Koniec ery „AI z pudełka”. Jak prywatne modele i agenci AI budują realną przewagę biznesu

Szum wokół generatywnej sztucznej inteligencji powoli opada, a zarządy firm zaczynają zadawać kluczowe pytanie: gdzie jest zwrot z inwestycji? Prawdziwa cyfrowa rewolucja nie dzieje się w ogólnodostępnych, chmurowych modelach dla każdego – odbywa się za zamkniętymi drzwiami zakładów produkcyjnych, na serwerach i w bezpiecznych sieciach firm usługowych. Przemysł i biznes stawiają dziś na prywatne AI oraz dedykowanych agentów LLM.

Firmy mają świadomość potencjału sztucznej inteligencji, jednak powstrzymują je dwa główne czynniki: obawa o bezpieczeństwo wrażliwych danych – know-how, dane produkcyjne, tajemnica prawna – oraz fakt, że ogólnodostępne modele nie radzą sobie ze specjalistycznym, branżowym żargonem. Zamiast uniwersalnych rozwiązań, rynek potrzebuje technologii skrojonej na miarę.

Jak w praktyce wygląda wdrażanie dedykowanych rozwiązań AI w polskich realiach? Analizujemy pięć wdrożeń zrealizowanych przez firmę byteLAKE, specjalizującą się w Cognitive Services.

Agent AI jako nowy ekspert dziedzinowy

Skalowanie wiedzy eksperckiej to jedno z największych wyzwań współczesnego biznesu. Z jednej strony mamy klientów oczekujących natychmiastowych, precyzyjnych odpowiedzi, dwadzieścia cztery godziny na dobę, siedem dni w tygodniu. Z drugiej – wykwalifikowanych specjalistów, którzy tracą dziesiątki godzin na rutynową analizę pism czy odpowiadanie na powtarzalne pytania techniczne.

Rozwiązaniem tego problemu są dedykowani agenci AI, oparci na architekturze LLM. 

Oprogramowanie takie zastosowane zostało m.in. w kancelarii prawnej Wielkopolska Grupa Prawnicza oraz w firmie Jaskot, będącej dystrybutorem części zamiennych i wyposażenia do maszyn rolniczych.

W pierwszym wypadku agent AI adresuje problem zachowania precyzji i poufności w procesie przetwarzania tysięcy stron dokumentacji prawnej. Koniec z wysyłaniem wrażliwych danych do publicznych chmur – agenci LLM automatyzują analizę dokumentacji, wspierając zespół prawny w codziennych, rutynowych zadaniach biurowych. Dane nie opuszczają infrastruktury firmy.

Drugi przykład dotyczy sektora e-commerce. ByteLAKE stworzyło wirtualnego doradcę, zasilanego wyłącznie zamkniętą bazą wiedzy klienta – specyfikacjami i dokumentacją techniczną maszyn. Dzięki temu w czasie rzeczywistym agent odpowiada na pytania o warunki gwarancji czy parametry wybranego modelu, eliminując zjawisko halucynacji sztucznej inteligencji.

Predykcja zapewnia oszczędności

Reagowanie na awarie post factum to w dobie Przemysłu 4.0 gigantyczne koszty. Niestabilne łańcuchy dostaw oraz zmienne warunki rynkowe i pogodowe sprawiają, że biznes musi działać wyprzedzająco.

Wdrożenie algorytmów uczenia maszynowego pozwala na przejście do strategii predykcyjnego utrzymania ruchu. 

Przykładowo, w projekcie digitalizacji sieci ciepłowniczej Gdańskiego Przedsiębiorstwa Energetyki Cieplnej, realizowanym w kooperacji z ControlTec byteLAKE – jako podwykonawca – wdrożyło holistyczną analitykę danych pochodzących m.in. z systemów SCADA, stacji podnoszenia ciśnień oraz stacji meteo. Predictive maintenance redukuje koszty przestojów i zapobiega awariom infrastruktury krytycznej, zanim te faktycznie wystąpią – algorytmy AI na bieżąco wychwytują anomalie w działaniu aparatury.

ByteLAKE opracowało także zintegrowaną platformę agentów AI dla spółki Energia Nowa, będącej dostawcą rozwiązań z zakresu energii odnawialnej. Problem z OZE jest taki, że słońce nie zawsze świeci, a wiatr nie zawsze wieje – społeczności energetyczne potrzebują precyzyjnych narzędzi do zarządzania wyprodukowanym prądem. Zawarte w platformie byteLAKE rozwiązania klasy Cognitive Services potrafią z dużą dokładnością prognozować zapotrzebowanie na energię, przewidywać jej produkcję z instalacji OZE i optymalizować trading oraz procesy magazynowania, podnosząc rentowność całych klastrów energii. 

Decyzje w ułamkach sekund

Zarządzanie zaawansowanym parkiem maszynowym stawia przed technologią jeszcze jedno wyzwanie: czas reakcji. W halach produkcyjnych wysyłanie terabajtów danych z czujników na zewnętrzne serwery w celu ich analizy i czekanie na odpowiedź zwrotną jest nieakceptowalne. Opóźnienia w transferze danych mogą skutkować wadami produkcyjnymi lub uszkodzeniem sprzętu.

Aby zoptymalizować procesy na liniach produkcyjnych, w firmie FoodWell wdrożono innowacyjne modele AI funkcjonujące w architekturze Edge AI (przetwarzanie na brzegu sieci). Algorytmy analityczne działają lokalnie, bezpośrednio przy maszynach produkcyjnych. Zapewnia to nie tylko natychmiastowy czas reakcji systemu na odchylenia jakościowe, ale również niezależność od przerw w dostępie do globalnej sieci.

Matryca technologii AI w biznesie – przykładowe zastosowania

Od czego zacząć zmianę?

Opisane przykłady łączy jedno: pragmatyczne podejście do technologii. Sztucznej inteligencji nie wdraża się już dla samego wizerunku nowoczesnej firmy. Konkretne, dedykowane narzędzia służą do rozwiązywania zidentyfikowanych „wąskich gardeł” w firmowych procesach.

Do argumentów, które ostatecznie przekonują firmy do wyboru dedykowanych modeli analitycznych, Marcin Rojek, współzałożyciel byteLAKE, zalicza przede wszystkim przewidywalność kosztów i skalowalność. W modelach chmurowych koszty rosną wraz z ilością danych i zapytań, trudno je precyzyjnie przewidzieć w środowisku przemysłowym. W wielu zakładach nie ma infrastruktury, żeby wysyłać dane do chmury w czasie rzeczywistym, a zbyt duże opóźnienia nie pozwalają na rzetelnie podejmowanie decyzji operacyjnych.

Tymczasem w modelu Private AI / on-premise koszt jest bardziej stały i kontrolowalny, nie ma też niespodzianek przy skalowaniu. Ponadto modele dedykowane, układane pod konkretny proces, działają znacząco lepiej niż rozwiązania generyczne, ponieważ uwzględniają specyfikę maszyn i procesu, rozumieją kontekst operacyjny i mogą być dostrojone pod konkretne priorytety – tłumaczy Marcin Rojek, współzałożyciel byteLAKE.

– Tymczasem w modelu Private AI / on-premise koszt jest bardziej stały i kontrolowalny, nie ma też niespodzianek przy skalowaniu. Ponadto modele dedykowane, układane pod konkretny proces, działają znacząco lepiej niż rozwiązania generyczne, ponieważ uwzględniają specyfikę maszyn i procesu, rozumieją kontekst operacyjny i mogą być dostrojone pod konkretne priorytety – tłumaczy ekspert.

Aby AI mogło działać lokalnie, niezbędna jest odpowiednio dobrana infrastruktura obliczeniowa. W omawianych scenariuszach byteLAKE najczęściej proponuje architekturę opartą na serwerach klasy enterprise (np. kolejne generacje Lenovo ThinkSystem SR650), wyposażonych w 1 lub 2 procesory Intel® Xeon® Gold oraz 1 lub 2 akceleratory GPU NVIDIA L40S 48 GB oraz 512GB RAM. W zależności od wymagań stosowane są również rozwiązania typu edge, takie jak Lenovo ThinkEdge SE450 Edge Server czy ThinkEdge SE50 Edge Client – szczególnie w przypadkach, gdzie przetwarzanie odbywa się bezpośrednio przy linii produkcyjnej (np. w przemyśle papierniczym). Często spotykane są także architektury oparte na platformach AMD, czego przykładem jest wdrożenie dla branży symulacji inżynierskich z wykorzystaniem serwerów Lenovo ThinkSystem SR675 v3, procesorów AMD EPYC 9554 (64C) oraz konfiguracji zawierających specjalizowane zestawy GPU (np. 4× NVIDIA HGX). 

Każdorazowo architektura jest projektowana indywidualnie – z uwzględnieniem specyfiki procesu, wolumenów danych oraz wymagań wydajnościowych – tak, aby zapewnić zarówno efektywność, jak i łatwą skalowalność rozwiązania. Jak podkreśla Marcin Rojek, optymalizacja AI pod różne architektury sprzętowe oraz zdolność do szybkiej adaptacji do nowych platform to jedno z kluczowych założeń podejścia byteLAKE. Obecnie dominują konfiguracje oparte na Intel® Xeon® Gold i NVIDIA L40S, jednak wraz z rozwojem rynku wdrażane są już kolejne generacje – w tym Intel Xeon 6, NVIDIA RTX PRO 6000 Blackwell czy NVIDIA B200, również oparte o najnowsze generacje serwerów Lenovo. Cognitive Services pozostają gotowe na te zmiany równolegle z aktualizacjami infrastruktury po stronie partnerów.

W tym momencie niejeden menedżer mógłby zadać sobie pytanie: czy moja firma jest dobrze przygotowana pod kątem cyfrowym – np. uporządkowania archiwów prawnych czy systemów telemetrii – abyśmy mogli rozpocząć wdrożenie dedykowanego AI? 

Marcin Rojek uspokaja – organizacja nie musi mieć idealnie uporządkowanych danych, żeby zacząć wdrożenie AI – a w praktyce prawie żadna nie ma. Istotne jest to, czy dane istnieją i czy mają ciągłość, czy można je powiązać z konkretnym procesem oraz czy są technicznie dostępne, nawet jeżeli ich eksport miałby być realizowany ręcznie.

– W praktyce AI często porządkuje dane przy okazji wdrożenia, bo zaczyna ujawniać, co jest niespójne lub brakujące – zapewnia. 

Transformacja AI to proces iteracyjny

Ważne, aby pamiętać, że transformacja w oparciu o AI to nie tylko algorytmy – to również, a może przede wszystkim, ludzie. Od pracowników – na przykład od inżynierów z wieloletnim stażem w ciepłowniach czy prawników bazujących na tradycyjnym orzecznictwie – nie można wymagać, by z miejsca zaakceptowali pojawienie się w ich procesach sztucznej inteligencji

– Początkowa reakcja jest przewidywalna: sceptycyzm, testowanie granic systemu, czasem obawa o utratę kontroli lub kompetencji. Dotyczy to szczególnie doświadczonych inżynierów, operatorów i specjalistów, którzy przez lata zdobywali wiedzę i budowali ekspercką pozycję. Przełom następuje w momencie, gdy system wskazuje problem wcześniej niż człowiek lub potwierdza intuicję doświadczonego pracownika, tylko szybciej i w oparciu o dane.  Wtedy obawa „czy to mnie zastąpi?” ustępuje miejsca konstatacji: „to mi oszczędza czas i pomaga podjąć lepszą decyzję” – ocenia Marcin Rojek.

Aby tak się stało, AI musi być wyjaśnialne. Bez tego użytkownicy nie zaufają systemowi. najlepsze wdrożenia to takie, gdzie AI działa jako wsparcie decyzyjne, a nie „czarna skrzynka podejmująca decyzje” w sposób niezrozumiały lub trudny do wytłumaczenia – dodaje.

– Pamiętajmy też, że dedykowane AI to nie jest działanie na zasadzie analogii: „chcę zbudować coś z klocków, więc otwieram fabrykę do wypalania klocków”. W tym wypadku oznacza to po prostu zebranie gotowych komponentów, takich jak frameworki i algorytmy. Do tej bazy dokładamy własne algorytmy, customizacje oraz skalowalność, stąd nasza silna współpraca z markami Intel, NVIDIA i Lenovo. Dodajemy też autorskie rozszerzenia, jak feature engineering czy explainable AI, które jest u nas mocno dostosowane do potrzeb przemysłu. Dopiero wtedy podłączamy się pod dane, robimy wywiady i zbieramy niuanse oraz szczegóły procesu – podsumowuje przedstawiciel byteLAKE.