integrację danych i aplikacji, co pozwala organizacjom lepiej wykorzystać zasoby wiedzy i oferować bardziej spersonalizowane doświadczenia użytkownikom. 

Sam standard MCP zapewnia bezpieczną komunikację między modułami.

MK: Jakie kluczowe cechy modularności i skalowalności MCP pozwalają na łatwą integrację z różnymi modelami i aplikacjami? 

AC: Jednym z kluczowych aspektów modularności i skalowalności MCP jest wykorzystanie gotowych komponentów, takich jak MCP Server i MCP Client, które znacznie upraszczają proces integracji. MCP Server może być zainstalowany na lokalnym komputerze czy na serwerze bazowym, umożliwiając dostęp do lokalnych zasobów, takich jak pliki czy bazy danych. Dzięki temu organizacje mogą łatwo włączyć istniejące dane do ekosystemu zarządzanego przez protokół MCP, bez potrzeby budowania złożonej infrastruktury od zera. 

Sam standard MCP zapewnia bezpieczną komunikację między modułami, wykorzystując mechanizmy oparte na protokole SSH. To oznacza, że wszystkie przesyłane dane są chronione, a proces komunikacji między klientem a serwerem jest w pełni zautomatyzowany i zgodny ze standardami bezpieczeństwa. MCP eliminuje konieczność ręcznego zarządzania kwestiami, takimi jak szyfrowanie czy uwierzytelnianie, pozwalając użytkownikom skupić się na wykorzystaniu danych, podczas gdy standard zapewnia niezawodną i bezpieczną wymianę informacji. 

Co więcej, społeczność open-source już zaczyna tworzyć narzędzia dedykowane do monitorowania MCP.

MK: Jakie mechanizmy monitorowania w czasie rzeczywistym oferuje MCP i w jaki sposób przyczyniają się one do lepszego zarządzania danymi oraz zwiększonej przejrzystości współdzielonych zasobów? 

AC: Sam dostawca platformy MCP nie dostarczył natywnych narzędzi do monitorowania MCP Server. Jednak dzięki otwartej architekturze tego rozwiązania możliwe jest wykorzystanie istniejących narzędzi i bibliotek open-source do konfiguracji logowania, rejestrowania błędów oraz monitorowania wydajności. Przykładowo, w Pythonie dostępne są liczne biblioteki, które można łatwo zaadaptować do monitorowania działania MCP Server. Dodatkowo, platformy takie jak Grafana (o której między innymi pisaliśmy tutaj), które pozwalają na wizualizację i analizę danych wydajnościowych, dostarczając praktycznych narzędzi do zarządzania. 

Co więcej, społeczność open-source już zaczyna tworzyć narzędzia dedykowane do monitorowania MCP. Przykładem jest repozytorium na GitHubie: https://github.com/tinybirdco/mcp-tinybird/tree/main/mcp-server-analytics, które oferuje rozwiązanie oparte na bibliotece TinyBird do analizy danych z MCP Server. Choć sami nie mieliśmy jeszcze okazji przetestować tego narzędzia, jego istnienie pokazuje, jak elastyczne i dostosowywalne może być MCP w obszarze monitorowania. Tego typu projekty wskazują na szerokie możliwości konfiguracji MCP, które umożliwią organizacjom pełne dopasowanie systemu do swoich potrzeb. 

Jedną z największych zalet MCP jest jego otwartość na integrację z popularnymi narzędziami.

MK: W jaki sposób MCP wspiera integrację z popularnymi narzędziami, takimi jak Google Drive, Slack czy GitHub, bez kompromisów w zakresie bezpieczeństwa danych? 

AC: Jedną z największych zalet MCP jest jego otwartość na integrację z popularnymi narzędziami, takimi jak Google Drive, Slack czy GitHub, bez kompromisów w zakresie bezpieczeństwa danych. Wraz z premierą MCP firma Anthropic udostępniła bogatą bazę przykładowych implementacji dostępnych na licencji MIT, którą można znaleźć w serwisie GitHub: modelcontextprotocol.io/examples. 

Dzięki tej otwartej bazie użytkownicy mogą szybko pobrać gotowe integracje, co znacznie przyspiesza proces wdrażania MCP w rzeczywistych zastosowaniach. Przykłady obejmują integracje z Google Drive czy Slackiem, ale także bardziej wyspecjalizowane rozwiązania, jak połączenia z Mapami Google, które otwierają nowe możliwości dla systemów LLM w logistyce, czy integracje z Dockerem, umożliwiające monitorowanie stanu kontenerów i ich logów za pomocą Claude’a. 

Dzięki modelom takim jak Claude i protokołom jak MCP, komputery zaczynają „rozumieć” informacje zawarte komunikacji typowej dla ludzi.

MK: Jakie są praktyczne korzyści dla użytkowników końcowych wynikające z zastosowania MCP? Poprawa adekwatności odpowiedzi modeli czy zwiększenie efektywności pracy systemów AI? 

AC: Obecnie znajdujemy się we wczesnej fazie adopcji rozwiązań opartych na dużych modelach językowych (LLM), czego próbą jest właśnie MCP. Tak naprawdę wiele organizacji i użytkowników końcowych dopiero stara się zrozumieć, jak optymalnie wykorzystać potencjał, jaki oferują technologie AI, zarówno w obszarze LLM, jak i w kierunku ogólnej AGI. Firmy eksperymentują z integracją AI w swoich procesach, próbują określić wymierne korzyści z wdrożeń oraz, co równie ważne, uczą się, jak skutecznie łagodzić potencjalne ryzyka związane z szerokim zastosowaniem tych technologii. Ten proces dotyczy całego ekosystemu – od dostawców i integratorów po użytkowników końcowych. 

Najbardziej przełomową zmianą, jaką przynosi MCP i technologie oparte na LLM, jest zmniejszenie bariery komunikacyjnej między człowiekiem a systemami IT. Dzięki modelom takim jak Claude i protokołom jak MCP, komputery zaczynają „rozumieć” informacje zawarte komunikacji typowej dla ludzi– w rozmowach, tekstach, obrazach, czy nawet gestach. To oznacza, że technologie IT będą mogły być wdrażane tam, gdzie wcześniej było to nieopłacalne lub wręcz niemożliwe, np. w niszowych branżach, lokalnych organizacjach czy nawet w domach. Z perspektywy użytkownika końcowego przekłada się to na bardziej adekwatne i użyteczne odpowiedzi od systemów AI, a także na wzrost efektywności pracy, dzięki możliwości współpracy z systemami w sposób bardziej intuicyjny i dostosowany do ludzkich potrzeb. Kto wie, być za parę lat nie będziemy mieli typowych interfejsów użytkownika *GUI) w postaci stron WWW, formatek i tabel a będziemy po prostu rozmawiali z komputerami nie tylko przez asystentów AI ale po prostu w większości rozwiązań IT.  

dr inż. Andrzej Chybicki

CEO Inero Software

IAM Sztuczna Inteligencja

Artykuł Andrzej Chybicki: Przełomową zmianą, którą przynosi MCP i technologie oparte na LLM, jest zmniejszenie bariery komunikacyjnej między człowiekiem a systemami IT pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

Wiele branż mierzy się z kryzysem. Spadająca liczba zamówień, wzrost płacy minimalnej i spadek atrakcyjności usług, to tylko kilka problemów, z którymi borykają się obecnie przedsiębiorcy. Planując strategię na 2025 rok, warto przyjrzeć się procesom w firmie i szukać optymalizacji, ponieważ paradoksalnie, spowolnienie gospodarcze może stanowić szansę na poprawę efektywności operacyjnej i rentowności, dzięki digitalizacji procesów. 

Digitalizacja jako narzędzie do zwiększenia efektywności

Jednym z kluczowych wyzwań w czasach spowolnienia jest konieczność zwiększenia efektywności i konkurencyjności przy jednoczesnym ograniczeniu zasobów. Digitalizacja procesów, czyli wykorzystanie nowoczesnych technologii do automatyzacji i usprawnienia codziennych operacji, może przynieść znaczące korzyści. Duży potencjał niesie ze sobą coraz szczersze zastosowanie narzędzi opartych o duże modele językowe.  

Przeczytaj także: “Case study: Deploying an AI-based solution at Farm Frites Poland.”

Spowolnienie gospodarcze jako impuls do zmian

W obliczu spowolnienia gospodarczego, władze firm mogą zastosować różne strategie. Są to na przykład działania na tzw. Przeczekanie, ograniczenie zatrudnienia czy zatrzymanie inwestycji. Nie brakuje jednak przedsiębiorstw, które ten trudny czas poświęcą na przegląd i optymalizację istniejących procesów oraz szukanie szans rozwoju. Przegląd istniejących procesów pomaga wyłapać obszary, które działają nieefektywnie i generują niewspółmiernie wysokie koszty. 

Inwestowanie w technologie w trudnych czasach może wydawać się ryzykowne, jednak to właśnie wtedy optymalizacja i automatyzacja procesów mogą przynieść największe korzyści. Firmy, które decydują się na digitalizację, mają większą szansę na wyjście z kryzysu silniejsze i bardziej konkurencyjne. 

Jak zacząć proces digitalizacji?

Digitalizacja procesów nie musi wiązać się z rewolucją. Z naszego doświadczenia wynika, że najlepsze efekty pozwala osiągnąć proces stopniowy, który zaczyna się od analizy obecnych działań i identyfikacji obszarów wymagających optymalizacji. Warto zastanowić się, które procesy generują najwięcej kosztów lub zajmują najwięcej czasu i zacząć od ich automatyzacji. 

Kluczowe etapy to:

• Analiza procesów biznesowych – Zrozumienie, które procesy można zautomatyzować i gdzie digitalizacja przyniesie największe korzyści. 

• Wybór odpowiednich narzędzi – Dedykowane rozwiązania, oparte o sieci neuronowe lub uczenie maszynowe, pomogą w automatyzacji powtarzalnych procesów i estymacji prognoz, co może znacząco usprawnić działanie firmy. 

• Szkolenie zespołu – Aby wdrożenie nowego rozwiązania przyniosło odpowiednie korzyści, warto zaangażować zespół w jego tworzenie, a następnie przygotować go do pracy z nowym narzędziem, aby w pełni wykorzystać jego potencjał.  

Jak analizować procesy w poszukiwaniu miejsca na innowację

Zanim zaczniemy wybierać narzędzia, należy stworzyć szczegółową mapę procesów, aby zrozumieć, jak przepływają informacje i zasoby w organizacji. Można to zrobić za pomocą diagramów przepływu, co pozwoli zidentyfikować różne etapy oraz punkty decyzyjne. Jeśli procesy mamy rozpisane, to warto sprawdzić, czy są one nadal aktualne, ponieważ w praktyce pewne elementy mogły ulec zmianie i działać inaczej niż na przykład 5 lat temu.  

Następnie warto zbadać każdy etap procesu pod kątem jego efektywności. Można to zrobić, zbierając dane o m.in. czasie realizacji, obsłudze reklamacji, kosztach logistyki, obsłudze stanów magazynowych czy satysfakcji klienta. Warto porównać te dane z najlepszymi praktykami w branży. Na tej podstawie będzie możliwa identyfikacja miejsc, w których występują opóźnienia lub nieefektywności. Wąskie gardła mogą ograniczać wydajność całego procesu, co stwarza okazję do wprowadzenia innowacji. 

Warto przyjrzeć się także działaniom konkurencji oraz aktualnym trendom rynkowym. Innowacje technologiczne, takie jak automatyzacja, sztuczna inteligencja czy big data, mogą przynieść znaczne korzyści.  

Na podstawie wiedzy zdobytej, podczas analizy można dokładnie określić cele, które chcemy osiągnąć. Nie wszystkie procesy można zautomatyzować od razu. Dlatego warto ustalić, które z nich mają największy wpływ na efektywność operacyjną lub generują największe koszty. Priorytetem powinny być te, które przyniosą najszybszy zwrot z inwestycji w digitalizację. 

Wprowadzenie nowego oprogramowania do firmy

Uzbrojeni w pełną wiedzę na temat procesów i obszarów, które chcemy usprawnić możemy rozpocząć poszukiwania najlepszego rozwiązania. Wybór narzędzi do digitalizacji jest kluczowy dla sukcesu całego procesu. Należy dopasować system do naszych celów, pamiętając o już istniejących rozwiązaniach, działających w organizacji. Warto, aby były one kompatybilne.  

Na rynku dostępnych jest wiele programów, które mogą pomóc w wielu obszarach. Są to m.in.: 

• Systemy ERP (Enterprise Resource Planning) – Zintegrowane systemy do zarządzania zasobami firmy (produkcja, finanse, logistyka, sprzedaż). 

• CRM (Customer Relationship Management) – Narzędzia do zarządzania relacjami z klientami, które automatyzują procesy sprzedażowe i marketingowe. 

• Automatyzacja pracy biurowej – Narzędzia do automatyzacji powtarzalnych zadań, np. obsługi faktur, raportowania czy rezerwacji zasobów. 

• Systemy zarządzania projektami – Platformy takie jak Trello, Jira czy Asana, które pomagają w koordynacji zadań i zespołów. 

Jeśli Twoja firma ma unikalne potrzeby, które nie są w pełni zaspokajane przez dostępne na rynku gotowe oprogramowanie, rozwój własnego systemu może być najlepszym rozwiązaniem. Posiadanie własnego systemu daje firmie pełną kontrolę nad jego funkcjami, rozwojem i bezpieczeństwem. Można go dostosować do zmieniających się potrzeb firmy, dodając nowe funkcje, integrując go z innymi narzędziami czy rozwijając jego funkcjonalność w miarę rozwoju firmy. 

Choć budowa własnego systemu wiąże się z wysokimi kosztami początkowymi, może to przynieść oszczędności w dłuższym okresie. Własny system pozwala uniknąć opłat licencyjnych, które często są związane z gotowym oprogramowaniem SaaS (Software as a Service) lub zakupem licencji. Dodatkowo, firma zyskuje niezależność od zewnętrznych dostawców, co może zmniejszyć ryzyko dodatkowych kosztów w przyszłości. 

Posiadanie własnego systemu może stanowić istotną przewagę konkurencyjną, jeśli pozwala na wprowadzenie unikalnych rozwiązań lub optymalizację procesów w sposób, którego konkurencja nie może łatwo skopiować. 

Narzędzia wykorzystujące sztuczną inteligencję

Narzędzia wykorzystujące Duże Modele Językowe (ang. Large Language Models) i oparte o nich rozwiązania takie jak ‘wirtualni asystenci’ błyskawicznie znalazły szerokie grono użytkowników korporacyjnych. Podstawową różnicą pomiędzy nimi a wcześniej stosowanymi czatbotami jest fakt, iż Ci pierwsi posiadają znacznie większy zasób wiedzy, są w stanie odpowiadać znacznie bardziej elokwentnie na pytania użytkowników, co więcej, potrafią “rozumieć” kontekst rozmowy i jej cel. Technologia oparta na sztucznej inteligencji pozwala zatem znacząco przyspieszyć rutynowe zadania, a tym samym usprawnić wiele procesów.  

Duży potencjał dla firm szukających optymalizacji niesie rozwój Czatbotów i wirtualnych asystentów. Oparte na AI są powszechnie wykorzystywane w obsłudze klienta. Dzięki nim firmy mogą automatyzować odpowiedzi na najczęściej zadawane pytania, obsługę zgłoszeń i pomoc techniczną, redukując tym samym obciążenie działów wsparcia. To pozwala firmom zredukować koszty pracy, a jednocześnie zapewnić szybszą reakcję na potrzeby klientów, co jest kluczowe w trudniejszych czasach. 

Programy oparte o AI, pozwalają analizować dane z łańcucha dostaw, identyfikować potencjalne przestoje, optymalizować trasy dostaw czy też zarządzać flotą pojazdów. Dzięki temu przedsiębiorstwa mogą szybciej reagować na zakłócenia, planować dostawy z większą precyzją oraz minimalizować koszty transportu. 

Wdrożenie narzędzia, wykorzystującego AI może pomóc w rekrutacji i zarządzaniu pracownikami poprzez automatyzację procesów takich jak selekcja CV, ocena kompetencji kandydatów, planowanie harmonogramów pracy, a także analitykę dotycząca wydajności zespołów. Automatyzacja takich procesów pozwala firmom działać sprawniej przy mniejszych zasobach. 

Przykład wdrożenia

Farm Frites Poland jest wiodącym producentem produktów ziemniaczanych, dostarczającym swoje wyroby m.in. do jednej z największych sieci fast food na świecie. Firma działa od ponad 30 lat, a jej siedziba znajduje się w Lęborku. Nowoczesny park maszynowy składa się z trzech linii produkcyjnych. Zatrudnia ponad 270 osób, a ilość ziemniaków wykorzystywanych do produkcji w ciągu roku przekracza 250 000 ton. 

Problem, jaki miał nasz klient, polegał na oszacowaniu wydajności produkcji na podstawie parametrów surowca, czyli ile finalnego produktu można uzyskać z danej ilości surowca, mówiąc prościej – ile frytek można otrzymać z ziemniaka. Okazuje się, że nie jest to łatwe pytanie. – mówi CTO Inero Software Waldemar Korłub 

Mając dobrze zdefiniowany zestaw parametrów, mogliśmy przejść do badań nad modelem. Przetestowaliśmy kilka różnych podejść z zakresu uczenia maszynowego, w tym modele regresji, drzewa decyzyjne oraz sieci neuronowe. Ostatecznie okazało się, że najlepsze wyniki osiągnęliśmy dzięki sieciom neuronowym, z średnim błędem na poziomie około 1,2% dla danych walidacyjnych. 

Model został wdrożony w infrastrukturze klienta. Dzięki wprowadzeniu tego rozwiązania możliwe było zminimalizowanie błędu prognoz do zaledwie 3%. Oznacza to, że dokładne szacunki mogą być dokonywane już na etapie kontraktowania dostaw surowców. 

Wstępne badania nad modelem zostały przeprowadzone na podzbiorze danych, a model, który okazał się najlepszy, został następnie wdrożony w infrastrukturze naszego klienta. Przeprowadziliśmy pełne szkolenie modelu, korzystając z kompletnego zestawu danych produkcyjnych z historycznych cykli produkcyjnych. Ostateczny model został wdrożony do produkcji, osiągając średni błąd kwadratowy poniżej 3% dla rzeczywistych cykli produkcyjnych. – podkreśla Waldemar Korłub  

Podsumowanie

Spowolnienie gospodarcze nie musi oznaczać stagnacji – może być impulsem do optymalizacji i zwiększenia efektywności dzięki digitalizacji procesów. Inwestycje w nowoczesne technologie pozwalają firmom nie tylko przetrwać trudniejsze czasy, ale także umocnić swoją pozycję rynkową. W efekcie organizacje wychodzą z kryzysu silniejsze, bardziej konkurencyjne i lepiej przygotowane na przyszłe wyzwania. 

Artykuł Spowolnienie gospodarcze a szansa na optymalizację działań dzięki digitalizacji procesów pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

Badania nad sztuczną inteligencją (AI) rozpoczęły się od chęci zrozumienia, czy i w jakim stopniu komputery mogą rozwiązywać problemy w sposób zbliżony do działania ludzkiego umysłu. Wiele z wczesnych prac związanych z AI skupiało się na tworzeniu modeli matematycznych i algorytmów, zdolnych do wykonywania zadań wymagających inteligencji, takich jak rozumowanie, uczenie się, percepcja czy używanie języka.

Rozwój dużych modeli językowych jest obecnie jednym z kluczowych tematów w obszarze nowych technologii, dlatego zachęcamy do zapoznania się z dalszą częścią tego artykułu, w którym znajdują się komentarze CEO Inero Software, Andrzeja Chybickiego, dotyczące ewolucji tego zagadnienia na przestrzeni ostatnich lat.

Przetwarzanie języka naturalnego. Nowe podejście do analizy danych

Techniki przetwarzania mowy, tekstu i obrazu są wykorzystywane w przemyślę i nauce od wielu lat. Stanowiły one podstawę produktów, opartych o tak zwane modele NLP (Natural Language Processing). To algorytmy, które potrafiły rozumieć poszczególne wyrazy, później mapować relacje pomiędzy poszczególnymi słowami i łączyć je w ciągi. Zaczęły rozumieć i odróżniać znaczenie tych samych słów w różnych ciągach (innymi słowy rozróżniały kontekst) po to, aby ostatecznie móc interpretować znaczenie całych zdań. Stwierdzenie, że modele NLP „rozumieją” język ma charakter nieco na wyrost, nie mniej jednak obecne modele językowe NLP są w stanie przypisać pojedyncze zdania do tzw. intentów (intencji) czyli rozróżnić ich znaczenie. Następnie, tworząc odpowiednie oprogramowanie, jesteśmy w stanie obsłużyć np. proste rozmowy, konwersacje czy odpowiadać na proste pytania – tak działały do tej pory czatboty.

 Aby zobrazować te liczbę, możemy ją porównać do przeczytania w ciągu paru sekund kilkusetstronicowej książki.

Słowa rosną w siłę: Duże modele językowe

LLM czyli Large Language Model, które powstają od kilku lat, stanowią przełom technologiczny, ponieważ nie działają już jako klasyfikatory intencji użytkownika, ale na podstawie wyuczonych zestawów podobieństw ciągów wejściowych i wyjściowych, potrafią znajdować związki pomiędzy dłuższymi ciągami słów (tokenów). Duże modele językowe potrafią już nie tylko analizować poszczególna zdania, ale także znacznie dłuższe teksty. Mówi się wtedy o długości kontekstu (lub okna kontekstu), które obecnie wynoszą nawet 128000 tokenów. Aby zobrazować te liczbę, możemy ją porównać do przeczytania w ciągu paru sekund kilkusetstronicowej książki.

Stopień rozumienia: Logika pod wieloma względami zbliżona do logiki człowieka

Studenci pytają czasami „czy komputery rozumieją tekst?”. Odpowiedź na to pytanie jest trudna, jeśli nie zdefiniujemy sobie znaczenia pojęcia „rozumienia”. Twórcy modeli językowych i naukowcy zajmują się tworzeniem różnych miar, kryteriów aby móc oceniać czy model „rozumie” dany problem. Niemniej jednak, w najprostszym podejściu możemy powiedzieć, że model rozumie dane zagadnienie jeśli odpowiedzi (ciągi słów), które generuje są zgodne z tym, jak odpowiedział by człowiek, ekspert w danej dziedzinie.

Sądzę, że w kontekście rozwoju technologii AI, powoli zaciera się różnica pomiędzy tym jak komunikują się ludzie (mowa, pismo) a komputery (protokoły, bazy danych). Wydaje się, że w niedalekiej przyszłości modele AI będą wspierały ludzi w coraz większej liczbie codziennych zadań. Będą w stanie automatycznie pobierać informacje, aby wysłać odpowiedź do klienta, podpowiadały pracownikom jaka jest odpowiedź na pytanie czy obsługiwały komunikację poprzez messangery.

Modele będą potrafiły przeglądać cały wachlarz informacji, w tym dokumentów i instrukcji, obejmujących na przykład zamówienia, maile, umowy czy faktury, potem wnioskować na ich podstawie, a następnie przekazywać pracownikowi gotowe dane, potrzebne do raportu, oferty lub innych działań operacyjnych.

Wirtualni asystenci: Czy pracownicy zyskają realną pomoc?

Wile wskazuje na to, że jest wspomaganie pracy przez AI to przyszłość dla wielu obszarów, jednak wciąż dostrzegam duży problem. Mimo tego, że cyfryzacja w ostatnich latach, głównie w czasie pandemii, mocno przyspieszyła, wiele firm i instytucji, nadal przetwarza dużą część informacji w formie nieustrukturyzowanej tj. w formie dokumentów, umów, instrukcji i wiadomości mailowych. Liczba informacji, z którą pracownicy mają codziennie do czynienia jest gigantyczna.

Docelowo modele będą potrafiły przeglądać cały wachlarz informacji, w tym dokumentów i instrukcji, obejmujących na przykład zamówienia, maile, umowy czy faktury, potem wnioskować na ich podstawie, a następnie przekazywać pracownikowi gotowe dane, potrzebne do raportu, oferty lub innych działań operacyjnych. Co więcej, potencjalnym obszarem wykorzystania będzie także walidacja i sprawdzanie dokumentów, analiza zależności pomiędzy dwoma różnymi dokumentami, albo kilkoma źródłami wiedzy.

Wirtualny asystent przyspieszy codzienną pracę

Przykładem może być sytuacja, w której do pracownika banku przychodzi wniosek o udzielenie kredytu wraz z załącznikami takimi jak potwierdzenie stanu konta, zatrudnienia, zeznanie PIT i inne. Obecnie pracownicy często muszą manualnie sprawdzać czy dane zawarte w takich dokumentach są ze sobą spójne np. czy podany we wniosku kredytowym numer PESEL zgadza się z tym na zaświadczeniu o zatrudnieniu. Czy numer konta bankowego zapisanego w podaniu jest prawidłowy oraz czy daty wystawionego zaświadczenia o przychodach są aktualne oraz wiele innych. Podobnie jest w sektorze ubezpieczeniowym, w których podczas wystawiania polisy trzeba manualnie sprawdzać numery VIN widniejące na dokumentach, dowodach rejestracyjnych i porównywać je z danymi o przeglądach, polisach itp.

Wdrożenie narzędzi opartych o model LLM do organizacji może przynieść wymierne korzyści w postaci  automatyzacji i zwiększania efektywności pracy. Błędem jest twierdzenie, że oprogramowanie może zastąpić pracownika. Może mu pomóc.  Analizując rynek europejski, dostrzegamy trendy demograficzne, wynikające ze starzenia się społeczeństwa i spadku dostępności wykwalifikowanych pracowników

Podsumowując. Modele przetwarzania języka naturalnego (NLP/LLM) coraz efektywniej wspierają ludzi w codziennych zadaniach przez automatyzację odpowiedzi na zapytania klientów, asystowanie pracownikom oraz zarządzanie komunikacją przez platformy. Te technologie nie tylko podnoszą efektywność pracy przez automatyzację rutynowych zadań, ale także umożliwiają zaawansowane operacje jak analiza dokumentów czy integracja danych, co przekłada się na szerokie zastosowania w różnych branżach i poziomach zawodowych.

Andrzej Chybicki, PhD Eng.

CEO, Inero Software Sp. z o. o.

email: andrzej.chybicki@inero.pl

Artykuł Andrzej Chybicki: Modele będą potrafiły błyskawicznie przeglądać całe repozytorium, a następnie przekazywać pracownikowi gotowe dane pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

Rozwój szeroko rozumianej sztucznej inteligencji nabiera tempa. Świadczy o tym powszechne zainteresowanie tą tematyką, a wraz z nim rosnąca liczba artykułów medialnych oraz publikacji. Tym co zwraca szczególną uwagę są dane, które obrazują, ile środków finansowych jest przeznaczanych na  inwestycje w technologie półprzewodnikowe, czyli możliwości obliczeniowe i pamięciowe nowych centrów danych AI. Wszystko wskazuje, że ten rozwój w najbliższych latach będzie bardzo dynamiczny.

Raporty takie jak „The Future of Jobs Report 2020” opracowany przez Światowe Forum Ekonomiczne oraz badania przeprowadzone przez firmę doradczą McKinsey & Company zawracają uwagę na dynamiczne zmiany na rynku pracy, które będą miały miejsce w najbliższych latach. Oba źródła zgodnie wskazują, że będziemy świadkami znaczących przemian w zakresie zawodów i obowiązków, wynikających z postępu technologicznego, automatyzacji oraz zmieniających się potrzeb gospodarczych i społecznych.

W artykule „Większość zawodów 2030 roku jeszcze nie została wynaleziona”[1] możemy przeczytać:

„IFTF, organizacja non-profit, która stara się identyfikować pojawiające się trendy i ich wpływ na globalne społeczeństwo, prognozuje, że wiele zadań, obowiązków i zawodów, które dzisiejsi młodzi ludzie będą pełnić w 2030 roku, jeszcze nie istnieje.”

źródło: https://www.voanews.com/a/most-of-2030-s-jobs-haven-t-been-invented-yet/4778002.html

Obecna sytuacja, z punktu widzenia kadry zarządzającej jest to nie lada  wyzwanie. To jak będą się kształtować relacje i obowiązki pomiędzy pracownikami różnych działów, znacząco zmieni sposób pracy wielu organizacji. Identyfikacja tych obszarów oraz ewentualnych konsekwencji wynikających z rewolucji AI będzie decydować o sukcesie w nadchodzących latach.

„W mojej ocenie, rozumienie możliwości jakie dają nowe technologie oraz ocena tego jak mogą usprawnić daną organizację, będzie kluczową umiejętnością menadżerską w najbliższej dekadzie. – Podkreśla CEO Inero Software Andrzej Chybicki

Wskazuje on na dwa sposoby rozwoju świadomości technologicznej przedsiębiorstw w zakresie AI:

Pierwszym jest eksploracja dostępnych na rynku produktów lub usług, które mogą być zastosowane jako gotowe rozwiązania. Decyzja o ich wdrożeniu zależeć będzie od stopnia, w jakim te rozwiązania mogą być dopasowane do specyficznych procesów wymagających optymalizacji i automatyzacji. Ważne jest jednak, aby być świadomym, że takie oprogramowanie jest dostarczane w formie pewnej „bryły”, którą trzeba nie tylko zaimplementować, ale również dostosować procesy wewnątrz organizacji, aby mogły efektywnie współpracować z nowo wdrożonym produktem.

Alternatywą jest tworzenze wewnętrznych rozwiązań opartych o AI, na które już teraz decydują się duże firmy. To na  przykład, projektowanie własnych modeli językowych, dopasowanych do  indywidualnych potrzeb i wymogów danego przedsiębiorstwa. To zwykle wielomilionowe  projekty, ale są też takie, które mogą zamknąć się w mniejszym budżecie.

Jedną z globalnych marek, która zdecydowała się stworzyć własny model LLM jest Amazon. Zadaniem modelu „Rufus” jest wsparcie potencjalnych klientów na każdym etapie ścieżki zakupowej. Celem jego wdrożenia jest asystowanie użytkownikom i optymalizacja procesu składania zamówień.

„W Inero stosujemy podejście produktowo- usługowe. Mając wiedzę jak się rozwiązuje pewne problemy, za pomocą naszych autorskich systemów jak DocQuality lub DeliverM8 – Freight Matching Platform, staramy się zaprezentować pewien szablon rozwiązania i jego potencjał. Następnie dostosowujemy go do konkretnych potrzeb i procesów realizowanych w strukturze firmy klienta, a nie na odwrót. Nasze produkty stanowią pewien szablon możliwości jakie dają nowe technologie.” – zaznacza Andrzej Chybicki

Jest to rozwiązanie, które ma w sobie dobre cechy podejścia produktowego, ale zarazem daje pewną elastyczność, wynikającą z podejścia usługowego, przy czym koszt jest zdecydowanie  bardziej przystępny. Jako przykład można wskazać aplikację DocsQuality, która wykorzystuje techniki uczenia maszynowego do kategoryzacji dokumentów i rozpoznawania nieczytelnych fragmentów plików. Program ten można w łatwy i szybki sposób zintegrować z wewnętrzną infrastrukturą klienta, optymalizując proces obiegu dokumentów o wykrywanie problematycznych dokumentów.

Podsumowując, rozwój sztucznej inteligencji w zarządzaniu przedsiębiorstwami niesie ze sobą przestrzeń dla innowacji. Wyzwania związane z adaptacją nowych technologii wymagają strategicznego podejścia, zarówno w kontekście implementacji gotowych rozwiązań, jak i tworzenia wewnętrznych systemów AI. Sukces w nadchodzącej dekadzie będzie zależał od zdolności menedżerskich w zrozumieniu i wykorzystaniu potencjału technologicznego oraz umiejętności zarządzania zmieniającym się zespołem, który będzie wymagał wdrożenia nowych narzędzi, dopasowanych do nowych zadań.

Artykuł Możliwości, które niesie rozwój i popularyzacja sztucznej inteligencji w zarządzaniu przedsiębiorstwami pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

Koniec roku to czas podsumowań. W świecie IT wydarzyło się wiele interesujących rzeczy, dlatego w tym artykule postanowiliśmy skupić się na AI. Rozwój sztucznej inteligencji i jej obecność w mediach przyspieszyły do niespotykanej dotąd skali. Narzędzia oparte na Large Language Models (LLM) zostały spopularyzowane i szeroko udostępnione użytkownikom z różnych branż, nie tylko technologicznych. Postanowiliśmy podsumować rok z Andrzejem Chybickim, CEO Inero Software. Oto jego lita 5 kluczowych wydarzeń mijającego roku.

Fakt 1: OpenAI – sztuczna inteligencja staje się powszechnie dostępna

OpenAI odegrało ogromną rolę w popularyzacji sztucznej inteligencji w kontekście zrozumienia ludzkiego języka. W 2022 roku wydali ChatGPT, a w kolejnych miesiącach prezentowali nowe, ulepszone modele. Te postępy nie tylko poprawiły wydajność istniejących aplikacji, ale również otworzyły nowe możliwości dla AI w ochronie zdrowia, administracji, marketingu i wielu innych.

W 2023 roku do ChatGPT wprowadzono wiele ulepszeń, charakteryzujących się zaawansowanymi algorytmami uczenia dla lepszej dokładności i bardziej zniuansowanych konwersacji, spersonalizowanymi interakcjami z użytkownikami, rozszerzonym wsparciem językowym dla globalnej dostępności oraz szerszą integracją z aplikacjami. OpenAI podkreślało kwestie etyczne i redukcję uprzedzeń, włączyło uczenie się w czasie rzeczywistym dla aktualnych treści, poprawiło możliwości interakcji multimedialnych, a także wzmocniło niezawodność i solidność narzędzia. Dodatkowo, ChatGPT został dostosowany do konkretnych branż, zapewniając specjalistyczne funkcjonalności i wiedzę, co stanowi znaczący skok w technologii AI i aplikacjach skoncentrowanych na użytkowniku.

Komentarz eksperta

Open AI był pierwszym szeroko rozpoznawalnym dużym modelem językowym. Zapewne w najbliższych latach będziemy widzieli różne odmiany modeli LLM, przeznaczone do specyficznych zastosowań – de facto to już od paru miesięcy się dzieje. OpenAI, mimo bycia pionierem, przynajmniej w aspekcie rozpoznawalności, nie zawsze jest uważane za najlepszy i najbardziej uniwersalny model. Kierunek rozwoju to na pewno upowszechnienie na podobnej zasadzie jak kiedyś było z komputerami (tj. LLM jak PC) oraz specjalizacja, czyli wyspecjalizowane modele językowe, przeznaczone do konkretnych zastosowań, albo nawet podmiotów czy ludzi.

Fakt 2: GitHub Copilot – lider w implementacji AI/LLM

Jedną z kluczowych ról w rozwoju sztucznej inteligencji odegrał Microsoft, współpracujący z OpenAI. W ciągu ostatniego roku Microsoft kontynuował doskonalenie swojej wizji Microsoft Copilot. Skupmy się na rozwiązaniu dla programistów: GitHub Copilot. W 2023 roku przeszedł on znaczące zmiany i ulepszenia. Oto kluczowe aktualizacje:

W 2023 roku GitHub Copilot wprowadził kilka znaczących ulepszeń, wzmacniając swoją rolę w rozwoju oprogramowania napędzanego przez AI. Chat GitHub Copilot,  jest teraz ogólnie dostępny i napędzany przez GPT-4 od OpenAI, oferuje bardziej precyzyjne sugestie i wyjaśnienia kodu, używając języka naturalnego, aby pomagać programistom w różnych językach. Ta funkcja jest zintegrowana zarówno z platformą GitHub, jak i jej aplikacją mobilną, wspierając kodowanie, żądania (pull requests) i dokumentację. Dodatkowo, wprowadzono GitHub Copilot Enterprise, dostosowując narzędzie do specyficznych potrzeb organizacyjnych, pomagając programistom szybko dostosować się do baz kodów swoich organizacji i usprawniając liczne zadania,  mając na celu zwiększenie produktywności i bezpieczeństwa na poziomie korporacyjnym. Został również uruchomiony Program Partnerski GitHub Copilot, integrując Copilot z różnymi narzędziami i usługami deweloperskimi, tworząc szeroki ekosystem, który wzmacnia możliwości programistów korzystających z AI. Na koniec GitHub ujawnił nowe funkcje zabezpieczeń oparte na AI w swoim pakiecie Advanced Security, w tym system zapobiegania lukom bezpieczeństwa w czasie rzeczywistym oraz posiada funkcje testowania bezpieczeństwa aplikacji, aby wykrywać i naprawiać luki w kodzie oraz tajemnice, dalej zabezpieczając proces tworzenia oprogramowania.

Komentarz Eksperta

Dzięki współpracy z OpenAI, Microsoft w 2023r. stał się liderem jeśli chodzi o wdrażanie rozwiązań AI/LLM na świecie. Strategia Microsoftu, w tym zakresie opiera się na stosowaniu modelu LLM do tego, aby wspierał (ale nie zastępował) możliwie dużą liczbę czynności i procesów wykorzystujących produkty Microsoft. Szczególne znaczenie miało także zapewnienie odpowiedniego poziomu SLA (uspójnionego z resztą usług Azure) oraz bezpieczeństwa danych. Do najistotniejszych zmian, oprócz wspominanego GitHub CoPilota (który ma za zadanie wspierać programistów w kodowaniu), można zaliczyć, wtyczki CoPilota dostępne w praktycznie wszystkich flagowych produktach tej firmy (Word, Excel, PowerPoint, Outlook).
W Grudniu 2023, nastąpiła także prezentacja rozwiązania CoPilot Studio, które umożliwia tworzenie systemów IT low-code / no-code z istotnym wsparciem modelu OpenAI. To w efekcie umożliwia łatwe rozbudowanie już istniejących w Azure rozwiązań low-code, takich jak np. Azure Agents z botami konwersacyjnymi czy adapterami do baz danych wspieranymi przez AI. Mimo ze CoPilot Studio na chwilę obecną nie jest dostępny w docelowej formie, Microsft jasno komunikuje kierunki rozwoju oraz to jakie zalety, wynikające z jego użycia mogą doświadczyć zarówno deweloperzy, inżynierowie jak i użytkownicy. Z prezentacji przedstawicieli MS można wysnuć wniosek iż, celem Microsoftu jest obniżenie progu wejścia w zakresie tworzenia oraz wdrażania nowych, zaawansowanych rozwiązań AI, gdyż wykorzystanie platform low-code nie wymaga tak głębokiej wiedzy technicznej jak w przypadku tradycyjnego kodowania. Możemy się spodziewać powszechnego zainteresowania tymi rozwiązaniami, nie tylko największych firm wykorzystujących MS Azure w najbliższych latach. Obecnie w gronie ekspertów, pytanie brzmi nie “czy używać AI” ale jak ją wdrożyć aby nie zostać w tyle za konkurencją. Te podmioty, które w najbliższych latach stworzą spójną strategię w zakresie wchłaniania produktów opartych o AI do swoich procesów będą mogły znacząco skorzystać na rewolucji która już ma miejsce.

Fakt 3: Europejski akt ws. sztucznej inteligencji

14 czerwca 2023 roku Parlament Europejski zajął pozycję negocjacyjną w sprawie sztucznej inteligencji. Priorytetem Parlamentu było zapewnienie, że systemy AI używane w UE są bezpieczne, przejrzyste, możliwe do śledzenia i niedyskryminujące. Parlament zaplanował również ustanowienie neutralnej technologicznie, jednolitej definicji AI, która mogłaby być stosowana do przyszłych systemów AI. Akt ustala różne zasady dla różnych poziomów ryzyka AI.

Niedopuszczalne ryzyko: Systemy AI o niedopuszczalnym ryzyku to systemy uznane za zagrożenie dla ludzi i będą zakazane. Należą do nich:

• Manipulacja poznawczo-zachowawcza osób lub konkretnych grup podatnych na wpływy: na przykład zabawki aktywowane głosem, które zachęcają dzieci do niebezpiecznych zachowań
• Ocena społeczna: klasyfikacja osób na podstawie zachowania, statusu socjoekonomicznego lub cech osobistych
• Systemy identyfikacji biometrycznej w czasie rzeczywistym i zdalnej, takie jak rozpoznawanie twarzy Niektóre
• wyjątki mogą być dozwolone: Na przykład „post” systemy zdalnej identyfikacji biometrycznej, gdzie identyfikacja następuje po znacznym opóźnieniu, będą dozwolone do ścigania poważnych przestępstw, ale tylko po zatwierdzeniu przez sąd.

Systemy AI niedopuszczalnego ryzyka

Systemy sztucznej inteligencji stwarzające niedopuszczalne ryzyko, czyli uważane za zagrożenie dla ludzi, zostaną zakazane. To m.in.:

• Poznawczo-behawioralna manipulacja ludźmi lub określonymi wrażliwymi grupami: na przykład zabawki aktywowane głosem, które zachęcają dzieci do niebezpiecznych zachowań.
• Identyfikacja biometryczna i kategoryzacja osób fizycznych.
• Scoring (klasyfikacja punktowa) obywateli: klasyfikacja ludzi na podstawie ich zachowań, statusu społeczno-ekonomicznego lub cech osobistych.
• Systemy identyfikacji biometrycznej działające w czasie rzeczywistym i zdalnie, takie jak rozpoznawanie twarzy.

Pewne wyjątki mogą być dopuszczalne do celów egzekwowania prawa. Systemy zdalnej identyfikacji biometrycznej działające w czasie rzeczywistym będą dozwolone w ograniczonej liczbie poważnych przypadków, natomiast systemy identyfikujące ze znacznym opóźnieniem będą mogły być używane do ścigania poważnych przestępstw, ale wyłącznie po zgodzie sądu.

Systemy AI wysokiego ryzyka

Systemy sztucznej inteligencji negatywnie wpływające na bezpieczeństwo lub prawa podstawowe będą uznane za systemy wysokiego ryzyka.

Zostaną podzielone na dwie kategorie:

1) Systemy sztucznej inteligencji stosowane w produktach objętych unijnymi przepisami dotyczącymi bezpieczeństwa produktów. To np. zabawki, lotnictwo, samochody, urządzenia medyczne i windy.

2) Systemy sztucznej inteligencji należące do ośmiu konkretnych obszarów, które będą musiały zostać zarejestrowane w unijnej bazie danych:

• Zarządzanie i eksploatacja infrastruktury krytycznej.
• Edukacja i szkolenie zawodowe.
• Zatrudnienie, zarządzanie pracownikami i dostęp do samozatrudnienia.
• Dostęp do i korzystanie z podstawowych usług prywatnych oraz usług i korzyści publicznych.
• Ściganie przestępstw.
• Zarządzanie migracją, azylem i kontrolą granic.
• Pomoc w interpretacji prawnej i stosowaniu prawa.

Wszystkie systemy AI wysokiego ryzyka będą oceniane przed wprowadzeniem na rynek, a także przez cały cykl ich życia.

*źródło https://www.europarl.europa.eu/news/pl/headlines/society/20230601STO93804/akt-ws-sztucznej-inteligencji-pierwsze-przepisy-regulujace-ai

Komentarz Eksperta:

Zapewnienie bezpieczeństwa oraz poufności danych to z pewnością jedna najistotniejszych kwestii dotyczących wdrażania rozwiązań AI. Liczni eksperci wskazują, że mimo dobrych intencji komisji Europejskiej, proponowane rozwiązania przyczynią się do zmniejszenia konkurencyjności rodzimego rynku twórców AI, co w efekcie zwiększy dystans pomiędzy Europą a liderami w tej dziedzinie (tj. USA i Chinami). Osobiście podzielam te obawy, tutaj dobrym przykładem może być analogiczna sytuacja jaka miała miejsce ok. 15 lat temu, kiedy wdrażana była chmura obliczeniowa. Wtedy w EU też powstał akt regulujący zasady dostępu i poufności danych (GDPR) który do tej pory jest podstawą regulacyjną w tym zakresie. Jednocześnie, największe rozwiązania, z których większość krajów EU korzysta to rozwiązania wytworzone w USA, dla których priorytetem był swobodny rozwój technologii a dopiero w drugiej kolejności ramy prawne. Niestety, wiele wskazuje na to że podobnie może być jeśli chodzi o AI.

Fakt 4: Gemini: nowy model od Google

Bez wątpienia premiera Gemini była najważniejszym wydarzeniem drugiej połowy 2023 roku, które odbiło się szerokim echem. Te nowe narzędzie jest wynikiem współpracy licznych zespołów Google. Zostało zbudowane od podstaw jako multimodalne, co oznacza, że ​​może generalizować i bezproblemowo rozumieć, łączyć różne rodzaje informacji, w tym tekst, kod, audio, obraz i wideo.

Gemini 1.0 zostało przeszkolone do rozpoznawania i rozumienia tekstu, obrazów, dźwięku jednocześnie, dzięki czemu lepiej rozumie złożone informacje i może odpowiadać na pytania, dotyczące skomplikowanych tematów. To sprawia, że ​​jest szczególnie dobre w wyjaśnianiu rozumowania w złożonych dziedzinach, takich jak matematyka i fizyka.

Podczas prezentacji dotyczącej wydania API Gemini dla deweloperów dużo czasu poświęcono AI Studio, narzędziu do tworzenia kodu. Drugim głównym tematem był Vertex AI, bardziej zaawansowany program, który umożliwia „zarówno szkolenie, jak i wdrażanie modeli uczenia maszynowego (ML) i aplikacji AI”. Google oferuje możliwość przeniesienia wstępnego projektu opracowanego w AI Studio do Vertex AI, aby dodać dodatkowe funkcje dostępne w ramach większej platformy Google Cloud.

Komentarz Eksperta:

Do wyścigu LLM oficjalnie dołączył Google. Najciekawszym aspektem tego co proponuje jest to, że ich model będzie działał w trzech wersjach Ultra (najbogatszej), Pro oraz Nano, przy czym ta ostatnia będzie przeznaczona do działania na telefonach komórkowych. Nie wiemy jeszcze czy Nano będzie w całości uruchamiany na urządzeniach klienckich (smartfonach) czy będzie jedynie swego rodzaju rozwinięciem Google Asisstant.
Warto tez podkreślić, że Google, podobnie jak Microsoft, będzie oferował usługi Gemini jako elementy swoich flagowych produktów takich jak SpreadSheets, Google Docs oraz inne.

Fakt 5: Postępy w przetwarzaniu języka naturalnego (NLP)

Rok 2023 był przyniósł znaczący postęp w dziedzinie przetwarzania języka naturalnego (NLP). Badacze i firmy na całym świecie poczynili znaczne kroki w poprawie dokładności i wszechstronności modeli NLP. Te postępy doprowadziły do bardziej zaawansowanego rozumienia i generowania ludzkiego języka przez maszyny, otwierając drogę do bardziej intuicyjnych i naturalnych interakcji człowieka z komputerem. W tym roku nastąpiło wdrożenie zaawansowanych technologii NLP w różnych aplikacjach, od chatbotów obsługi klienta po złożone narzędzia analizy danych, rewolucjonizując sposób, w jaki codziennie wchodzimy w interakcje z technologią. Postęp w technologii NLP nie tylko wzmocnił istniejące aplikacje, ale również otworzył nowe możliwości dla AI w takich dziedzinach jak edukacja, tworzenie treści i komunikacja wielojęzyczna.

Komentarz Eksperta:

Technologie AI coraz śmielej przełamują barierę rozumienia języka naturalnego. Tym samym powoli zaciera się granica pomiędzy danymi ustrukturyzowanymi jakie do tej pory używaliśmy w systemach IT a wiedzą ludzką. Wydaje się stworzenie AGI czyli maszyny dorównującej albo nawet przewyższającej przeciętnego człowieka w wielu aspektach jest już tylko kwestią czasu. Wyzwaniem dla świata nauki, biznesu i polityków będzie teraz pokierowanie rozwojem AI tak, aby służył on możliwie szeroko rozumianej ludzkości i nie powodował zagrożeń, których wielu (prawdopodobnie) słusznie się obawia.

Ostatnie miesiące były bogate w interesujące premiery w dziedzinie sztucznej inteligencji. Prezentacja nowych dużych modeli językowych, otworzyła szereg możliwości ich zastosowania w codziennych zadaniach, zarówno w pracy programistycznej, jak i w kreatywnych zespołach. Europejskie władze starają się nadążyć za tymi zmianami i dostosować przepisy prawne do aktualnej sytuacji technologicznej. W nadchodzących miesiącach z pewnością zobaczymy więcej nowości, ponieważ wiodący gracze, tacy jak Google i Microsoft, rywalizują w tworzeniu rozwiązań wykorzystujących sztuczną inteligencję.

Artykuł Rok pod znakiem upowszechnienia Sztucznej Inteligencji pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.