Digitalizacja - Inero Software - Rozwiązania IT i Konsulting https://inero-software.com/pl/tag/digitalizacja/ Tworzymy cyfrowe innowacje Mon, 26 May 2025 09:01:23 +0000 pl-PL hourly 1 https://wordpress.org/?v=6.9.1 https://inero-software.com/wp-content/uploads/2018/11/inero-logo-favicon.png Digitalizacja - Inero Software - Rozwiązania IT i Konsulting https://inero-software.com/pl/tag/digitalizacja/ 32 32 153509928 Gotowość technologiczna przedsiębiorstwa. Jak określić czy Twoja firma jest gotowa na wdrożenie nowej technologii https://inero-software.com/pl/gotowosc-technologiczna-przedsiebiorstwa-jak-okreslic-czy-twoja-firma-jest-gotowa-na-wdrozenie-nowej-technologii/ Wed, 21 May 2025 11:48:05 +0000 https://inero-software.com/?p=8018 Gotowość technologiczna przedsiębiorstwa to szerokie pojęcie, obejmujące infrastrukturę IT, kompetencje zespołu, dojrzałość procesów biznesowych, gotowość organizacyjną do zmian oraz zgodność z regulacjami prawnymi i politykami bezpieczeństwa.

Artykuł Gotowość technologiczna przedsiębiorstwa. Jak określić czy Twoja firma jest gotowa na wdrożenie nowej technologii pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]>

W publikacji „Intelligent Agents in AI Really Can Work Alone. Here’s How.” przygotowanej przez Gartner, autorzy przewidują, że do 2028 roku 33% aplikacji biznesowych będzie wykorzystywać agentyczną sztuczną inteligencję, w porównaniu do mniej niż 1% w roku 2024. Umożliwi to autonomiczne podejmowanie aż 15% codziennych decyzji operacyjnych. Czy Twoja firma jest przygotowana, by z tych zmian skorzystać? 

Gotowość technologiczna przedsiębiorstwa to szerokie pojęcie, obejmujące infrastrukturę IT, kompetencje zespołu, dojrzałość procesów biznesowych, gotowość organizacyjną do zmian oraz zgodność z regulacjami prawnymi i politykami bezpieczeństwa. Jeśli firma planuje wdrożenie systemu klasy ERP, narzędzia do zarządzania tożsamością (IAM) czy rozwiązań opartych o sztuczną inteligencję, potrzebuje solidnej podstawy technicznej i operacyjnej. 

Jak ocenić gotowość technologiczną przedsiębiorstwa?

Aby rzetelnie określić gotowość technologiczną przedsiębiorstwa, warto przeprowadzić ocenę w kilku kluczowych obszarach. Proces ten przypomina audyt, który pozwala odpowiedzieć na pytanie: czy firma jest przygotowana na skuteczne wdrożenie i wykorzystanie nowej technologii.  

Infrastruktura IT

Ocena infrastruktury IT powinna być poprzedzona dokładnym określeniem wymagań nowej technologii. To one definiują, jakie zasoby będą niezbędne – zarówno pod względem wydajności, jak i architektury, bezpieczeństwa czy dostępności. 

Dopiero mając specyfikację technologiczną, można rzetelnie ocenić, czy obecne środowisko IT jest w stanie spełnić te wymagania. Jeśli zastanawiasz nad wprowadzeniem do organizacji narzędzi opartych na sztucznej inteligencji i chcesz wiedzieć dokładnie jakie koszty są związane z wdrożeniem i utrzymaniem dużego modelu językowego, to koniecznie poznaj naszą najnowszą analizę.  

Ile kosztuje wdrożenie i utrzymanie modelu LLM w firmie? Szczegółowa analiza

Zarządzanie i dostępność danych

Ocena zarządzania danymi powinna rozpocząć się od określenia, jakie dane będą wykorzystywane przez wdrażaną technologię, w jakim formacie, z jaką częstotliwością oraz z jakich źródeł. To wymagania systemu definiują, jakie dane są potrzebne i w jakiej formie muszą być dostępne. 

 

Dopiero na tej podstawie można stwierdzić, czy dane w organizacji są gotowe do użycia. Należy zweryfikować, czy istnieją techniczne możliwości pobierania danych ze źródeł (np. API, pliki wymiany danych), czy dane mają ujednoliconą strukturę i czy spełniają minimalne kryteria jakościowe. Brak spójności, duplikaty, niepełne rekordy lub niestrukturalne dane mogą wymagać dodatkowego etapu przetwarzania, zanim zostaną wykorzystane. 

 

Istotna jest również dostępność organizacyjna – dane muszą być dostępne nie tylko technicznie, ale też zgodnie z wewnętrznymi zasadami i przepisami. W przypadku danych wrażliwych należy potwierdzić, że ich udostępnienie jest zgodne z polityką bezpieczeństwa i przepisami takimi jak RODO. 

Jeśli planowana technologia zakłada integrację wielu źródeł, analizę w czasie rzeczywistym lub przetwarzanie dużych wolumenów danych, konieczne może być przygotowanie osobnej warstwy integracyjnej lub reorganizacja sposobu zarządzania danymi w firmie. 

Przygotowanie i szkolenie zespołu

Ocena gotowości zespołu powinna być poprzedzona analizą kompetencji wymaganych do obsługi wdrażanej technologii. W zależności od rodzaju rozwiązania może to obejmować zarówno umiejętności techniczne (np. konfiguracja systemów, analiza danych), jak i operacyjne (np. znajomość procesów, interpretacja wyników działania systemu). 

Dopiero mając zdefiniowany zakres ról i zadań w nowym środowisku, można ocenić, czy zespół posiada odpowiednie kwalifikacje, czy też konieczne będzie uzupełnienie wiedzy. Może to oznaczać przeprowadzenie szkoleń, zaangażowanie zewnętrznych ekspertów lub czasowe wsparcie dostawcy technologii. 

Szczególną uwagę należy zwrócić na osoby odpowiedzialne za utrzymanie i rozwój systemu – to one powinny z wyprzedzeniem poznać jego architekturę, model danych, scenariusze awaryjne oraz sposób zarządzania dostępem. W przeciwnym razie nowa technologia stanie się tzw. „czarną skrzynką”, co zwiększa ryzyko błędów operacyjnych i utrudnia dalsze usprawnienia. 

Przygotowanie zespołu nie powinno być działaniem jednorazowym. Warto zaplanować również działania po wdrożeniu – w tym mentoring, dokumentację wewnętrzną oraz systematyczne rozwijanie kompetencji w obszarach, które technologia będzie wspierać. 

Jak mierzyć gotowość przedsiębiorstwa?

Ocena gotowości technologicznej powinna być traktowana jako proces. Najbardziej efektywnym podejściem jest zaplanowanie roadmapy działań przygotowawczych, a następnie mierzenie postępów w oparciu o jasno określone etapy i kryteria oceny. 

Roadmapa powinna zawierać kluczowe obszary, takie jak: infrastruktura IT, dostępność danych, przygotowanie zespołu, integracja systemów, zarządzanie zmianą i zgodność z regulacjami. Dla każdego z tych obszarów warto określić wymagania docelowe oraz stan obecny. To pozwala nie tylko oszacować poziom gotowości, ale również zidentyfikować konkretne przeszkody i słabe ogniwa, które mogą utrudnić wdrożenie. 

Ocena krok po kroku – na bazie harmonogramu i zadań przypisanych do poszczególnych zespołów – pozwala na bieżąco weryfikować, czy firma przesuwa się w stronę operacyjnej gotowości. Takie podejście minimalizuje ryzyko nieplanowanych opóźnień i kosztów, ponieważ ewentualne problemy są wychwytywane wcześniej, zanim przejdzie się do właściwego etapu wdrożeniowego. 

Gotowość technologiczna nie sprowadza się do jednego wyniku końcowego. To suma wielu elementów – technicznych, organizacyjnych i kompetencyjnych – które powinny być oceniane w kontekście konkretnego wdrożenia i jego wymagań. 

Jak my to robimy

W pracy z klientami przy wdrażaniu nowych aplikacji i systemów zawsze zaczynamy od rozmowy o kontekście biznesowym i rzeczywistych potrzebach organizacji. Nie rekomendujemy gotowych rozwiązań bez analizy – pomagamy zrozumieć, jakie technologie mają szansę realnie usprawnić procesy, a które mogą generować niepotrzebne koszty i komplikacje. 

Bazując na naszych doświadczeniach z projektami IT realizowanymi w różnych branżach, doradzamy krok po kroku: od etapu planowania, przez ocenę gotowości, po właściwe wdrożenie i stabilizację. Dbamy o to, aby technologia była dopasowana do możliwości organizacji i rzeczywiście wspierała jej rozwój operacyjny, a nie stawała się dodatkowym obciążeniem. 

Dobrze zaplanowane wdrożenie to takie, które kończy się nie tylko uruchomieniem aplikacji, ale przede wszystkim osiągnięciem zakładanych efektów biznesowych. 

Artykuł Gotowość technologiczna przedsiębiorstwa. Jak określić czy Twoja firma jest gotowa na wdrożenie nowej technologii pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]> 8018 Ile kosztuje wdrożenie i utrzymanie modelu LLM w firmie? Szczegółowa analiza https://inero-software.com/pl/ile-kosztuje-wdrozenie-i-utrzymanie-modelu-llm-w-firmie-szczegolowa-analiza/ Tue, 13 May 2025 09:16:26 +0000 https://inero-software.com/?p=7958 Rozważając wprowadzenie sztucznej inteligencji do firmy, warto wiedzieć, jakie koszty wiążą się z wdrożeniem i utrzymaniem własnego modelu LLM. Wydatki nie sprowadzają się wyłącznie do opłat za wykorzystanie modelu (np. za tokeny w API), ale obejmują szereg czynników – od infrastruktury po bezpieczeństwo. Poniżej omawiamy rodzaje kosztów korzystania z dedykowanych LLM,…

Artykuł Ile kosztuje wdrożenie i utrzymanie modelu LLM w firmie? Szczegółowa analiza pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]>

Rozważając wprowadzenie sztucznej inteligencji do firmy, warto wiedzieć, jakie koszty wiążą się z wdrożeniem i utrzymaniem własnego modelu LLM. Wydatki nie sprowadzają się wyłącznie do opłat za wykorzystanie modelu (np. za tokeny w API), ale obejmują szereg czynników – od infrastruktury po bezpieczeństwo. Poniżej omawiamy rodzaje kosztów korzystania z dedykowanych LLM, a także przedstawiamy przykładowe kalkulacje dla popularnych modeli (GPT-4, Claude, Mistral, LLaMA itp.), w tym scenariusze użycia w firmie.  

Coraz więcej firm rozważa wykorzystanie dużych modeli językowych (LLM – Large Language Models) we własnych produktach i procesach. Takie „dedykowane” modele mogą działać jako inteligentni asystenci: odpowiadać na pytania klientów, analizować dokumenty, generować raporty i wiele więcej. Wiecej przeczytasz o tym tutaj.  

 

Rodzaje kosztów przy korzystaniu z LLM

Przed rozpoczęciem wdrożenia warto poznać wszystkie elementy, które składają się na pełny koszt korzystania z dedykowanego modelu.  

Infrastruktura:

Jeśli korzystasz z modeli przez chmurowe API (OpenAI, Anthropic, Google): płacisz wyłącznie za zużyte tokeny. Koszt infrastruktury jest „ukryty” po stronie dostawcy. 

Jeśli z kolei zdecydujesz się na self‑hosting wybranego modelu, np. Mistral, LLaMA, musisz utrzymać serwer GPU (lokalnie lub w chmurze). Przykładowo, wynajęcie instancji z kartą A100 to koszt rzędu  $1 – 2 za godzinę, czyli  $750 do 1 500 na miesiąc przy ciągłym działaniu serwera. Taka inwestycja może obsłużyć wiele zapytań, ale przy małej skali obciążenia może okazać się niewykorzystana. 

Licencje i opłaty za modele

Modele komercyjne wiążą się z opłatami licencyjnymi lub abonamentowymi. Na przykład korzystając z API GPT-4 od OpenAI czy Claude od Anthropic, płacimy za każdy użyty token według cennika dostawcy (szczegóły kosztów za tokeny przedstawiamy w dalszej części).  Z drugiej strony, dostępne są otwartoźródłowe modele jak LLaMA czy Mistral, które można używać za darmo – nie ma opłaty za licencję ani za tokeny. Meta udostępniła np. model LLaMA 2 na licencji pozwalającej firmom na swobodne użycie bez opłat. “Za darmo” nie oznacza jednak braku kosztów – wówczas płacimy za infrastrukturę i prąd potrzebny do ich uruchomienia (jak wspomniano wyżej). Warto też sprawdzić ograniczenia licencyjne: niektóre otwarte modele mogą mieć pewne warunki użytkowania (np. zakaz użycia w określonych branżach). 

Adaptacja i dostosowanie modelu

Aby model LLM dobrze sprawdzał się w konkretnej firmie, często wymaga on dostosowania – np. dodatkowego treningu (fine-tuning) na firmowych danych lub przynajmniej przygotowania odpowiednich promptów (tzw. prompt engineering). Adaptacja może generować znaczące koszty: 

    • Fine-tuning modelu: Trenowanie modelu na własnym zbiorze danych wymaga mocy obliczeniowej (GPU przez wiele godzin) i wiedzy specjalistów. Dla dużych modeli może to kosztować od kilku do kilkudziesięciu tysięcy dolarów, biorąc pod uwagę zarówno opłaty za maszyny, jak i czas pracy ekspertów. Nawet fine-tuning mniejszego modelu (np. GPT-3.5) przez API OpenAI to koszt zużycia setek tysięcy czy milionów tokenów podczas treningu (liczonych również według stawek za token). 
    • Inżynieria promptów: Alternatywą lub uzupełnieniem treningu jest przygotowanie odpowiednich zapytań i instrukcji dla modelu. Choć samo tworzenie promptów nie wymaga płatnych zasobów, to jednak iteracyjne testowanie wielu wersji zapytań też zużywa tokeny (koszt w przypadku modelu w chmurze) i czas pracy zespołu. Można to traktować jako koszt operacyjny lub koszt kompetencji – potrzebny jest czas specjalisty, by zoptymalizować działanie modelu pod nasze potrzeby. 

Koszty operacyjne

Po wdrożeniu modelu dochodzą bieżące koszty operacyjne. Obejmują one monitorowanie działania modelu, utrzymanie wydajności, logowanie wyników, aktualizacje i ewentualne naprawy błędów. Jeśli korzystamy z API, kosztem operacyjnym będzie głównie miesięczny rachunek za wykorzystane tokeny oraz ewentualny abonament za dostęp premium (niektórzy dostawcy oferują plany subskrypcyjne z określonym limitem lub stawkami). Jeśli model jest hostowany lokalnie, do kosztów operacyjnych zaliczamy: 

    • Energie elektryczną zużywaną przez serwery (przy modelach GPU może to być niebagatelna kwota miesięcznie), 
    • Administrację systemem – czas administratorów na utrzymanie serwera, wykonywanie kopii zapasowych, aktualizacje oprogramowania (np. bibliotek AI), 
    • Skalowanie infrastruktury w razie zwiększenia obciążenia – może zajść potrzeba dokupienia dodatkowych maszyn lub instancji chmurowych, co wiąże się z kolejnymi kosztami. 
    • Wysoka dostępność – jeśli asystent LLM ma działać 24/7 bez przerw, być może trzeba zainwestować w redundantne zasoby (zapasowe serwery na wypadek awarii) lub w umowę SLA z dostawcą chmury. 

Kompetencje zespołu

Wdrożenie LLM wymaga odpowiednich kompetencji w zespole IT/Danych. Jeśli w firmie brakuje doświadczenia z AI, może być konieczne przeszkolenie pracowników lub zatrudnienie nowych specjalistów (np. inżyniera ML czy MLOps). To wiąże się z dodatkowymi kosztami rekrutacji lub szkoleń. Alternatywnie, firmy czasem korzystają z konsultantów lub usługodawców zewnętrznych do wdrożenia modelu – co również generuje koszty (najczęściej jednorazowe za projekt wdrożeniowy, ale nierzadko znaczące). Warto uwzględnić też czas poświęcony przez zespół na integrację modelu z istniejącymi systemami (np. połączenie modelu z bazą danych, z aplikacją użytkownika itp.) – jest to koszt czasu pracy, który w małych projektach bywa pomijany, a w praktyce może być istotny. 

Powyższe kategorie pokazują, że całkowity koszt posiadania dedykowanego rozwiązania opartego o LLM to nie tylko opłata za dostęp do modelu. Warto je wszystkie przeanalizować przed podjęciem decyzji. W dalszej części przejdziemy do konkretnych liczb: ile kosztuje pojedyncze zapytanie (prompt) do różnych popularnych modeli oraz ile wyniosłoby utrzymanie prostego asystenta LLM w dwóch przykładowych zastosowaniach biznesowych. 

Koszt jednego zapytania w popularnych modelach LLM

Modele językowe rozliczane są zazwyczaj w oparciu o liczbę tokenów. Token to mały fragment tekstu – może odpowiadać pojedynczemu słowu lub jego części (przykładowo, 1000 tokenów odpowiada mniej więcej 750 słowom ciągłego tekstu). Dostawcy API podają ceny w przeliczeniu na 1 tys. tokenów lub milion tokenów. Poniżej zestawiamy orientacyjne koszty przetworzenia 1000 tokenów dla wybranych, popularnych modeli LLM: 

Porównanie modeli LLM
Model LLM Dostęp / Licencja Koszt za 1000 tokenów Uwagi
GPT-3.5 Turbo (OpenAI) API w chmurze (model chat dostępny np. w ChatGPT) $0,0015 (wejście)
$0,0020 (wyjście)
  • Bardzo niski koszt – 16k tokenów + płatne rozszerzenie do 128k
  • Dobre jakość odpowiedzi
GPT-4 (8k) API w chmurze (OpenAI) $0,08 (wejście)
$0,16 (wyjście)		 Wysoka jakość; wysoki koszt
GPT-4 Turbo (128k) API w chmurze (OpenAI) $0,01 (wejście)
$0,03 (wyjście)
  • Bezpieczny duży kontekst (do 128k tokenów)
  • Tańszy (niewiele droższy niż GPT-4)
Claude Instant v1.2 API w chmurze (Anthropic) $0,0008 (wejście)
$0,0024 (wyjście)
  • Szybki, tańszy model Claude (odpowiednik GPT-3.5)
Claude 2 (100k) API w chmurze (Anthropic) $0,008 (wejście)
$0,024 (wyjście)
  • Wysokiej jakości model od Anthropica; kontekst do 100k tokenów
Mistral 7B Open source (darmowy model) 50 ttoken (opłat za tokeny)
  • Trzeba samodzielnie hostować
  • Alternatywa dla GPT-3.5 – niskie wymagania (można uruchomić nawet <1M tokenów)
LLaMA 2 13B Open source (darmowy model) 50 ttoken (opłat za tokeny)
  • Samodzielny hosting
  • Wymaga mocniejszego sprzętu (np. 2x 24GB GPU) niż 7B, ale nadal dostępny dla wielu firm
LLaMA 2 70B Open source (darmowy model) 50 ttoken (opłat za tokeny)
  • Samodzielny hosting
  • Wymaga kosztownego infrastruktury (np. 8x 80GB GPU)
  • Przy takiej skali koszt może zbliżać się lub nawet kilkukrotnie przekraczać model np. GPT-4

Legenda: jak liczone są koszty tokenów

    • Tokeny wejściowe („wejście”) – to słowa zawarte w zapytaniu użytkownika (prompt).

    • Tokeny wyjściowe („wyjście”) – to słowa wygenerowane przez model w odpowiedzi (completion).

W przypadku większości komercyjnych dostawców, koszt naliczany jest osobno dla wejścia i wyjścia. Przykład:

    • GPT-4 Turbo:

      • 1000 tokenów wejściowych: $0,03

      • 1000 tokenów wyjściowych: $0,06

      • Przy dialogu zawierającym łącznie 1000 tokenów (np. 500 wejścia + 500 wyjścia), koszt to około $0,045.

      • Dla uproszczenia można przyjąć, że interakcja o wielkości 1000 tokenów kosztuje około $0,09.

Dla porównania:

    • GPT-3.5 Turbo – koszt podobnego 1000-tokenowego dialogu to tylko około $0,0035 (czyli 0,35 centa).

    • Modele open-source (np. Mistral, LLaMA) – koszt tokenów wynosi $0, ponieważ modele działają lokalnie. Ponosimy jedynie koszty związane z infrastrukturą (zużycie energii, czas działania serwera itp.).

Otwartoźródłowe modele (Mistral, LLaMA itp.) kuszą brakiem opłat za sam model – można generować dowolne ilości tokenów nie płacąc dostawcy modelu ani centa. Jednakże, aby te modele działały, musimy utrzymywać własną infrastrukturę. Przy niewielkiej skali użycia może się okazać, że koszt wynajmu maszyny na jedno zapytanie będzie nawet wyższy niż zapłata za pojedyncze wywołanie API GPT. Z drugiej strony, przy dużej skali (bardzo wielu zapytaniach dziennie) wykorzystanie open-source może okazać się dużo bardziej opłacalne. Podsumowując, opłacalność zależy od scenariusza użycia, o czym opowiemy w kolejnym punkcie. 

Przykładowe koszty wdrożenia asystenta LLM (100 zapytań dziennie)

Rozważmy teraz praktyczny scenariusz: Twoja firma chce wdrożyć prostego wirtualnego asystenta opartego na LLM, który wykonuje jedno z zadań: 

    • Analiza dokumentów – np. asystent wczytuje oferty lub umowy i wyciąga z nich najważniejsze informacje (klauzule, terminy, kwoty). 
    • Obsługa zapytań klientów – np. asystent odpowiada na maile klientów z pytaniami o ofertę, dostępność produktów, pomoc techniczną itp. 

Załóżmy, że:  

    • asystent będzie obsługiwał około 100 interakcji dziennie  
    • każda interakcja to zapytanie + odpowiedź o łącznej długości ~2000 tokenów (np. 1000 tokenów w pytaniu – odpowiada to mniej więcej 750 słowom lub kilku akapitom tekstu – oraz 1000 tokenów w odpowiedzi, czyli ok. 750 słów wygenerowanej odpowiedzi). Taka długość pokrywa już dosyć złożone zapytanie i obszerną odpowiedź. 
    • miesięcznie nasz asystent przetworzy około 6 milionów tokenów (3000 * 2000 = 6 000 000 tokenów).  

Chcemy porównać koszty miesięczne utrzymania takiego asystenta w zależności od wyboru modelu i sposobu wdrożenia. Pokażemy dwa warianty: 

    • Wariant API (model zamknięty): Korzystamy z komercyjnego modelu poprzez API (np. OpenAI GPT lub Anthropic Claude). Nie utrzymujemy własnych serwerów – płacimy wyłącznie za wykorzystane tokeny według cennika. 
    • Wariant self-hosted (model open-source): Korzystamy z otwartoźródłowego modelu (np. Mistral lub LLaMA) zainstalowanego na naszych serwerach. Płacimy za infrastrukturę potrzebną do obsługi tych ~100 zapytań dziennie (np. wynajem instancji GPU w chmurze lub amortyzacja zakupu sprzętu, plus prąd). 

Zapraszamy na bezpłatne szkolenie dla MŚP

Usługa edukacyjno-szkoleniowa w zakresie automatyzacji procesów integracji i wdrożenia narzędzi AI w ramach Pomorskiego Hubi Innowacji Cyfrowych
Poznaj szczegóły

Poniżej przedstawiamy tabelę porównującą orientacyjne miesięczne koszty dla kilku przykładowych modeli w obu wariantach, przy założeniu 6 mln tokenów miesięcznie: 

Porównanie kosztów miesięcznych LLM
Model (wariant) Szacowany koszt miesięczny Komentarz
GPT-3.5 Turbo (API) ok. $18 (USD)
  • Bardzo niski koszt przy tej jakości.
  • Wyliczenie: ok. $0,0027/1k tok. → $12 za wygenerowanie 4M tok. + $6 za zapytania → $18 miesięcznie orientacyjnie.
GPT-4 (8k) (API) ok. $270
  • Dużo wyższy koszt za lepszą jakość.
  • Wyliczenie: np. 8M tok. → koszt: 8M × $0,08/1k (tok wejści) + $0,16/1k (tok wyjści) → koszt miesięczny $270–$540.
GPT-4 Turbo (128k) (API) ok. $18
  • Niewiele droższy niż zwykły GPT-3.5 dzięki tańszym tokenom wejściowym i wyjściowym.
  • Może mieć nawet lepszą jakość niż GPT-4 (8k).
Claude Instant (API) ok. $20–25
  • Porównywalny z kosztem GPT-3.5.
  • Wyliczenie: ok. $0,0021/1k tok. (wej+wyj) → analogicznie $18–25 za 8 mln tok. (Plus ewentualne opłaty stałe).
Claude 2 (API) ok. $150–200
  • Tańszy od GPT-4, ale wciąż kilkukrotnie droższy niż GPT-3.5.
  • Wyliczenie: $0,032/1k tok. → 8M = ~$192 za 8 mln tok.
Mistral 7B (open source, 1 self-host, 1xGPU) ok. $300
  • Koszt głównie za utrzymanie serwera / GPU.
  • Założenie: instancja na 1x24GB GPU – model generuje ~30–60 tok./s, zużycie 100–150W.
  • Rzeczywisty koszt zależy od lokalizacji i zużycia (prąd + serwer = ~300 zł–400 zł/mies.).
LLaMA 2 70B (open source, self-host, multi-GPU) ok. $1,000+
  • Wysoki koszt związany wymaga dużą mocą GPU.
  • Przy 70B to zazwyczaj instancja na minimum 8x80GB GPU (~10k–12k USD sprzętowo + wysokie zużycie prądu).
  • Wyliczenia zależne od modelu działania (on-prem / cloud / GPU provider).
Lokalny model (np. LLaMA 13B, GPTQ, Mistral 7B – CPU) ok. $300–500
  • Koszt obejmuje eksploatację lokalnego serwera.
  • Model może być wolniejszy niż GPT-3.5, ale za to bezpieczny i prywatny.
  • Dla instancji na CPU (np. 12 rdzeni, 64 GB RAM) koszt miesięczny to głównie energia i obsługa.

Z powyższego porównania można wyciągnąć kilka wniosków: 

Mała skala (100 zapytań/dziennie) sprzyja API

Przy stosunkowo niewielkim obciążeniu, korzystanie z gotowego API (OpenAI, Anthropic) jest bardzo tanie w przypadku tańszych modeli (GPT-3.5, Claude Instant) – mówimy o kilkunastu czy kilkudziesięciu dolarach miesięcznie. Przy użyciu droższych modeli, koszt miesięczny może wzrosnąć do kilkuset dolarów. Gdy zapytań jest mało, własny serwer GPU za $300+ miesięcznie byłby mniej opłacalny. 

Duża skala (wiele tysięcy zapytań) zmienia kalkulację

Jeśli nasz asystent odniesie sukces i skala zapytań wzrośnie np. 10x lub 100x, wtedy comiesięczny rachunek za API mógłby urosnąć do tysięcy czy dziesiątek tysięcy dolarów. W takiej sytuacji inwestycja we własny model open-source zaczyna mieć sens. Przy odpowiednio dużej liczbie zapytań koszt jednostkowy generowania odpowiedzi lokalnie staje się niższy niż koszt w API (bo pełniej wykorzystujemy zakupiony/wynajęty sprzęt). W skrajnym przypadku ogromnej skali można nawet myśleć o trenowaniu własnego modelu od podstaw – ale to już domena największych graczy z bardzo dużymi budżetami. 

Znaczenie przypadku użycia (jakość vs. oszczędność)

 Wybór modelu powinien zależeć nie tylko od kosztu, ale i od wymaganego poziomu odpowiedzi. W scenariuszu analizy dokumentów najbardziej zależy nam na precyzji ekstrakcji informacji. Być może wystarczy tu model tańszy lub open-source, który po odpowiednim dostrojeniu poprawnie wyłuska dane z tekstu. Taki model (np. 7B-13B parametrów) może być znacznie tańszy w użyciu i wystarczający jakościowo. Co więcej, jeśli przetwarzamy wrażliwe dokumenty (np. umowy), lokalne uruchomienie open-source gwarantuje, że treść dokumentów nie opuści naszej firmy, co bywa bezcenne ze względów prawnych. Z drugiej strony, w scenariuszu obsługi zapytań klientów, gdzie liczy się jakość języka, uprzejmość, kontekst – model GPT-4 może znacząco przewyższać prostsze modele w jakości odpowiedzi. Tu firma może zdecydować, że warto zapłacić więcej za lepsze wrażenia klienta.  

Niewidoczne koszty wokół projektu

Zauważmy, że powyższe kalkulacje dotyczą kosztów czysto technologicznych (tokeny lub sprzęt). W praktyce do tego dojdą koszty „miękkie” – czas personelu na przygotowanie wdrożenia, integrację modelu z systemem np. CRM lub bazą wiedzy, testowanie i iteracyjne usprawnianie. Jeśli nasz asystent ma np. pobierać dane z firmowej bazy dokumentów, często dane te trzeba też odpowiednio uporządkować. 

Przykład kosztów: Asystent AI analizujący maile i dokumenty PDF

Przedstawiamy tutaj też koszty naszego asystenta opartego na modelu Gemini od Google, który opisaliśmy tutaj. Jego zadaniem jest automatyczna analiza przychodzących e-maili w celu identyfikacji polis ubezpieczeniowych oraz ekstrakcja kluczowych danych z załączonych dokumentów PDF, takich jak numer polisy, adres ubezpieczonego czy potwierdzenie płatności.  

Średnia liczba tokenów na e-mail: 

 

    • Wejście (input): 3 500 tokenów 
    • Wyjście (output): 220 tokenów  

Analiza 100 maili z załącznikami z użyciem modelu Gemini 2.0 Flash kosztuje zatem około $1.5. 

Podsumowanie

Czy stać nas na własnego „ChatGPT” w firmie? Jak widać, odpowiedź brzmi: to zależy – przede wszystkim od skali użycia i wymagań jakościowych. Kluczem jest wybór modelu i sposóbu wdrożenia adekwatnego do naszych potrzeb. Często praktykuje się podejście iteracyjne – start z tańszym modelem/API, ocena efektów, a następnie ewentualne przejście na mocniejszy model lub własny hosting, gdy projekt się rozwinie. Niezależnie od wyboru, ważne jest świadome planowanie i monitorowanie wszystkich rodzajów kosztów. Mamy nadzieję, że powyższe zestawienie pomoże w podjęciu decyzji i przygotowaniu realnego budżetu na wdrożenie dedykowanego modelu LLM w Waszej organizacji. 

Jeśli rozważasz wdrożenie asystenta w Twojej firmie, warto znaleźć odpowiedzi na poniższe pytania: 

    • Czy potrzebuję wysokiej jakości odpowiedzi (GPT-4), czy wystarczy przybliżona (Claude Haiku, Gemini Flash)? 
    • Czy przetwarzam dane wrażliwe (np. dokumenty klientów)? 
    • Czy mam zespół IT zdolny hostować własny model? 
    • Jaka jest spodziewana liczba zapytań dziennie/miesięcznie? 
    • Czy opłaca mi się własna infrastruktura, czy lepiej płacić za API? 

Dla małych i średnich zastosowań, koszty korzystania z dedykowanego modelu LLM mogą być całkiem przystępne. Dzięki usługom chmurowym można zacząć od kilkunastu dolarów miesięcznie za model pokroju GPT-3.5 czy Claude Instant, co jest świetnym sposobem na eksperymenty i pierwsze prototypy. Jeśli potrzebujemy najwyższej jakości, dostępnej np. w GPT-4, musimy liczyć się z wyższą ceną, ale nawet kilkaset dolarów miesięcznie może być uzasadnione, jeśli wartość dodana dla biznesu jest istotna (np. automatyzacja oszczędzająca wiele godzin pracy ludzi). 

Z drugiej strony, dla dużych firm planujących intensywne użycie AI, koszty mogą rosnąć wykładniczo – wtedy warto rozważyć opcje open-source i większe inwestycje we własną infrastrukturę. Otwarte modele jak LLaMA czy Mistral dają wolność od opłat za każdy token, ale przenoszą ciężar kosztów na sprzęt i zespół. Opłacą się, gdy mamy odpowiednią skalę lub priorytetem jest pełna kontrola nad danymi. 

Chcesz wprowadzić narzędzia AI do swojej firmy?

Oferujemy kompleksowe wsparcie technologiczne w zakresie sztucznej inteligencji i agentów AI. Opisz nam swój pomysł!
Napisz do nas

Artykuł Ile kosztuje wdrożenie i utrzymanie modelu LLM w firmie? Szczegółowa analiza pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]> 7958 Jak przygotować firmę do wdrożenia agenta AI? https://inero-software.com/pl/jak-przygotowac-firme-do-wdrozenia-agenta-ai/ Tue, 08 Apr 2025 08:45:56 +0000 https://inero-software.com/?p=7734 W tym artykule przedstawiamy, na co warto zwrócić uwagę przed rozpoczęciem wdrożenia agenta AI, jakie obszary działalności firmy powinny być szczególnie dobrze przygotowane i jak uniknąć najczęstszych błędów.

Artykuł Jak przygotować firmę do wdrożenia agenta AI? pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]>

Wdrożenie agenta AI w firmie to nie tylko kwestia technologii, ale także odpowiedniej strategii.  Choć coraz więcej przedsiębiorstw rozważa wykorzystanie sztucznej inteligencji w codziennej pracy – od obsługi klienta po analizę dokumentów – skuteczne przygotowanie do tego kroku wymaga odpowiedniego planowania. W tym artykule przedstawiamy, na co warto zwrócić uwagę przed rozpoczęciem wdrożenia agenta AI, jakie obszary działalności firmy powinny być szczególnie dobrze przygotowane i jak uniknąć najczęstszych błędów. 

Jest wiele obszarów, w których AI może okazać się pomocna. Od automatyzacji rutynowych zadań, przez wsparcie w obsłudze klienta i analizie danych, aż po usprawnienie procesów decyzyjnych i tworzenie inteligentnych asystentów wspomagających pracę zespołów. Potencjał jest ogromny – kluczem jest jednak odpowiednie przygotowanie organizacji do takiej zmiany. 

Etapy wdrożenia asystenta AI

Proces wdrożenia asystenta AI w organizacji można podzielić na kilka etapów, z których każdy wymaga podjęcia określonych działań. Od analizy potrzeb biznesowych, przez wybór odpowiedniego modelu językowego i przygotowanie infrastruktury, aż po integrację z istniejącymi systemami i testowanie – każdy z tych kroków ma wpływ na końcową efektywność rozwiązania.  

Najważniejsze etapy to: 

  1. Analiza potrzeb i ocena gotowości​ 
  2. Przygotowanie danych i treści​ 
  3. Projektowanie rozwiązania​ 
  4. Budowa i konfiguracja asystenta​ 
  5. Testy i pilotaż​ 
  6. Wdrożenie i utrzymanie​ 

Analiza potrzeb i ocena gotowości​

Aby wdrożenie agenta AI przyniosło najlepsze rezultaty należy zadać sobie na początek pytanie: w których zadaniach i obszarach widzę potencjał do optymalizacji, poprzez wykorzystanie sztucznej inteligencji? 

Szukając odpowiedzi na te pytanie, warto dokładnie przeanalizować aktualną strukturę firmy, procesy oraz obowiązki pracowników. Pomoże to znaleźć tak zwane „wąskie gardła”, które mogą wpływać na jakość oferowanych usług. Może to być np.  

– długi czas odpowiedzi na zapytanie ofertowe 

–  przeciążenie zespołu rutynowymi zadaniami  

–  brak spójności w komunikacji z klientami 

–  ręczne przetwarzanie dokumentów i danych 

–  trudności w szybkim dostępie do wiedzy wewnętrznej firmy 

Na podstawie tej analizy będzie można zidentyfikować pola do poprawy oraz osoby, które bezpośrednio będą korzystać z pomocy asystentów AI.  

Drugim obszarem, który należy zweryfikować jest posiadana infrastruktura.  Do wdrożenia nie jest potrzeba duża ilość sprzętu. Jeśli firma nie chce inwestować w nowe maszyny, może wybrać korzystanie z usług chmurowych (Azure, AWS, Google Cloud).​ 

Bardzo ważny element przygotowań stanowią dane.  Aby właściwie wykorzystać potencjał, związany z zastosowaniem dedykowanych rozwiązań AI, należy mieć świadomość, że do treningu modelu, który będzie stanowił podstawę agenta, potrzebne są zbiory danych, przechowywanych w formie cyfrowej. Powinny być one uporządkowane i przechowywane w centralnym repozytorium/bazie danych.​ Im mniejszy poziom uporządkowania danych tym wyższy koszt wdrożenia asystenta i ryzyko wdrożenia rozwiązania, które nie spełni pokładanych w nim oczekiwań. 

Przygotowanie danych i treści​

Na tym etapie kluczowe jest zgromadzenie wszystkich materiałów, które zawierają istotną wiedzę firmową – mogą to być dokumenty w formacie PDF, Word, Excel, treści ze strony internetowej, sekcja FAQ, e-maile czy dane z baz danych. 

Następnie zebrane informacje trzeba odpowiednio przygotować – uporządkować, oczyścić z niepotrzebnych treści (np. nieczytelnych PDF), w miarę możliwości uspójnić i wyeksportować do plików CSV lub JSON (np. maile)  

W niektórych przypadkach, np. gdy planujemy dalsze dostosowanie modelu do specyfiki firmy (fine-tuning), potrzebne będzie również oznaczenie danych lub przygotowanie specjalnego zestawu treningowego w formacie instrukcji i oczekiwanych odpowiedzi, np.: 

{"prompt": "Jakie dokumenty są potrzebne do zawarcia umowy OCS?", "response": "Do zawarcia umowy OCS potrzebne są: ..." } 

Projektowanie rozwiązania​

Na tym etapie podejmowane są decyzje, jak ma wyglądać techniczne rozwiązanie. Należy określić, jaki typ asystenta będzie najlepiej odpowiadał potrzebom firmy – czy ma to być prosty chatbot odpowiadający na pytania, bardziej zaawansowany asystent z dostępem do firmowej wiedzy (tzw. RAG – Retrieval-Augmented Generation), czy może agent, który potrafi samodzielnie wykonywać konkretne zadania, np. rezerwacje, generowanie raportów czy wysyłanie e-maili. 

Kolejny krok to wybór odpowiednich technologii, w tym dużego modelu językowego (LLM), który będzie podstawą działania asystenta – mogą to być np. GPT-4, Claude, Mistral, LLaMA lub Gemini, w zależności od potrzeb i wymagań dotyczących prywatności, kosztów i możliwości integracji. 

Na koniec warto przygotować listę funkcji, jakie asystent ma realizować oraz zaplanować integrację z innymi systemami używanymi w firmie – np. CRM, bazą wiedzy czy pocztą e-mail. 

Budowa i konfiguracja asystenta​

Na tym etapie powstaje zarówno zaplecze techniczne (backend), jak i widoczna dla użytkownika część asystenta (frontend). Może to być np. interfejs czatu na stronie internetowej, przycisk uruchamiający asystenta w aplikacji, czy widget zintegrowany z narzędziami, takimi jak Slack. O tym jak może wyglądać integracja platformy do komunikacji Slack z agentem AI przeczytasz tu >>LINK

Równolegle wdrażany jest wybrany model językowy – np. za pośrednictwem usług takich jak Azure OpenAI, OpenAI API, Anthropic (Claude), Google Vertex AI (Gemini) lub lokalnie, przy użyciu open-source’owych modeli jak LLaMA, Mistral czy Mixtral. 

 

Jeśli asystent ma korzystać z wiedzy wewnętrznej firmy, należy skonfigurować mechanizm RAG (Retrieval-Augmented Generation) – czyli wyszukiwanie i dopasowywanie odpowiednich dokumentów do zapytań użytkownika. 

 

Na końcu realizowane są integracje z innymi systemami, np. CRM, systemem zgłoszeń czy pocztą e-mail, dzięki czemu asystent może realnie wspierać codzienną pracę zespołu. 

Agent AI w Twojej firmie?

Zapisz się na bezpłatne szkolenie, realizowane w ramach Pomorskiego Hubu Innowacji Cyfrowych
Więcej informacji

Testy i pilotaż​

Po wdrożeniu rozwiązania kluczowe jest jego dokładne przetestowanie. Najpierw przeprowadza się testy funkcjonalne – sprawdzamy, czy asystent prawidłowo rozumie intencje użytkownika, czy odpowiada zgodnie z firmową dokumentacją i czy poprawnie reaguje na różne typy zapytań. 

 

Kolejny etap to testy z udziałem użytkowników końcowych (UAT – User Acceptance Testing), które pozwalają ocenić, jak dobrze asystent sprawdza się w realnych sytuacjach i czy spełnia oczekiwania pracowników. 

 

Na podstawie zebranych opinii i obserwacji wprowadza się iteracyjne poprawki – np. modyfikacje w treści odpowiedzi, dodanie nowych dokumentów do bazy wiedzy, czy doprecyzowanie promptów i logiki działania agenta. Ten etap często powtarza się wielokrotnie, aż do osiągnięcia satysfakcjonującego poziomu jakości. 

Wdrożenie i utrzymanie

Po zakończeniu testów przychodzi czas na wdrożenie asystenta na docelowej infrastrukturze – może to być chmura publiczna (np. Azure, AWS, GCP), serwery lokalne lub rozwiązanie hybrydowe, w zależności od wymagań dotyczących bezpieczeństwa i dostępności. O nich przeczytasz w dalszej części tego wpisu.  

 

Konieczne jest również uruchomienie monitoringu działania, który pozwala śledzić m.in. zużycie tokenów, częstotliwość zapytań, występowanie błędów oraz jakość generowanych odpowiedzi. Dzięki temu można szybko reagować na problemy i optymalizować koszty. 

W codziennej pracy ważna jest też aktualizacja danych – czyli możliwość dodawania nowych dokumentów, usuwania nieaktualnych informacji i modyfikowania bazy wiedzy, z której korzysta asystent. 

 

W miarę upływu czasu i zmieniających się potrzeb biznesowych można również rozważyć ponowne trenowanie (retraining) lub fine-tuning modelu, np. co kilka miesięcy, aby lepiej dostosować go do specyfiki organizacji. 

 

Na końcu warto zapewnić wsparcie techniczne oraz pomoc dla użytkowników końcowych, aby rozwiązanie było nie tylko sprawne technicznie, ale też wygodne i intuicyjne w codziennym użyciu. 

Prywatność danych

W punkcie „Wdrożenie i utrzymanie” pisaliśmy o dostępnych opcjach przy wyborze infrastruktury, na której wdrożony zostanie agent AI.  

Każde z rozwiązań ma swoje wady i zalety. Przy wyborze rozwiązania lokalnego mamy całkowitą kontrolę nad danymi, jednak potrzebna będzie dedykowana maszyna o określonych parametrach.  

Innym rozwiązaniem jest wybór publicznej chmury np. Azure. Microsoft jasno stwierdza, że dane przekazywane do usługi Azure OpenAI nie są wykorzystywane do trenowania ani ulepszania modeli OpenAI ani Microsoftu (źródło)​.  

 

Zgodnie ze stanowiskiem Microsoft prompty i odpowiedzi nie są udostępniane innym klientom czy OpenAI. Azure działa tu w trybie pełnej izolacji: gdy korzystasz z GPT-4 na Azure, żadna informacja z Twoich rozmów nie trafia do OpenAI LLC. Microsoft potwierdził to w dodatku do umowy (DPA).  

Odpowiedzialność za decyzje AI

Należy jednak pamiętać, że odpowiedzialność formalna i prawna za efekty pracy agenta AI oraz przetwarzane dane, spoczywa na podmiocie, który wdrożył rozwiązanie i je nadzoruje – czyli najczęściej na:​ 

  1. organizacji (np. firmie, która uruchomiła asystenta),
  2. administratorze systemu,​
  3. osobie podejmującej decyzje na podstawie podpowiedzi AI (np. pracownik obsługi klienta, rekruter, lekarz).​ 

Jak ograniczyć ryzyko?​ 

  1. Human-in-the-loop (HITL) – Człowiek musi zatwierdzać ważne decyzje, a AI może je tylko wspierać (np. asystent przygotowuje projekt odpowiedzi, ale człowiek go zatwierdza).​
  2. Wyraźne zastrzeżenia i ostrzeżenia – AI powinien informować użytkownika: „Jestem asystentem AI – zweryfikuj moje odpowiedzi przed podjęciem decyzji.”​ 
  3. Weryfikacja źródeł – Asystent AI powinien (gdzie to możliwe) cytować źródła odpowiedzi lub wskazywać, że „nie wie” zamiast zgadywać. Stosowanie RAG pozwala dokładnie kontrolować bazę wiedzy.​ 

Podsumowanie

Proces wdrożenia agenta AI musi być dobrze zaplanowany i przemyślany. Z początku może wydać się trudny, jednak, aby przyniósł długotrwałe korzyści warto odpowiednio się do niego przygotować.  

 

Przedstawicieli polskich MŚP zachęcamy do udziału w bezpłatnych szkoleniach ofertowanych przez naszą firmę w ramach Pomorskiego Hubu Innowacji Cyfrowych, którego jesteśmy partnerem. W czasie 2-dniowego szkolenia omówimy dostępne modele LLM, ich zastosowanie w biznesie. Porównamy plusy i minusy wdrożenia lokalnego i chmurowego. Nasi eksperci podzielą się swoją wiedzą z zrealizowanych wdrożeń oraz odpowiedzą na pytania uczestników.  

 

Rejestracja do programu odbywa się przez stronę www https://gpnt.pl/pdih-usluga-szkolenia-50 

Skorzystaj z darmowego szkolenia dla MŚP

Poznaj możliwości jakie dają nowoczesne systemy oraz technologie z obszaru AI. Szkolenie składa się z dwóch, czterogodzinnych blogów. Poprowadzą je nasi eksperci w zakresie Dużych Modeli Językowych.
Poznaj szczegóły

Artykuł Jak przygotować firmę do wdrożenia agenta AI? pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]> 7734 Dowiedź się jak skorzystać z bezpłatnych szkoleń prowadzonych przez ekspertów Inero Software w ramach PDiH https://inero-software.com/pl/dowiedz-sie-jak-skorzystac-z-bezplatnych-szkolen-prowadzonych-przez-ekspertow-inero/ Mon, 31 Mar 2025 07:43:33 +0000 https://inero-software.com/?p=7672 Uczestnicy bezpłatnych szkoleń realizowanych w ramach Pomorskiego Hubu Innowacji Cyfrowych (PDiH) zdobędą praktyczną wiedzę, którą będą mogli wykorzystać w swoich firmach — m.in. do usprawnienia procesów, przeprowadzania dokładniejszych analiz oraz automatyzacji rutynowych, czasochłonnych zadań. 

Artykuł Dowiedź się jak skorzystać z bezpłatnych szkoleń prowadzonych przez ekspertów Inero Software w ramach PDiH pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]>

Cyfryzacja i wdrażanie nowoczesnych technologii otwierają przed MŚP wiele możliwości. Uczestnicy bezpłatnych szkoleń realizowanych w ramach Pomorskiego Hubu Innowacji Cyfrowych (PDiH) zdobędą praktyczną wiedzę, którą będą mogli wykorzystać w swoich firmach — m.in. do usprawnienia procesów, przeprowadzania dokładniejszych analiz oraz automatyzacji rutynowych, czasochłonnych zadań. 

PDiH kieruje swoją ofertę do mikro, małych i średnich przedsiębiorstw, oferując bezpłatne usługi w ramach pomocy de minimis. W katalogu dostępnych jest ponad 80 usług z obszarów takich jak: Przemysł 4.0, robotyzacja, AI, VR/AR oraz cyberbezpieczeństwo. 

Szkolenia oferowane przez Inero Software 

W pierwszym etapie proponujemy dwa dwudniowe szkolenia: 

  1. Usługa edukacyjno-szkoleniowa w zakresie automatyzacji procesów back-office – obejmuje integrację i wdrożenie narzędzi AI/ML w infrastrukturze chmurowej. 
  2. Warsztaty praktyczne: Demonstrator technologii DeliverM8 – prezentacja platformy do optymalizacji zadań logistycznych w obszarze ostatniej mili. 

Zakres usług i wiedza praktyczna

Co zyskujesz dzięki udziałowi w szkoleniu? 

    • Wiedzę praktyczną opartą na realnych wdrożeniach, 
    • Możliwość pracy z nowoczesnymi narzędziami AI i ML, 
    • Praktyczną wiedzę ekspertów, która jest kluczowa podczas wdrażaniu technologii w firmie, 
    • Dostęp do materiałów edukacyjnych po zakończeniu szkolenia 

Nasza firma świadczy usługi doradcze m.in. w zakresie budowy dedykowanych agentów AI do automatyzacji procesów back-office. Uczestnicy szkolenia dowiedzą się, jak stworzyć wirtualnego asystenta głosowego lub tekstowego, który może wspierać firmę m.in. w: 

    • przygotowywaniu ofert, 
    • komunikacji z klientami, 
    • analizie i weryfikacji dokumentacji transportowej, 
    • obsłudze zapytań związanych z ubezpieczeniami i polisami. 

Przykłady zastosowań agentów AI opisaliśmy w artykułach: 

Optymalizacja procesów back-office dzięki wdrożeniu agenta AI. Praktyczny przykład 

Poznaj swojego osobistego Agenta AI: Case study dla firmy spedycyjnej 

Czym są Agenci AI?

Agenci AI to inteligentne systemy oparte na algorytmach uczenia maszynowego, przetwarzaniu języka naturalnego (NLP) oraz dużych modelach językowych (LLM). Ich zadaniem jest automatyzacja procesów, wspieranie decyzji oraz prowadzenie naturalnej interakcji z użytkownikami, dostosowanej do kontekstu biznesowego. 

 

W odróżnieniu od samych modeli językowych, agenci AI są projektowani do wykonywania konkretnych zadań w sposób autonomiczny. Oznacza to, że mogą pobierać informacje, przetwarzać dane w czasie rzeczywistym oraz podejmować decyzje na podstawie zdefiniowanych reguł. 

Więcej na ten temat piszemy w artykule: Czym są Agenci AI i jak mogą pomóc w Twojej firmie? 

Platforma, która wspiera logistykę

Drugie szkolenie obejmuje prezentację platformy umożliwiającej planowanie, monitorowanie i optymalizację zadań transportowych – zarówno w ramach dostaw ostatniej mili, jak i dla transportu międzynarodowego. 

Rozwiązanie to wykorzystywane jest m.in. w aplikacji Gorący Posiłek, wspierającej fundacje oraz jednostki pomocy społecznej w realizacji i rozliczaniu dostaw gorących posiłków. Model ten można z powodzeniem wykorzystać w realizacji zadań MŚP, związanych z planowaniem i monitorowaniem dostaw.  

Uczestnicy szkoleń nie tylko zdobędą praktyczne umiejętności, ale także poznają konkretne narzędzia i przykłady wdrożeń, które mogą zastosować u siebie niemal od razu. Każde szkolenie kończy się podsumowaniem oraz zestawem materiałów do dalszej pracy. 

Kto może wziąć udział i jak wygląda proces zgłoszenia?

Z bezpłatnych usług w ramach projektu PDiH mogą skorzystać mikro, małe i średnie przedsiębiorstwa z siedzibą w Polsce, prowadzące działalność gospodarczą. 
Warunkiem udziału jest kwalifikacja firmy do sektora MŚP oraz spełnienie wymagań pomocy de minimis. 

Proces zgłoszeniowy obejmuje: 

  1. Wypełnienie formularza zgłoszeniowego. 
  2. Weryfikację kwalifikowalności przedsiębiorstwa. 
  3. Podpisanie umowy świadczenia usługi w ramach pomocy de minimis. 

Cały proces jest wspierany przez zespół ekspertów GPNT, który pomaga firmom przejść go sprawnie. Dane kontaktowe do ekspertów GPNT, którzy wspierają firmy w procesie rekrutacji, znajdują się tutaj: https://gpnt.pl/kontakt-pdih. 

Szczegóły dotyczące zasad udziału i dokumentacji znajdują się w regulaminie projektu PDiH, dostępnym tutaj: Regulamin świadczenia usług w projekcie PDiH (PDF) 

Jeśli chcesz dowiedzieć się, jak w praktyce wdrożyć narzędzia AI i usprawnić działanie swojej firmy — zgłoś się już dziś. Możesz to zrobić za pomocą naszego formularza kontaktowego. Napisz nam, które szkolenie jest dla Ciebie interesujące i pozostaw swoje dane kontaktowe. 

Zapisz się na bezpłatne szkolenie

Wypełnij formularz, a my skontaktujemy się z Tobą.
Wypełnij formularz

Artykuł Dowiedź się jak skorzystać z bezpłatnych szkoleń prowadzonych przez ekspertów Inero Software w ramach PDiH pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]> 7672 Czym są Agenci AI i jak mogą pomóc w Twojej firmie? https://inero-software.com/pl/czym-sa-agenci-ai-i-jak-moga-pomoc-w-twojej-firmie/ Fri, 28 Feb 2025 09:24:00 +0000 https://inero-software.com/?p=7480 W tym tekście przyjrzymy się dokładnie Agentom AI, którzy mogą stanowić cenną pomoc m.in. w procesach back -office.

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

]]>

Hasło sztuczna inteligencja pojawia się od pewnego czasu w bardzo wielu publikacjach jako rozwiązanie problemów z wydajnością, organizacją czy kreatywnością.  Wiele firm podąża za tym trendem i stara się dodać do swojej oferty rozwiązania oparte na AI.  Starania te przybierają różną formę. W tym tekście przyjrzymy się dokładnie Agentom AI, którzy mogą stanowić cenną pomoc m.in. w procesach back –office.  

Od pewnego czasu obserwujemy dużą popularyzację haseł, związanych z wykorzystaniem sztucznej inteligencji. Zacznijmy więc od początku.  

Czym jest „Sztuczna inteligencja”?

Pod hasłem „sztuczna inteligencja” kryją się Duże Modele Językowe (Large Language Models – LLMs), systemy przetwarzania języka naturalnego (NLP), algorytmy uczenia maszynowego, sieci neuronowe oraz generatywne modele AI.  

LLM-y, takie jak Chat GPT od OpenAI czy Gemini od Google, to modele wytrenowane na ogromnych zbiorach danych, które potrafią analizować, przetwarzać i generować tekst w sposób zbliżony do ludzkiego myślenia. Są wykorzystywane w różnych zastosowaniach – od chatbotów i asystentów głosowych po zaawansowane systemy wspierające analizy biznesowe czy automatyzację procesów w firmach. 

Sztuczna inteligencja nie ogranicza się wyłącznie do języka. Nowoczesne modele mogą także analizować obrazy, dźwięk, wideo oraz dane numeryczne, co czyni je niezwykle wszechstronnymi narzędziami w biznesie. Dzięki AI możliwe jest nie tylko automatyzowanie powtarzalnych zadań, ale także wykrywanie wzorców w dużych zbiorach danych, przewidywanie trendów czy wspomaganie decyzji strategicznych w firmach. 

Kim są agenci AI?

„Agenci AI” to inteligentne systemy oparte na algorytmach uczenia maszynowego, modelach przetwarzania języka naturalnego (NLP) oraz Dużych Modelach Językowych (LLMs). Ich zadaniem jest automatyzacja procesów, wspieranie decyzji oraz interakcja z użytkownikami w sposób naturalny i dostosowany do kontekstu. 

Oznacza to, że wirtualni asystenci bazują na znanych i popularnych LLM’ach jak na przykład: Chat GPT, Gemini, Claude, Mistral, czy Deep Seek które potrafią generować spójne odpowiedzi, analizować teksty oraz dostosowywać się do kontekstu rozmowy.

Agenci AI różnią się jednak od samych modeli językowych tym, że są zaprojektowani do wykonywania określonych zadań w sposób autonomiczny. W praktyce oznacza to, że są wyposażeni w dodatkowe moduły, które umożliwiają im zdobywanie informacji, przetwarzanie danych w czasie rzeczywistym oraz podejmowanie decyzji na podstawie reguł biznesowych. 

W przeciwieństwie do klasycznych chatbotów, agenci AI nie tylko odpowiadają na pytania, ale mogą także obsługiwać skomplikowane procesy, integrować się z systemami firmowymi oraz uczyć się na podstawie interakcji z użytkownikami. Dzięki temu są wykorzystywani w wielu obszarach – od wsparcia administracyjnego i analizy dokumentów po automatyzację procesów operacyjnych w przedsiębiorstwach.  

Przeczytaj także: Poznaj swojego osobistego Agenta AI: Case study dla firmy spedycyjnej

Działanie agentów AI opiera się na kilku kluczowych elementach: 

 

    • Interfejs komunikacyjny – pozwala agentowi na interakcję z użytkownikiem poprzez tekst, mowę lub inne formaty danych. 
    • Silnik decyzyjny – oparty na modelach AI i regułach biznesowych, umożliwia analizę sytuacji i wybór optymalnych działań. 
    • Integracja z zewnętrznymi systemami – Agenci AI często działają w połączeniu z bazami danych, aplikacjami biznesowymi (ERP, CRM) czy usługami chmurowymi, co pozwala im na dostęp do aktualnych informacji. 
    • Automatyzacja działań – mogą wykonywać konkretne zadania, np. generować raporty, przetwarzać wnioski, wysyłać powiadomienia czy inicjować określone procesy w systemach IT. 

Jakie są typy agentów AI?

Agenci AI mogą przyjmować różne formy w zależności od ich zastosowania i poziomu autonomii. Dzięki zaawansowanym modelom sztucznej inteligencji potrafią wspierać użytkowników w szerokim zakresie działań – od obsługi klienta po analizę danych i zarządzanie procesami biznesowymi. 

Możemy wyróżnić kilka głównych typów agentów AI: 

 

    • Agenci konwersacyjni – obejmują chatboty i voiceboty, które prowadzą interakcje z użytkownikami za pomocą tekstu lub mowy. Mogą odpowiadać na pytania, obsługiwać zapytania klientów i wspierać procesy sprzedażowe. 
    • Agenci analityczni – specjalizują się w przetwarzaniu i interpretacji danych. Wykorzystują algorytmy uczenia maszynowego do analizy trendów, wykrywania anomalii oraz generowania raportów. 
    • Agenci operacyjni – automatyzują zadania biznesowe, integrując się z systemami firmowymi. Mogą zarządzać dokumentacją, przetwarzać dokumenty czy koordynować działania w ramach firmowych procesów. 
    • Agenci autonomiczni – działają samodzielnie, podejmując decyzje w oparciu o zgromadzone dane i określone reguły biznesowe. Wykorzystywane są m.in. w logistyce, zarządzaniu zasobami czy dynamicznym planowaniu operacji. 
    • Agenci wspierający decyzje – dostarczają rekomendacje na podstawie zaawansowanej analizy danych, pomagając menedżerom i specjalistom w podejmowaniu strategicznych decyzji. 

Każdy z tych typów może działać samodzielnie lub współpracować z innymi systemami, tworząc złożone środowisko oparte na sztucznej inteligencji. W kolejnych częściach przyjrzymy się konkretnym zastosowaniom agentów AI oraz ich wpływowi na efektywność operacyjną firm. 

Rozwiązanie chmurowe czy lokalne, czyli jak można wdrożyć agenta AI w środowisko firmowe?

Zastosowanie Agenta AI w organizacji wymaga wyboru odpowiedniego modelu wdrożenia, który będzie najlepiej odpowiadał wymaganiom biznesowym, technicznym i regulacyjnym. Firmy mogą zdecydować się na rozwiązanie chmurowe (SaaS) lub lokalne (On-Premise), w zależności od potrzeb w zakresie elastyczności, bezpieczeństwa oraz integracji z istniejącymi systemami. 

Wybór odpowiedniego modelu zależy od wielu czynników, które przedstawiamy w poniższej tabeli. 

Porównanie SaaS vs On-Premise
Kryterium SaaS (Chmura) On-Premise (Lokalne)
Model wdrożenia Oparty na chmurze (AWS, Azure, Google Cloud) Działa na własnej infrastrukturze firmy
Infrastruktura Dostawca usług chmurowych Serwery lokalne
Koszty początkowe Niskie Wysokie
Koszty operacyjne Abonament/subskrypcja Stałe koszty utrzymania i energii
Skalowalność Bardzo wysoka Ograniczona (zależna od sprzętu)
Bezpieczeństwo danych Ograniczone (przetwarzanie poza firmą) Wysokie (pełna kontrola nad danymi)
Zgodność z regulacjami Może wymagać dodatkowych umów i certyfikacji Łatwiejsze spełnienie wymagań regulacyjnych
Łatwość wdrożenia Łatwe i szybkie Wymaga zakupu sprzętu i konfiguracji
Aktualizacje i utrzymanie Automatyczne, dostarczane przez dostawcę Samodzielne zarządzanie i aktualizacje
Integracja z systemami firmowymi Dobre wsparcie przez API i gotowe integracje Pełna kontrola, ale może wymagać dodatkowej integracji

Wybór odpowiedniego modelu wdrożenia – chmurowego lub lokalnego– zależy od indywidualnych wymagań przedsiębiorstwa w zakresie bezpieczeństwa, kosztów oraz integracji z istniejącymi systemami. Niezależnie od wybranej strategii, agenci AI mogą znacząco podnieść efektywność operacyjną i umożliwić pracownikom skupienie się na zadaniach wymagających kreatywności i strategicznego myślenia. 

Rozwój technologii AI to zdecydowanie jeden z najsilniejszych trendów technologicznych ostatnich lat, dlatego warto już teraz zastanowić się, jak Agenci AI mogą wspierać rozwój Twojej firmy i stać się kluczowym elementem jej cyfrowej transformacji. 

Stworzymy Agenta AI dla Twojej firmy

Skontaktuj się z nami, aby dowiedzieć się jak możemy pomóc Ci we wdrożeniu nowego rozwiązania na bazie AI.
Kontakt

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

]]> 7480 Poznaj swojego osobistego Agenta AI: Case study dla firmy spedycyjnej https://inero-software.com/pl/poznaj-swojego-osobistego-agenta-ai-case-study-dla-firmy-spedycyjnej/ Fri, 21 Feb 2025 10:33:14 +0000 https://inero-software.com/?p=7259 Agenci AI mogą znaleźć zastosowanie w wielu branżach jak np. bankowość, sprzedaż czy zarządzanie zasobami ludzkimi. W tym tekście wykorzystamy przykład firmy spedycyjnej, która codziennie obsługuje od kilku do kilkudziesięciu frachtów.

Artykuł Poznaj swojego osobistego Agenta AI: Case study dla firmy spedycyjnej pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]>
Narzędzia oparte na sztucznej inteligencji znajdują coraz szersze zastosowanie. Od projektowania prostych grafik, tłumaczeń, aż po zaawansowanie analizowanie dokumentów, maili i baz danych. W tym tekście pokażemy jeden z praktycznych przykładów wykorzystania takiego asystenta w praktyce.  

Obszar zastosowania Agentów AI jest bardzo szeroki i wciąż odkrywany jest ich potencjał.  Do największych zalet asystentów opartych na sztucznej inteligencji możemy zaliczyć: 

1. Automatyzacja rutynowych procesów

Agenci AI mogą wykonywać powtarzalne zadania, takie jak obsługa zapytań klientów, analiza dokumentów czy zarządzanie danymi, co redukuje koszty operacyjne i zwiększa efektywność.

 

2. Personalizacja interakcji z klientem

Dzięki analizie danych agenci AI mogą dostarczać spersonalizowane rekomendacje i oferty, co zwiększa zaangażowanie klientów i poprawia ich doświadczenia.

 

3. Szybkość i dostępność

AI działa 24/7, zapewniając natychmiastowe odpowiedzi i obsługę w czasie rzeczywistym, co jest kluczowe w sektorach wymagających szybkiej reakcji, takich jak e-commerce, finanse czy logistyka.

 

4. Zaawansowana analiza danych

Agenci AI mogą przetwarzać duże ilości danych w krótkim czasie, identyfikując wzorce i zależności, co wspiera podejmowanie trafnych decyzji biznesowych.

 

5. Optymalizacja procesów decyzyjnych

Dzięki modelom predykcyjnym AI wspiera podejmowanie decyzji w obszarach takich jak prognozowanie popytu, zarządzanie ryzykiem czy optymalizacja łańcucha dostaw.

6. Integracja z istniejącymi systemami

Nowoczesne rozwiązania AI można łatwo wdrożyć w ramach istniejących systemów ERP, CRM czy platform analitycznych, co zwiększa ich funkcjonalność.

Praktyczny przykład wykorzystania Agenta AI w branży transportowej

Agenci AI mogą znaleźć zastosowanie w wielu branżach jak np. bankowość, sprzedaż czy zarządzanie zasobami ludzkimi. W tym tekście wykorzystamy przykład firmy spedycyjnej, która codziennie obsługuje od kilku do kilkudziesięciu frachtów.  

 

Praca spedytorów wiąże się z koniecznością ciągłej komunikacji i weryfikacji wielu dokumentów. Każde z tych zadań, wiąże się z czasem, którego często bywa za mało, a wtedy łatwo o błędy. 

 

Jak więc lepiej zarządzać czasem? Automatyzując zadania, które są powtarzalne i przewidywalne. To zadanie dla Agenta AI. Oto przykład stworzonego przez nas asystenta, opartego na Dużym Modelu Językowym Gemini od Google.  

 

Możemy go wykorzystać na przykład w poniższym scenariuszu: 

 

Spedytor otrzymuje mail, w którym powinny być polisa ubezpieczeniowa wraz z potwierdzeniem jej opłacenia. Agent AI samodzielnie, bez wywołania sprawdza czy otrzymany mail zawiera wspomniane wcześniej załączniki. Jeśli są dołączone, to w kolejnym kroku sprawdza następujące informacje: 

W polisie ubezpieczeniowej: 

    • Numer polisy 
    • Okres ubezpieczenia i czy jest ona aktualnie ważna  
    • Kto jest ubezpieczony, wraz z numerem identyfikacji podatkowej i adresem 
    • Numer konta na jaki należy przelać składkę  

W potwierdzeniu przelewu: 

    • Tytuł przelewu 
    • Kwota 
    • Numer konta 
    • Data płatności 
    • Czy przelew dotyczy przesłanej polisy (np. na podstawie tytułu, numeru konta) 

Następnie Agent AI przenosi znalezione dane do wskazanego pliku excel, który jest na bieżąco aktualizowany. Plik z danymi może być formatowany, np. oznaczać kolorem czerwonym wpisy, w których polisa jest nieważna albo nie została zweryfikowana płatność. 

 

W ten prosty sposób, zamiast przeglądać skrzynkę mailową w poszukiwaniu właściwych wiadomości, spedytor może sprawdzić w pliku exel czy otrzymał dokumenty od konkretnego nadawcy i czy są one poprawne. To duża oszczędność czasu i pewność, że dane są prawidłowe.  

 

Jest wiele możliwości dalej rozbudowy naszego Asystenta AI. Możemy integrować go z innymi narzędziami, jak na przykład Slack lub inny komunikator, by wysłać powiadomienia o brakach w dokumentach albo by generować automatyczne odpowiedzi na wiadomości. Agent oparty na sztucznej inteligencji może być dostosowany do indywidualnych potrzeb danej firmy, jej działu lub indywidualnego stanowiska. 

Chcesz poznać możliwości Agentów AI?

Umów spotkanie. Chętnie porozmawiamy o możliwościach.
UMÓW SPOTKANIE

Artykuł Poznaj swojego osobistego Agenta AI: Case study dla firmy spedycyjnej pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]> 7259 Asystenci AI: Szanse i ograniczenia dla rozwoju przedsiębiorstw https://inero-software.com/pl/asystenci-ai-szanse-i-ograniczenia-dla-rozwoju-przedsiebiorstw/ Thu, 23 Jan 2025 12:26:26 +0000 https://inero-software.com/?p=6766 W tym artykule, omawiamy zagadnienia związane z ograniczeniami (zwłaszcza w obszarze EU) oraz skupimy się wyzwaniach związanych z wdrażaniem Agentów AI.

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

]]>

Gartner przewiduje, że do 2028 roku co najmniej 15% codziennych decyzji zawodowych będzie podejmowanych autonomicznie przez agentyczną sztuczną inteligencję. W teorii technologia ta pozwoli na tworzenie bardziej adaptacyjnych systemów oprogramowania, zdolnych do wykonywania szerokiej gamy zadań.  W praktyce jest wciąż wiele niewiadomych, dotyczących bezpieczeństwa danych, zgodności z procedurami wewnętrznymi i regulacjami prawnymi.  W tym artykule, omawiamy zagadnienia związane z ograniczeniami (zwłaszcza w obszarze EU) oraz skupimy się wyzwaniach związanych z wdrażaniem Agentów AI. 

Tempo rozwoju narzędzi opartych na AI, pozwala twierdzić, że praktyczne wykorzystanie „agentowej” / “agentycznej” (ang. Agentic) sztucznej inteligencji do wykonywania czasochłonnych zadań zrewolucjonizuje wiele branż. szczególnie tych, w których automatyzacja i podejmowanie decyzji na podstawie dużych zbiorów danych może znacząco zwiększyć efektywność. 

Myśląc o możliwościach, należy pamiętać także o ograniczeniach.   

Ograniczenia związane z wykorzystaniem Agentów AI

Zależność od jakości danych

AI wymaga dużych zbiorów danych wysokiej jakości do skutecznego działania. Dane błędne, niepełne lub zmanipulowane mogą prowadzić do nieprawidłowych decyzji, co w wielu przypadkach (np. medycyna, finanse) może mieć poważne konsekwencje. 

W badaniu „The Effects of Data Quality on Machine Learning Performance” autorzy analizują wpływ sześciu tradycyjnych wymiarów jakości danych na wydajność piętnastu popularnych algorytmów uczenia maszynowego. Wyniki wskazują, że niekompletne, błędne lub nieodpowiednie dane treningowe mogą prowadzić do niepewnych modeli, które podejmują błędne decyzje. 

Wiarygodne aplikacje AI wymagają wysokiej jakości danych treningowych i testowych w wielu wymiarach jakości, takich jak dokładność, kompletność i spójność. 

To, co jest napisane powyżej, dla wielu osób zajmujących się AI/ML będzie oczywiste. Jednak ocena jakości danych w danej organizacji nie zawsze jest jednoznaczna. Ważne jest, aby informacje, na których chcemy używać agenta OpenAI, były kompletne i nie zawierały obraźliwych treści. Ocena tego stanu na wczesnym etapie może pomóc wyeliminować potencjalne błędy podczas prac wdrożeniowych. 

Bezpieczeństwo danych

Program, który w analizowanym przypadku ma pełnić rolę pomocnika, asystenta ma za zadanie dostarczać nam wiarygodnych i sprawdzonych informacji.  Analizę opiera on na danych, o których pisaliśmy wcześniej. Oczywiście, najlepszymi materiałami do nauki są prawdziwe dokumenty i dane, które są procedowane wewnątrz organizacji.  

Wiele wątpliwości i obaw jest związanych z dostarczeniem do Asystenta danych wrażliwych na temat przedsiębiorstwa.  

Obecny stan przepisów prawnych, niezależnie od naszych opinii, wyznacza ramy działania systemów AI, szczególnie w kontekście zgodności z RODO. Przykładem są agenci oparci na infrastrukturze Azure OpenAI, które dzięki integracji z chmurą zapewniają pełną zgodność z regulacjami, o ile są prawidłowo skonfigurowane przez użytkownika. Warto też wspomnieć o rozwiązaniach takich jak Azure AI Studio, umożliwiających tworzenie agentów w środowisku chmurowym. 


Z drugiej strony, lokalne rozwiązania – oparte na modelach takich jak Llama, Bielik czy inne otwarte modele językowe (np. kontrowersyjny dla niektórych DeppSeek) – dają pełną kontrolę nad danymi i ich przetwarzaniem, choć wymagają większych nakładów technicznych, np. w postaci dedykowanych serwerów. Warto jednak podkreślić, że zarówno w przypadku rozwiązań chmurowych, jak i lokalnych, zgodność z przepisami, w tym z RODO, zależy od odpowiedniej konfiguracji i implementacji systemów przez użytkownika. 

Dynamiczny rozwój tej dziedziny sugeruje, że za kilka miesięcy możliwości te będą jeszcze bardziej rozbudowane, oferując nowe opcje zarówno dla rozwiązań lokalnych, jak i chmurowych- ocenia Andrzej Chybicki, CEO Inero Software  

Keycloak - kompleksowo zarządzaj dostępem i uprawnieniami

Zapewniamy pełne wdrożenie, utrzymanie i szkolenia
Dowiedz się więcej

Cyberbezpieczeństwo i autoryzacja

Autentykacja użytkownika to wyzwanie dla systemów AI, które wymaga szczególnej uwagi w kontekście bezpieczeństwa. Choć w większości przypadków autoryzacja odbywa się na wcześniejszych etapach, istnieją sposoby na obejście tego procesu, co naraża systemy na ryzyko manipulacji. 

Przykład: 

Agent AI, który komunikuje się z użytkownikami, może być podatny na ataki phishingowe, jeśli nie jest odpowiednio zabezpieczony. Na przykład, atakujący może stworzyć zapytanie, które imituje komunikację od autoryzowanego użytkownika. Jeśli agent nie weryfikuje kontekstu lub danych wejściowych, może odpowiedzieć na takie zapytanie, udzielając poufnych informacji lub wykonując nieautoryzowane działania. 

To pokazuje, że wcześniejsza autoryzacja użytkownika, choć kluczowa, nie zawsze wystarcza do zabezpieczenia systemu. Ważne jest wdrożenie dodatkowych mechanizmów, takich jak analiza kontekstowa, zaawansowane systemy wykrywania nietypowych zachowań, a także odpowiednie zabezpieczenie danych przetwarzanych przez agenta AI. Tylko takie podejście minimalizuje ryzyko związane z atakami phishingowymi i manipulacją agentami AI. 

W praktyce autoryzacja użytkownika powinna zawsze odbywać się przed przyznaniem dostępu do asystenta AI. W środowisku chmurowym, np. Azure, można zastosować dodatkowe zabezpieczenia, np korzystając z Active Directory czy Keycloak, aby ograniczyć ryzyko ataków. Jeśli dane nie mogą być przetwarzane poza organizacją, warto korzystać z lokalnych rozwiązań uwierzytelniania i przechowywania danych. 

Z perspektywy bezpieczeństwa kluczowe jest jednak rozwijanie mechanizmów odpornych na phishing, ponieważ brak odpowiednich zabezpieczeń w agentach AI może prowadzić do poważnych zagrożeń- dodaje Andrzej Chybicki  

Podsumowując. Agentyczna sztuczna inteligencja ma potencjał, by zrewolucjonizować sposób, w jaki podejmowane są decyzje zawodowe, zwłaszcza w zadaniach opartych na analizie dużych zbiorów danych. Jednak możliwości te wiążą się z istotnymi wyzwaniami, takimi jak jakość danych, bezpieczeństwo informacji czy zgodność z regulacjami prawnymi.  

Pomożemy Ci wdrożyć nadzędzia AI w organizacji

Chcesz poznać możliwości?
Napisz do nas

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

]]> 6766 Organizacje w Keycloak: Zarządzanie i personalizacja autentykacji https://inero-software.com/pl/organizacje-w-keycloak-zarzadzanie-i-personalizacja-autentykacji/ Thu, 05 Dec 2024 13:26:13 +0000 https://inero-software.com/?p=6437 Organizacja w Keycloak reprezentuje podmiot. Może nim być klient lub partner biznesowy. Funkcja ta pozwala na:

Artykuł Organizacje w Keycloak: Zarządzanie i personalizacja autentykacji pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]>

Keycloak w wersji 26 przyniósł kilka ciekawych rozwiązań, które mogą z powodzeniem być wykorzystywane w średnich i dużych przedsiębiorstwach. Jednym z nich jest funkcja „Organizacje”, na której skupimy się w poniższym tekście. Omówimy sposób korzystania, konfiguracji oraz to, w jaki sposób może usprawnić zarządzanie użytkownikami w złożonych środowiskach.

Czym są organizacje w Keycloak?

Organizacja w Keycloak reprezentuje podmiot. Może nim być klient lub partner biznesowy. Funkcja ta pozwala na:

  • Przypisywanie użytkowników jako członków konkretnej organizacji.
  • Definiowanie dedykowanego administratora dla organizacji.
  • Ustalanie specyficznych procesów autentykacji dla każdej organizacji.

Dzięki zastosowaniu tej funkcji Keycloak umożliwia tworzenie indywidualnych procesów logowania dla różnych klientów w ramach jednego systemu. Na przykład użytkownicy mogą być rozpoznawani na podstawie domeny ich adresu e-mail, co automatycznie kieruje ich do odpowiedniego procesu logowania.

Funkcjonalność organizacji jest szczególnie istotna w środowiskach korporacyjnych i międzyorganizacyjnych, gdzie zarządzanie użytkownikami jest złożone. Organizacje w Keycloak rozwiązują problem obsługi różnorodnych procesów logowania i personalizacji uwierzytelniania. Przykładowo:

  • Firmy świadczące usługi dla wielu klientów mogą tworzyć różne metody logowania i integracji z systemami klientów.
  • Organizacje składające się z wielu jednostek biznesowych mogą niezależnie zarządzać użytkownikami i ich uprawnieniami.
  • Systemy wymagające federacji z zewnętrznymi dostawcami tożsamości mogą korzystać z dedykowanych flow autentykacji.

Organizacje vs. Grupy – jakie są różnice?

W Keycloak 26 funkcjonalność organizacji i grup pełni różne role, mimo że oba mechanizmy służą do zarządzania użytkownikami. Organizacje są przeznaczone do obsługi bardziej złożonych scenariuszy, takich jak zarządzanie użytkownikami w kontekście różnych klientów lub partnerów biznesowych. Skupiają się na flow autentykacji oraz federacji tożsamości, umożliwiając precyzyjne dopasowanie procesów uwierzytelniania do potrzeb zewnętrznych podmiotów. Z kolei grupy lepiej sprawdzają się przy organizowaniu użytkowników w ramach jednej aplikacji, na przykład do przypisywania uprawnień lub definiowania dostępu do zasobów.

Konfiguracja organizacji

W przypadku rozbudowanych systemów uwierzytelniania funkcjonalność organizacji pozwala na bardziej precyzyjne zarządzanie użytkownikami i ich dostępem w ramach określonych struktur. W dalszej części artykułu pokażemy, jak krok po kroku skonfigurować organizacje w Keycloak, od aktywacji tej funkcji w ustawieniach realmu, po przypisywanie użytkowników do konkretnych grup.

1. Włączenie funkcjonalności organizacji w realmie
Aby skorzystać z funkcji organizacji, należy ją aktywować w ramach ustawień realmu:
Przejdź do Realm Settings > General, a następnie włącz opcję Switch Organizations.
Po aktywacji w menu po lewej stronie pojawi się nowa zakładka: Organizations.

2. Tworzenie nowej organizacji
Wejdź w zakładkę Organizations, wybierz Add Organization, a następnie wypełnij kluczowe pola:

    • Name: Unikalna nazwa organizacji, wyświetlana w interfejsie.
    • Alias: Unikalny alias używany w URL’ach (niezmienny po zapisaniu).
    • Redirect URL: Adres, na który użytkownik zostanie przekierowany po rejestracji lub zaakceptowaniu zaproszenia.
    • Domains: Domena używana do rozpoznawania organizacji na podstawie adresu e-mail użytkownika.

Automatyczne przypisywanie na podstawie domeny:
Podczas logowania użytkownik podaje adres e-mail. Keycloak analizuje jego domenę i automatycznie przypisuje go do odpowiedniej organizacji. Dzięki temu użytkownik korzysta z dedykowanego flow autentykacji. Warto zaznaczyć, że Keycloak obsługuje wildcardy w konfiguracji domen, co pozwala na przypisywanie subdomen (np. *.example.com) do tej samej organizacji.

 3. Dodawanie użytkowników do organizacji
Użytkowników można przypisać do organizacji na kilka sposobów:

    • Istniejący użytkownicy: Dodaj użytkowników już obecnych w realmie (Organizations > Members > Add Realm User).
    • Zaproszenia: Wyślij zaproszenie do nowego lub istniejącego użytkownika (Organizations > Members > Add Member > Invite Member).
    • Identity Provider: Powiąż dostawcę tożsamości z organizacją, aby automatycznie przypisywać użytkowników (Organizations > Identity Providers > Link Identity Provider).

4. Wyświetlanie użytkowników w organizacji
Lista użytkowników organizacji jest dostępna w sekcji Organizations > [Nazwa Organizacji] > Members. Informacja o przynależności do organizacji może być zawarta w tokenach jako claim organization. Dzięki temu aplikacje mogą różnicować uprawnienia użytkowników.

5. Zarządzanie flow autentykacji
Organizacje w Keycloak umożliwiają zastosowanie dedykowanych flow autentykacji dla użytkowników.

    • Identity-first login: Użytkownik podaje najpierw adres e-mail lub nazwę użytkownika, co pozwala Keycloakowi rozpoznać organizację i zastosować dedykowany flow.
    • Customizacja flow: Każda organizacja może mieć własny flow autentykacji, co pozwala dostosować procesy logowania do specyficznych wymagań klientów.

Dzięki zastosowaniu funkcji organizacji Keycloak umożliwia zaawansowaną personalizację w systemach IAM, upraszczając jednocześnie zarządzanie użytkownikami i ich dostępem w złożonych środowiskach.

Andrzej kwadrat

Nowa funkcja zarządzania organizacjami w Keycloak umożliwia tworzenie i administrowanie strukturami organizacyjnymi, takimi jak działy czy zespoły, co znacząco może usprawnić procesy takie jak onboarding czy offboarding pracowników oraz kwestie bezpieczeństwa z nimi związane. Przykładowo, podczas onboardingu nowy pracownik może zostać przypisany do odpowiedniej jednostki organizacyjnej, co automatycznie nadaje mu właściwe uprawnienia i dostęp do niezbędnych zasobów, które mogą mieć także charakter tymczasowy (np. dla pracowników tymczasowych). Analogicznie, w przypadku offboardingu usunięcie pracownika z danej jednostki powoduje natychmiastowe cofnięcie jego uprawnień i dostępu do firmowych zasobów, zwiększając tym samym bezpieczeństwo danych. Dzięki tej funkcji zarządzanie dostępami staje się bardziej zautomatyzowane i bezpieczne, co upraszcza procesy kadrowe w organizacji.

dr inż. Andrzej Chybicki CEO Inero Software

Napisz do nas

Zapewniamy kompleksowe wdrożenie i administrację systemami typu IAM
Napisz wiadomość

Artykuł Organizacje w Keycloak: Zarządzanie i personalizacja autentykacji pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]> 6437 Konsekwencje finansowe dla zarządów w obliczu rosnących zagrożeń cyberbezpieczeństwa https://inero-software.com/pl/zarzad-poniesie-konsekwencje-cyberataku/ Fri, 21 Jun 2024 07:57:24 +0000 https://inero-software.com/?p=5925 Artykuł Konsekwencje finansowe dla zarządów w obliczu rosnących zagrożeń cyberbezpieczeństwa pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]>

 

Kto powinien ponieść konsekwencje wycieku danych, spowodowanych cyberatakiem? Te pytanie, każde przedsiębiorstwo rozpatrywało dotąd indywidualnie, jednak nowe dyrektywy międzynarodowe, dokładnie określiły kto musi zadbać o wprowadzenie praktyk bezpieczeństwa, a następnie dbać o ich egzekwowanie. Nowy trend związany z dodatkową odpowiedzialnością finansową zarządu, zapoczątkowany w Stanach Zjednoczonych, ma szansę rozprzestrzenić się na kolejne kraje.

Średnio 1000 zgłoszeń, dotyczących zagrożeń cyberbezpieczeństwa otrzymuje codziennie Zespół Reagowania na Incydenty Bezpieczeństwa Komputerowego CSIRT GOV prowadzony przez Szefa Agencji Bezpieczeństwa Wewnętrznego. Pokazuje to skalę działalności cyberprzestępców.

Celami ataków są głównie pracownicy, w tym managerowie wysokiego szczebla, którzy mają dostęp do poufnych informacji na temat przedsiębiorstwa. Według raportu „2024 Data Breach Investigations Report”, około 68% naruszeń bezpieczeństwa zawierało element ludzki, taki jak błąd użytkownika lub skuteczne ataki socjotechniczne, co pokazuje, że czynnik ludzki nadal jest kluczowym słabym ogniwem w zabezpieczeniach organizacji​.

Do tej pory trudno było ocenić, kto powinien ponieść konsekwencje cyberataku. Innowacyjny pomysł zgłosił Brad Smith, wiceprezes Microsoftu, podczas przesłuchania komisji w Izbie Reprezentantów w sprawie kwestii bezpieczeństwa firmy. Koncern stanie się jednym z pierwszych przedsiębiorstw, gdzie cyberbezpieczeństwo będzie bezpośrednio wpływało na premie dla kadry kierowniczej.

Rozszerzenie zasobów połączyliśmy z ważnymi zmianami w zarządzaniu bezpieczeństwem w firmie. Oprócz kluczowej, długoletniej roli Chief Information Security Officer (CISO), stworzyliśmy Office of the CISO z senior-level Deputy CISOs, aby rozszerzyć nadzór nad różnymi zespołami inżynieryjnymi, oceniać i zapewniać, że bezpieczeństwo jest „wbudowane” w procesy podejmowania decyzji inżynieryjnych.

Ostatecznie zmiana kultury wymaga odpowiedzialności. Jest to coś, co rozumieją wszyscy nasi senior liderzy, zaczynając od Satyi jako CEO firmy. Zamiast delegować ogólną odpowiedzialność za bezpieczeństwo na kogoś innego, przejął on tę odpowiedzialność osobiście, pełniąc rolę głównego dyrektora z pełną odpowiedzialnością za bezpieczeństwo Microsoftu.

Dlatego też ogłosiliśmy 3 maja, że część wynagrodzenia zespołu Senior Leadership Team będzie uzależniona od postępów w realizacji naszych planów i celów bezpieczeństwa. Od tego czasu pracowaliśmy nad dopracowaniem tych kroków dotyczących wynagrodzenia i innych środków odpowiedzialności na następny rok fiskalny, który zaczyna się 1 lipca[1]. – mówił Brad Smith przez Komisją Izby Reprezentantów ds. Bezpieczeństwa Wewnętrznego Stanów Zjednoczonych

Działania zapoczątkowane przez Microsoft, mają zdaniem analityków szansę stać się trendem globalnym. Jak sytuacja wygląda w Unii Europejskiej, która zwykle wprowadza zmiany wolniej niż Stany Zjednoczone?

Unijne przepisy dotyczące cyberbezpieczeństwa wprowadzone w 2016 r. zostały zaktualizowane dyrektywą NIS2, która weszła w życie w 2023 r. Zmodernizowano w niej istniejące ramy prawne, aby nadążyć za rosnącą cyfryzacją i zmieniającym się krajobrazem zagrożeń dla cyberbezpieczeństwa. Państwa UE mają obowiązek wdrożyć do 17 października tego roku, nowe wytyczne do krajowego porządku prawnego np. przy pomocy ustawy.

Według szacunków PwC, nowa dyrektywa obejmie ponad 6000 podmiotów działających w 18 sektorach gospodarki, w Polsce.[2]

W rozdziale IV dyrektywy, artykuł 20, możemy przeczytać:

1.   Państwa członkowskie zapewniają, aby organy zarządzające podmiotów kluczowych i ważnych zatwierdzały środki zarządzania ryzykiem w cyberbezpieczeństwie przyjęte przez te podmioty w celu zapewnienia zgodności z art. 21, nadzorowały ich wdrażanie i mogły być pociągnięte do odpowiedzialności za naruszanie przez te podmioty tego artykułu.

Stosowanie niniejszego ustępu nie narusza przepisów krajowych dotyczących zasad odpowiedzialności instytucji publicznych oraz odpowiedzialności urzędników publicznych oraz urzędników wybranych lub mianowanych.

2. Państwa członkowskie zapewniają, aby członkowie organu zarządzającego podmiotów kluczowych i ważnych mieli obowiązek odbywać regularne szkolenia w celu zdobycia wystarczającej wiedzy i umiejętności pozwalających im rozpoznać ryzyko i ocenić praktyki zarządzania ryzykiem w cyberbezpieczeństwie oraz ich wpływ na usługi świadczone przez dany podmiot, a także zachęcają podmioty kluczowe i ważne do oferowania podobnych szkoleń ich pracownikom.[3]

Jak widać Komisja Europejska wprowadziła zapis, w którym to kierownictwo wyższego szczebla, w tym członkowie zarządu, ponoszą odpowiedzialność za zapewnienie zgodności organizacji z wymaganiami dotyczącymi zarządzania ryzykiem cybernetycznym oraz zgłaszania incydentów. Dyrektywa nakłada obowiązek, aby osoby na stanowiskach kierowniczych zapewniały odpowiednie środki zabezpieczające i były odpowiedzialne za ich skuteczność.

Dyrektywa NIS2 objęła szeroki zakres podmiotów, zarówno publicznych, jak i prywatnych, które świadczą usługi krytyczne dla funkcjonowania społeczeństwa i gospodarki.

Podmioty objęte dyrektywą:

Podmioty podstawowe (essential entities):

  • Sektory energetyczne (elektryczność, gaz, olej)
  • Sektory transportowe (lotnictwo, kolej, wodny, drogowy)
  • Sektory bankowe i infrastruktury rynków finansowych
  • Sektory zdrowotne (szpitale, dostawcy opieki zdrowotnej)
  • Woda pitna i gospodarka ściekowa
  • Infrastruktura cyfrowa (dostawcy usług DNS, rejestry domen, dostawcy chmur obliczeniowych)
  • Administracja publiczna (podmioty centralne i regionalne)

Podmioty ważne (important entities):

  • Poczta i usługi kurierskie
  • Gospodarka odpadami
  • Produkcja, produkcja i dystrybucja chemikaliów
  • Produkcja żywności (podmioty zajmujące się produkcją i przetwórstwem przemysłowym)
  • Podmioty produkcyjne (produkcja urządzeń medycznych, komputerowych, elektronicznych, pojazdów)
  • Dostawcy usług cyfrowych (platformy mediów społecznościowych, dostawcy usług wyszukiwarek internetowych)
  • Organizacje badawcze

Podmioty kluczowe i ważne muszą wdrożyć odpowiednie polityki bezpieczeństwa, aby zapewnić systematyczną i dogłębną analizę ryzyka. Polityki te powinny obejmować podejście uwzględniające wszelkie możliwe zagrożenia, w tym te związane z bezpieczeństwem fizycznym (all-hazard approach). Odpowiedzialność za wdrożenie tych polityk spoczywa bezpośrednio na zarządach.

 

Chcesz porozmawiać o cyberbezpieczeństwie Twojej firmy? Napisz do nas

[contact-form-7]

 

 

[1] https://blogs.microsoft.com/on-the-issues/2024/06/13/microsofts-work-to-strengthen-cybersecurity-protection/

[2] https://www.pwc.pl/pl/uslugi/nis2-nowe-wymogi-dotyczace-cyberbezpieczenstwa.html

[3] https://eur-lex.europa.eu/eli/dir/2022/2555/oj

 

Artykuł Konsekwencje finansowe dla zarządów w obliczu rosnących zagrożeń cyberbezpieczeństwa pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]> 5925 Optymalizacja procesu gromadzenia danych dzięki algorytmom AI https://inero-software.com/pl/optymalizacja-procesu-gromadzenia-danych-dzieki-algorytmom-ai/ Tue, 12 Sep 2023 08:48:59 +0000 https://inero-software.com/?p=5052 Optymalizacja procesu gromadzenia danych dzięki algorytmom AI W dobie postępu i licznych osiągnięć w dziedzinie przetwarzania języka naturalnego, widzimy coraz większe możliwości w zakresie analizy i wnioskowania, na podstawie danych zgromadzonych w nieustrukturyzowanych archiwach tekstowych i dokumentach. Koniecznym krokiem staje się więc, usprawnienie działań biznesowych i wdrożenie do nich narzędzi…

Artykuł Optymalizacja procesu gromadzenia danych dzięki algorytmom AI pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]>

Optymalizacja procesu gromadzenia danych dzięki algorytmom AI

W dobie postępu i licznych osiągnięć w dziedzinie przetwarzania języka naturalnego, widzimy coraz większe możliwości w zakresie analizy i wnioskowania, na podstawie danych zgromadzonych w nieustrukturyzowanych archiwach tekstowych i dokumentach. Koniecznym krokiem staje się więc, usprawnienie działań biznesowych i wdrożenie do nich narzędzi związanych z NLP i LLM. Digitalizacja procesów biznesowych sprawia, że wiele zadań przenosi się do świata wirtualnego, a kontrola i analiza dużej ilości zgromadzonych danych staje się poważnym wyzwaniem.

Kluczowy jest oczywiście czas

W erze ciągłego pośpiechu, żmudne zadania analityczne, wymagające skupienia, dokładności i sumienności stają się prawdziwym ciężarem dla sprawnych i często rozproszonych zespołów. Nowoczesny biznes działa szybko. Jest wiele branż, w których dbałość o jakość dokumentacji odgrywa bardzo ważną rolę i znacząco wpływa na efektywność pracy w grupie. To między innymi sektor księgowy, kancelarie prawnicze, branża ubezpieczeniowa czy transportowa. Właśnie tą ostatnią posłużymy się jako przykładem. Firmy TSL codziennie realizują nawet po kilkadziesiąt frachtów. Każdy z nich generuje dużą ilość dokumentacji, jak faktury, umowy, polisy, WZ, karty pracy kierowców itp.. Dodając je do wewnętrznego obiegu administracyjnego, łatwo przeoczyć dokument nieczytelny (np. pośpiesznie zeskanowany), który na pewnym etapie zakłóci proces obiegu dokumentów i będzie wymagał korekty, przez co liczba zadań do wykonania znacznie się wydłuży. Może mieć to wpływ na zachwianie przepływów pieniężnych. Optymalizacja procesu gromadzenia danych we właściwej jakości staje się więc kluczowa.

 

Tradycyjne metody stają się mniej skuteczne

Tradycyjne metody rozwoju oprogramowania stają się mniej skuteczne w przypadku dużych baz danych. Często opierają się wyłącznie na strukturalnie przetwarzanych danych i z góry określonych regułach, które mogą być nieodpowiednie do pracy z nieustrukturyzowanym tekstem i subtelnościami naturalnego pisma. Klasyczne podejście do tworzenia oprogramowania załamuje się w obliczu wielkoskalowych baz wiedzy. Pracując nad DocsQuality obniżamy barierę dostępu zespołów do narzędzi związanych z NLP (programowaniem neurolingwistycznym) i LLM (z ang. Large Language Model), aby mogły one w sposób prosty pobierać dane z archiwów nieustrukturyzowanych tekstów i dokumentów.

Zadaniem oprogramowania DocsQuality jest ocena atrybutów dokumentu, przed jego zaimportowaniem do obiegu księgowego. Oceni on w czasie rzeczywistym, między innymi czytelność, wyrazistość i jakość pliku. Oprogramowanie od razu poinformuje o problemach związanych np. z załącznikiem do maila, dając sygnał, że już na tym etapie system nie powinien przyjąć tego dokumentu do obiegu.

Modele NLP i LLM

Połączenie i zastosowanie modeli NLP i LLM to nowa, innowacyjna metoda oceny jakości dokumentacji. Przy tworzeniu oprogramowania, NLP może być używane do wyodrębnienia tekstu ze zdjęć dokumentów. Jest to związane z techniką OCR (Optical Character Recognition) i pozwala przekształcić tekst z obrazu na tekst edytowalny, który można ocenić pod kątem jakości. Z kolei modele LLM, mogą przeczytać i zrozumieć tekst w dokumencie PDF, pozwalając na ocenę czytelności, gramatyki, składni oraz poprawności ortografii w dokumencie, a w kolejnym etapie analizę, wnioskowanie i rozumienie treści.

DocsQuality

Inżynierowie Inero Software wiąż rozwijają funkcjonalności, które oferuje DocsQuality. Tworzenie nowego oprogramowania  w tak dynamicznym środowisku, wymaga ciągłego udoskonalania i szukania optymalnych rozwiązań. Potencjał, który ma w sobie wdrożenie do niego narzędzi związanych z NLP i LLM, pozwoli w przyszłości na jeszcze dokładniejszą analizę dokumentacji.

Jeśli zainteresowało Cię oprogramowanie DocsQuality zapraszamy na stronę https://docsquality.com/ oraz do kontaktu mailowego hi@docs-quality.com. Chętnie odpowiemy na wszystkie pytania i przedstawimy jego funkcjonalność i sposób wdrożenia. DocsQuality można z powodzeniem zintegrować z działającym systemem ERP.  Pozwoli to na rozszerzenie oferowanych funkcjonalności o skuteczny monitoring jakości dokumentów, pozwalający wyłapywać problematyczne pliki przed ich wdrożeniem do obiegu księgowego.

Artykuł Optymalizacja procesu gromadzenia danych dzięki algorytmom AI pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

]]> 5052