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.

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.

Szukasz praktycznych przykładów wykorzystania agentów AI w przedsiębiorstwie? W poprzednim blogu opisaliśmy możliwość integracji takiego agenta z pocztą email na przykładzie firmy spedycyjnej. Cały tekst znajdziesz tu >> . Tym razem przyjrzymy się jak agent oparty na sztucznej inteligencji, może pomóc w działach prawnych, administracyjnych i zarządzających zasobami ludzkimi. Poznaj nasze najnowsze case study.  

„Agenci AI” to inteligentne systemy oparte na algorytmach uczenia maszynowego, Dowiesz się o nich więcej z tego tekstu>>.  Mogą zostać zintegrowane z wieloma narzędziami jak poczta email, system ERP czy CRM. W tym przykładzie posłużymy się integracją z platformą do komunikacji Slack.  

Slack jest wykorzystywany jako narzędzie do współpracy zespołowej, które umożliwia wymianę wiadomości, organizowanie rozmów w kanałach tematycznych, przesyłanie plików oraz integrację z innymi aplikacjami biznesowymi. 

Jedną z możliwości, którą oferuje jest integracja poprzez API z wybranym LLMem (Large Language Models) jak Gemini, Chat GPT czy DeepSeek. Tym razem jako podstawa dla naszego agenta AI posłużą Chat GPT od OpenAI oraz wyszukiwarka Google.  

Na pewno znasz sytuacje, w których należy pilnie przygotować ofertę lub umowę wprowadzając dane do szablonu. Każdego dnia pracownicy muszą opracowywać, analizować i negocjować różnorodne dokumenty, obejmujące umowy handlowe, kontrakty z dostawcami, porozumienia o zachowaniu poufności (NDA) czy umowy współpracy.  

Wielu managerów zastanawia się jak zastosowanie sztucznej inteligencji może autoratywność i przyspieszyć część tych zadań, nie obniżając jednocześnie wysokiego poziomu realizowanych działań. Rozwiązaniem ponownie staje się wdrożenie dedykowanego Agenta AI, który wesprze pracowników w wyszukiwaniu i uzupełnianiu informacji na podstawie danych w Krajowym Rejestrze Sądowym.  

W naszym przykładzie zaprojektowaliśmy agenta AI tak, aby wydając mu polecenia przez platformę Slack uzupełniał dane kontrahenta w otrzymanym wcześniej wzorze umowy NDA. Dzięki integracji z wyszukiwarką Google, Agent przeszukuje sieć w celu pobrania z danych KRS konkretnych danych. W tym przypadku: adresu firmy, numerów NIP, Regon, KRS i osoby do reprezentacji firmy.  

Następnie asystent prosi nas o weryfikację poprawności znalezionych informacji. Po ich potwierdzeniu pracownik otrzymuje umowę NDA wraz z uzupełnionymi danymi firmy partnerskiej. Uzupełnione miejsca są zaznaczone kolorem żółtym, aby podkreślić widoczność miejsc, w których zostały wprowadzone zmiany.  

To tylko jeden z wielu przykładów zastosowania Agenta AI w realizacji zadań, związanych z dokumentacją i procesami front i back office. Dzięki opracowanej przez nas metodzie, możemy przygotować narzędzie, które będzie przygotowywało umowy dla firm, które zajmują się na przykład zatrudnianiem pracowników sezonowych lub takich, w których jest duża rotacja personelu.  

Agenci AI to temat stosunkowo nowy, jednak zyskujący szybko popularność. Wiele firm dostrzega korzyści takie jak: oszczędność czasu przy wykonywaniu powtarzalnych zdań, redukcja kosztów operacyjnych oraz zwiększenie efektywności procesów biznesowych. Dzięki automatyzacji rutynowych zadań, pracownicy mogą skupić się na bardziej strategicznych i kreatywnych aspektach swojej pracy. 

Ponadto, Agenci AI mogą działać w trybie całodobowym, eliminując opóźnienia związane z dostępnością personelu. Ich zastosowanie obejmuje różne dziedziny – od obsługi klienta, poprzez analizę dokumentów prawnych, aż po zaawansowane systemy wspomagania decyzji w biznesie. 

Firmy coraz częściej wdrażają otwarte modele językowe. co pozwala na większą kontrolę nad danymi i dostosowanie agentów do indywidualnych potrzeb organizacji. Wraz z rozwojem technologii możemy spodziewać się jeszcze większej integracji AI w codziennych procesach, przy jednoczesnym wzroście świadomości dotyczącej etyki i bezpieczeństwa ich wykorzystania. 

Jeśli wdrożenie asystenta opartego na sztucznej inteligencji jest dla Ciebie ciekawym tematem, to przypominamy, że w ramach Pomeranian EDIH realizujemy usługi consultingowe IT m.in. w zakresie budowania dedykowanych agentów AI do automatyzacji procesów back-office.

Uczestnicy dowiedzą się m.in. jak stworzyć wirtualnego asystenta głosowego lub tekstowego, którego zadaniem będzie wsparcie firmy w m.in. sporządzaniu ofert, komunikacji z klientami, analizie dokumentacji i jej weryfikacji.

Stwórz z nami agenta AI

Jeśli chcesz skorzystać z proponowanych przez nas szkoleń to skontaktuj się z nami

Kontakt

Artykuł Optymalizacja procesów back – office, dzięki wdrożeniu agenta AI. Praktyczny przykład 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.

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.

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

Wraz z rosnącym zapotrzebowaniem na aplikacje działające w czasie rzeczywistym, uruchamianie modeli głębokiego uczenia w przeglądarce staje się coraz bardziej dostępne i wydajne. W tym artykule pokażemy, jak zaimplementować wykrywanie obiektów bezpośrednio w przeglądarce, wykorzystując YOLO (You Only Look Once) oraz TensorFlow.js. Skoncentrujemy się na zastosowaniu wytrenowanego przez nas niestandardowego modelu YOLOv8 do wykrywania ludzkich twarzy. Na końcu tego przewodnika dowiesz się, jak skonfigurować i uruchomić model YOLO do wykrywania twarzy za pomocą TensorFlow.js, przetworzyć wyniki i zoptymalizować wydajność – wszystko to bez potrzeby korzystania z serwera czy przetwarzania po stronie backendu.

Dlaczego warto korzystać z sieci neuronowych w przeglądarce?

Uruchamianie sieci neuronowych w przeglądarce ma wiele zalet. Najważniejsze z nich to:

1. Niskie opóźnienia: Wszystko odbywa się po stronie klienta, co eliminuje opóźnienia wynikające z przesyłania danych na serwer i oczekiwania na odpowiedź.
2. Większa prywatność: Wrażliwe dane pozostają na urządzeniu użytkownika, co minimalizuje ryzyko ich naruszenia lub ujawnienia.
3. Możliwość użycia offline: Użytkownicy mogą korzystać z funkcji uczenia maszynowego nawet bez stałego połączenia z internetem.
4. Kompatybilność między platformami: Aplikacja działa na każdym urządzeniu z przeglądarką – niezależnie czy to komputer, tablet, czy smartfon.

Wybór i przygotowanie sieci neuronowej

Przy wyborze sieci neuronowej do implementacji w przeglądarce warto uwzględnić takie czynniki jak rozmiar modelu, szybkość działania, zużycie pamięci oraz kompatybilność z technologiami przeglądarkowymi, np. WebGL. Dla optymalnej wydajności na urządzeniach o ograniczonych zasobach zaleca się stosowanie modeli o rozmiarze poniżej 30 MB. Do odpowiednich modeli należą MobileNetV2, SqueezeNet, EfficientNet oraz wybrane warianty YOLO. My zdecydowaliśmy się na wytrenowany przez nas model YOLOv8 do wykrywania ludzkich twarzy na obrazach.

Jeśli Twój model przekracza zalecany rozmiar, warto rozważyć techniki optymalizacji, takie jak kwantyzacja (quantization) i przycinanie (pruning). Kwantyzacja zmniejsza precyzję wag modelu, zazwyczaj konwertując wartości zmiennoprzecinkowe 32-bitowe na liczby zmiennoprzecinkowe 16-bitowe lub całkowite 8-bitowe. Przycinanie usuwa zbędne połączenia w sieci neuronowej. Obie metody zmniejszają rozmiar modelu i redukują złożoność obliczeniową, co poprawia szybkość inferencji – szczególnie na urządzeniach takich jak smartfony – choć mogą one nieznacznie wpłynąć na dokładność.

Optymalizacja YOLOv8 do wykrywania twarzy: wyniki naszego niestandardowego modelu

Nasz model YOLOv8 został wytrenowany na niestandardowym zbiorze danych w celu automatycznego sprawdzania, czy załącznik zawiera wyraźne zdjęcie ludzkiej twarzy, skierowanej na wprost i niezasłoniętej, np. przez maskę. Taka funkcjonalność jest szczególnie przydatna w systemach obiegu dokumentów, gdzie weryfikacja tożsamości wymaga widoczności twarzy. Zbiór danych składał się z 1500 obrazów, z czego 1200 wykorzystano do treningu, a 300 do walidacji. Dataset zawierał zdjęcia twarzy fotografowanych z różnych kątów, twarzy częściowo zasłoniętych oraz zdjęcia innych obiektów. Dzięki treningowi model nauczył się skutecznie wykrywać twarze spełniające wymagane kryteria. Poniższe przykłady ilustrują, jak model działa w praktyce. Dwie twarze po lewej stronie zostały poprawnie wykryte, podczas gdy dwie po prawej nie zostały rozpoznane, ponieważ były częściowo zasłonięte:

(source of images: https://www.kaggle.com/datasets/ashwingupta3012/human-faces, https://www.kaggle.com/datasets/andrewmvd/face-mask-detection)

Wyniki wnioskowania na czterech przykładach – dwie twarze po lewej stronie zostały poprawnie wykryte, natomiast dwie po prawej nie, ponieważ były częściowo zasłonięte.

Jako bazowy model dla naszego projektu wybraliśmy YOLOv8s (small), co dało model o rozmiarze 44 MB, osiągający 99,9% precyzji (ang. precision) oraz 99,1% czułości (ang. recall) na naszym niestandardowym zbiorze danych walidacyjnych. W celu optymalizacji przetestowaliśmy również mniejszy model bazowy, YOLOv8n (nano), oraz przeanalizowaliśmy efekty kwantyzacji. Trening z modelem YOLOv8n dał model o rozmiarze zaledwie 12 MB, przy niemal identycznych wynikach – 99,7% precyzji i 99,1% czułości. Następnie przeprowadziliśmy kwantyzację obu modeli, a ich rozmiary oraz dokładność po kwantyzacji zostały zaprezentowane w poniższej tabeli:

	Model bazowy			Model kwantyzowany 16-bitowy
	Rozmiar	Precyzja	Recall	Rozmiar	Precyzja	Recall
YOLOv8 small	44 MB	0.999	0.991	22 MB	0.997	0.991
YOLOv8 nano	12 MB	0.997	0.991	6 MB	0.989	0.991

Uwaga: Czułość mierzy, ile rzeczywistych pozytywnych próbek zostało poprawnie zidentyfikowanych (tutaj: ile twarzy zostało poprawnie wykrytych), natomiast precyzja wskazuje, ile próbek zidentyfikowanych przez model jako pozytywne było faktycznie pozytywnych (tutaj: ile obiektów wykrytych przez model to faktycznie ludzkie twarze). W idealnym przypadku oba wskaźniki wynoszą 1.

W naszym przykładzie, zastosowanie mniejszego modelu bazowego wraz z kwantyzacją zmniejszyło dokładność o mniej niż 1%, jednocześnie redukując rozmiar modelu z 44 MB do zaledwie 6 MB.

Poniżej przedstawiamy kilka przykładowych zdjęć, które pokazują, jak działają dwa modele: YOLOv8s i YOLOv8n z kwantyzacją.

Wyniki inferencji z modelem YOLOv8s, bez kwantyzacji (o rozmiarze 44 MB):

(source of images: https://www.kaggle.com/datasets/ashwingupta3012/human-faces).

Wyniki inferencji z modelem YOLOv8n po kwantyzacji 16-bitowej (o rozmiarze 6 MB). Różnica w poziomie ufności jest minimalna, natomiast położenie wykrytych obiektów pozostało takie samo.

Przetestowaliśmy wydajność dwóch modeli — YOLOv8s (44 MB) i YOLOv8n po kwantyzacji 16-bitowej (6 MB) — na trzech różnych procesorach. Mniejszy model, YOLOv8n, konsekwentnie przewyższał swój większy odpowiednik pod względem czasu wczytania modelu oraz szybkości pojedynczej inferencji. Szczegółowe dane dotyczące wydajności zostały podsumowane w tabeli poniżej.

	Ładowanie modelu			Pojedyncze wnioskowanie
	CPU 1	CPU 2	CPU 3	CPU 1	CPU 2	CPU 3
YOLOv8 small	1050 ms	3700 ms	4200 ms	21 ms	117.5 ms	196.5 ms
YOLOv8 nano 16-bit	980 ms	3200 ms	3700 ms	16 ms	112.5 ms	189 ms
Przyspieszenie	6.7 %	13.5 %	11.9 %	23.8 %	4.2 %	3.8 %

Oprócz czasu wczytania modelu i inferencji, istotnym czynnikiem do rozważenia jest również czas pobrania modelu, który nie został uwzględniony w tabeli. Czas ten jest bezpośrednio proporcjonalny do rozmiaru modelu i w znacznym stopniu zależy od prędkości połączenia internetowego użytkownika.

Praktyczna implementacja krok po kroku

Aby wdrożyć model uczenia maszynowego w przeglądarce, skorzystamy z TensorFlow.js — popularnej biblioteki, która umożliwia uruchamianie wytrenowanych modeli lub całkowite trenowanie nowych modeli bezpośrednio w przeglądarce. W tym przewodniku skupimy się na wdrożeniu wytrenowanego modelu YOLOv8 do wykrywania twarzy. Poniżej znajdziesz instrukcję, jak krok po kroku skonfigurować środowisko i uruchomić model z TensorFlow.js.

1. Instalacja TensorFlow.js

Najłatwiejszą metodą instalacji Tensorflow.js jest użycie npm:

npm install @tensorflow/tfjs 

2. Wczytanie modelu

Ponieważ używamy biblioteki TensorFlow.js, musisz przekonwertować swój model na format TensorFlow.js (Tf.js). W przypadku modeli YOLO, twórcy Ultralytics udostępnili łatwy sposób na dokonanie tego za pomocą prostego polecenia:

yolo export model=path/to/best.pt format=tfjs 

Po konwersji Twój model zostanie zapisany jako pliki binarne wraz z plikiem JSON o nazwie model.json. Wówczas możesz wczytać model korzystając z funkcji tf.loadGraphModel(). Poniżej znajdziesz przykład implementacji. Zwróć uwagę na dodatkowy etap „rozgrzewki” modelu, poprzez wykonanie jednokrotnej inferencji na losowych danych wejściowych. Ten krok poprawi wydajność modelu przy kolejnej inferencji.

export async function loadModel(modelPath) { 
  try { 
    // Load the model using a URL 
    const model = await tf.loadGraphModel(`${modelPath}/model.json`); 
    // Warm up the model 
    const dummyInput = tf.ones(model.inputs[0].shape); 
    await model.execute(dummyInput); 
    return model; 
  } catch (error) { 
    throw new Error(`Failed to load model: ${error.message}`); 
  } 
} 

3. Przygotowanie danych wejściowych

Przed uruchomieniem modelu musimy odpowiednio przygotować obraz wejściowy. Modele YOLO oczekują obrazów o określonym rozmiarze, takim samym jaki został użyty podczas treningu sieci. Zamiast jednak zmieniać rozmiar obrazu (np. funkcją resize()), zalecamy bardziej zaawansowaną metodę przetwarzania obrazu, która zachowuje proporcje i stosuje wypełnienie (letterbox padding). Takie podejście jest zgodne z przetwarzaniem stosowanym przez Ultralytics podczas trenowania modelu YOLO i zapewni najlepszą skuteczność.

Poniższa funkcja skaluje obraz tak, aby największy jego wymiar zgadzał się z tym oczekiwanym przez model, dodaje wypełnienie aby dopasować drugi wymiar obrazu (jeżeli trzeba) i normalizuje obraz wejściowy:

function preprocessImage(base64Image, imgSize) { 
  const image = new Image(); 
  image.src = base64Image; 
  const canvas = document.createElement('canvas'); 
  canvas.width = image.width; 
  canvas.height = image.height; 
  const ctx = canvas.getContext('2d'); 
  ctx.drawImage(image, 0, 0, image.width, image.height); 
 
  // Convert canvas image to a tensor 
  let imgTensor = tf.browser.fromPixels(canvas); 
 
  // Determine rescale factor 
  const xFactor = image.width / imgSize; 
  const yFactor = image.height / imgSize; 
  const factor = Math.max(xFactor, yFactor); 
  const newWidth = Math.round(image.width / factor); 
  const newHeight = Math.round(image.height / factor); 
 
  // Resize to expected input shape  
  imgTensor = tf.image.resizeBilinear(imgTensor, [newHeight, newWidth]); 
 
  // Add padding 
  const xPad = (imgSize - newWidth) / 2; 
  const yPad = (imgSize - newHeight) / 2; 
  const top = Math.floor(yPad); 
  const bottom = Math.ceil(yPad); 
  const left = Math.floor(xPad); 
  const right = Math.ceil(xPad); 
  imgTensor = tf.pad(imgTensor, [[top, bottom], [left, right], [0, 0]], 114); 
 
  // Normalize pixel values 
  imgTensor = imgTensor.div(255.0).expandDims(0); // Add batch dimension 
  return { imgTensor, left, top, factor }; 
 
} 

4. Uruchom inferencję modelu

Po załadowaniu modelu i przetworzeniu danych wejściowych, wykonanie inferencji odbywa się za pomocą tej linii kodu:

const prediction = await model.execute(inputTensor); 

5. Przetwarzanie wyników modelu

Wynik sieci YOLO to tensor, który należy odpowiednio zinterpretować. Poniżej znajdują się kroki w naszej funkcji postprocessInferenceResults(), które pozwalają na wyodrębnienie współrzędnych wszystkich wykrytych obiektów:

const results = prediction.transpose([0, 2, 1]);  
const numClass = 1; // Only one class in our case 
const boxes = tf.tidy(() => { 
const w = results.slice([0, 0, 2], [-1, -1, 1]); // Get width 
const h = results.slice([0, 0, 3], [-1, -1, 1]); // Get height 
const x1 = tf.sub(results.slice([0, 0, 0], [-1, -1, 1]), tf.div(w, 2)); // Get x1 

const y1 = tf.sub(results.slice([0, 0, 1], [-1, -1, 1]), tf.div(h, 2)); // Get y1 
return tf.concat([y1, x1, y1.add(h), x1.add(w)], 2).squeeze(); 
}); 

Aby wyodrębnić klasy i poziomy ufności dla każdego obiektu:

const numClass = labels.length; 
const [scores, classes] = tf.tidy(() => { 
const rawData = results.slice([0, 0, 4], [-1, -1, numClass]).squeeze(0); 
  return [rawData.max(1), rawData.argMax(1)]; 
}); 

Następnie należy pozbyć się wyników z poziomem ufności poniżej ustalonego progu (u nas był to 0.4):

const array = await scores.array(); 
const highConfidenceIndices = array.reduce((acc, value, index) => { 
  if (value > 0.4) acc.push(index); 
  return acc; 
}, []); 
 
const highConfidenceBoxes = boxes.gather(highConfidenceIndices); 
const highConfidenceScores = scores.gather(highConfidenceIndices); 
const highConfidenceClasses = classes.gather(highConfidenceIndices); 

Na koniec zastosuj Non-Max Suppression (NMS), aby odfiltrować duplikaty, tzn. wykryte obiekty, które się na siebie nakładają:

const nms = await tf.image.nonMaxSuppressionAsync(highConfidenceBoxes, highConfidenceScores, 40, 0.45, 0.4); // NMS to filter boxes 
 
const boxesData = highConfidenceBoxes.gather(nms, 0); // Indexing boxes by NMS index 
const scoresData = highConfidenceScores.gather(nms, 0).dataSync(); // Indexing scores by 
const classesData = highConfidenceClasses.gather(nms, 0).dataSync(); // Indexing classes by NMS index 

Ostatnim krokiem jest przeskalowanie współrzędnych, aby dopasować je do kształtu oryginalnego obrazu:

// Precompute the margins and factors outside the stack 
const yMarginTensor = tf.scalar(yMargin); 
const xMarginTensor = tf.scalar(xMargin); 
const resizeFactorTensor = tf.scalar(resizeFactor); 
// Slice the boxesData and apply transformations in one step 
 
const [yCoordinates, xCoordinates, height, width] =  
  ['0', '1', '2', '3'].map((index) =>  
    boxesData.slice([0, parseInt(index)], [-1, 1]).sub(index % 2 === 0 ? yMarginTensor : xMarginTensor).mul(resizeFactorTensor) 
); 
 
// Stack the tensors without converting to arrays (unless needed) 
const bbox = tf.stack([yCoordinates, xCoordinates, height, width], 1); 
 
// Convert to an array only if absolutely necessary 
const bboxArray = bbox.arraySync(); 

Na końcu możemy zdefiniować funkcję runInference(), która zawiera cały opisany powyżej proces wykrywania obiektów. Ta funkcja zawiera przygotowanie obrazu, uruchomienie inferencji modelu oraz przetworzenie wyników. Oto jak wygląda:

export async function runInference(model, labels, image, confidenceThreshold = 0.4) { 
  try { 
    // Preprocess the image 
    const imgSize = model.inputs[0].shape[1]; 
    const { imgTensor: inputTensor, left: xMargin, top: yMargin, factor: resizeFactor } = preprocessImage(image, imgSize); 
 
    // Run inference 
    const prediction = await model.execute(inputTensor); 
 
    // Post-process the model output 
    const [boxes, scores, classes] = await postprocessInferenceResults(prediction, labels, xMargin, yMargin, resizeFactor, confidenceThreshold); 
    return [boxes, scores, classes]; 
 
  } catch (error) { 
    throw new Error(`Inference failed: ${error.message}`); 
  } 
} 

6. Wizualizacja wyników

Na samym końcu, gdy mamy już gotowe wyniki detekcji, możemy narysować wykryte obiekty na obrazie:

function drawBoxesOnCanvas(ctx, boxes, classes, scores, colors) { 
  boxes.forEach((box, i) => { 
    const [x1, y1, x2, y2] = box; 
    ctx.strokeStyle = colors[classes[i]]; 
    ctx.lineWidth = 2; 
    ctx.strokeRect(x1, y1, x2 - x1, y2 - y1); 
    ctx.fillStyle = colors[classes[i]]; 
    ctx.fillText(`${labels[classes[i]]} (${Math.round(scores[i] * 100)}%)`, x1, y1); 
  }); 
} 

Podsumowując, uruchamianie modelu YOLO do wykrywania obiektów bezpośrednio w przeglądarce przy użyciu TensorFlow.js otwiera nowe możliwości dla aplikacji real-time. W tym wpisie przedstawiliśmy wszystkie kroki, od konfiguracji TensorFlow.js, przez ładowanie modeli, przetwarzanie obrazów, uruchamianie wnioskowania, aż po wizualizację wyników, wraz ze wskazówkami jak zrobić to efektywnie. W miarę dalszego zgłębiania tej ciekawej technologii, warto eksperymentować z różnymi modelami, technikami optymalizacji oraz przypadkami użycia, aby w pełni wykorzystać potencjał uczenia maszynowego w aplikacjach internetowych.

Zapraszam do kontaktu, jeśli masz pytania lub chciałbyś podzielić się swoimi implementacjami!

KONTAKT

Artykuł Sieci neuronowe w przeglądarce: Przewodnik na przykładzie customowej sieci YOLO do wykrywania twarzy pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

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

Pierwszym i najważniejszym krokiem jest zapewnienie, że cała komunikacja z serwerem Keycloak odbywa się przez bezpieczny protokół HTTPS. Używanie certyfikatów SSL/TLS od zaufanych dostawców chroni przed przechwyceniem i manipulacją danymi.

W tym kroku:

– Skonfiguruj serwer Keycloak: Ustaw serwer, aby korzystał wyłącznie z HTTPS, odrzucając wszystkie niezaszyfrowane żądania HTTP.

– Uaktualnij certyfikaty: Regularnie odnawiaj i uaktualniaj certyfikaty SSL/TLS, aby uniknąć ryzyka wykorzystania przestarzałych kluczy.

Ta funkcja dodaje warstwę bezpieczeństwa poprzez jednoczesne użycie kilku metod weryfikacji tożsamości użytkownika. 2FA (uwierzytelnianie dwuskładnikowe) to popularna forma MFA, która zazwyczaj wymaga od użytkownika podania hasła i potwierdzenia tożsamości za pomocą drugiego składnika, na przykład kodu z aplikacji uwierzytelniającej.

W tym kroku:

Aktywuj uwierzytelnianie wieloskładnikowe w Keycloak: Włącz MFA dla wszystkich użytkowników, szczególnie tych z dostępem administracyjnym i do danych wrażliwych.
Wybierz metody uwierzytelniania: Keycloak obsługuje różne metody MFA – najczęściej używane to aplikacje uwierzytelniające (np. Microsoft Authenticator).

Zarządzanie hasłami i sesjami jest kluczowe dla ochrony tożsamości użytkowników i zapobiegania nieautoryzowanemu dostępowi. Są pierwszą linią obrony przed atakami, takimi jak brute force czy phishing. Keycloak w tym zakresie daje szerokie pole możliwości konfiguracji polityki ustawiania haseł, które są konfigurowalne z poziomu konsoli administracyjnej.

W tym kroku:

– Skonfiguruj politykę haseł: ustal dokładne zasady wyboru haseł, aby wymagały określonej długości, skomplikowania (np. obecność znaków specjalnych, dużych i małych liter) oraz określ czas życia hasła i jego historię.

– Ogranicz czas życia sesji: Ustaw krótkie, ale praktyczne czasy życia sesji i tokenów, aby zminimalizować okno dla potencjalnych ataków. Automatyczne wylogowywanie użytkowników po określonym czasie nieaktywności jest ważne dla zapobiegania przypadkowemu pozostawieniu sesji otwartej na współdzielonych lub publicznych urządzeniach.

Kontrola dostępu oparta na rolach (Role-Based Access Control) pozwala na definiowanie ról, przypisywanie ich użytkownikom i zarządzanie uprawnieniami, co umożliwia kontrolę operacji na API zależnie od roli.

 

W tym kroku:

Zabezpieczanie punktów końcowych API: Aby zabezpieczyć punkty końcowe API, kluczowe jest zastosowanie odpowiednich mechanizmów autoryzacji i uwierzytelniania:

• • Uwierzytelnianie: Implementuj protokoły uwierzytelniania, takie jak OAuth 2.0 i OpenID Connect, aby użytkownicy i aplikacje musiały udowodnić swoją tożsamość przed uzyskaniem dostępu do API.
  • Tokeny dostępu: Wykorzystuj tokeny dostępu (access tokens), które zawierają informacje o uprawnieniach użytkownika, do weryfikacji uprawnień dostępu do różnych zasobów API.
  • HTTPS: Zapewnij, że wszystkie żądania do API są przesyłane przez HTTPS, chroniąc dane przed przechwyceniem i modyfikacją.

Kontrola dostępu oparta na rolach (RBAC): Role-Based Access Control pozwala na zarządzanie uprawnieniami użytkowników na podstawie ich ról w organizacji:

• • Definiowanie ról: Ustal role, które odzwierciedlają różne poziomy dostępu w aplikacji, np. administrator, użytkownik, gość itp.
  • Przypisywanie ról: Przypisz użytkownikom role, które określają, do jakich zasobów i operacji mogą uzyskać dostęp.
  • Zarządzanie uprawnieniami: Skonfiguruj zasady dostępu w Keycloak, aby kontrolować, które operacje mogą być wykonane przez użytkowników z daną rolą na określonych punktach końcowych API.

Aktualizacja i stałe monitorowanie środowiska Keycloak jest niezbędne do utrzymania wysokiej ochrony przed nowymi zagrożeniami i lukami w zabezpieczeniach. Aktualizacje Keycloak pojawiają się co kilka miesięcy, a informacje na ich temat można znaleźć na oficjalnej stronie projektu lub w dokumentacji Keycloak.

 

W tym kroku:

– Aktualizacje: Regularnie aktualizuj Keycloak do najnowszych stabilnych wersji.

– Monitoring i logowanie: Użyj narzędzi do monitorowania, aby śledzić wszelkie niezwykłe zachowania i szybko reagować na potencjalne incydenty bezpieczeństwa. Skonfiguruj systemy logowania, aby zbierać kluczowe informacje o działaniu systemu. Korzystając na przykład z  Kubernetes, można efektywnie zarządzać i skalować narzędzia do monitorowania i logowania, takie jak Prometheus i ELK Stack. Kubernetes ułatwia wdrażanie i zarządzanie kontenerami z tymi narzędziami, automatyzując ich rozmieszczanie, skalowanie i naprawę, co jest kluczowe dla utrzymania ciągłości działania i bezpieczeństwa w rozproszonych systemach.

– Postaw na sprawdzonego Partnera: Jeśli wdrożenie najlepszych praktyk Keycloak wydaje Ci się na tym etapie pracochłonnym procesem, który mocno obciąży Twój zespół, skorzystaj z pomocy specjalistów w tej dziedzinie.

Artykuł Najlepsze praktyki w Keycloak. Zadbaj o bezpieczeństwo w 5 krokach 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.