Trafność wyszukiwania
Czy system odnajduje fragmenty dokumentów potrzebne do udzielenia odpowiedzi?
Realizacje
Projekty AI oparte na firmowej wiedzy, danych i jasno określonym celu.
Projektuję rozwiązania, które można sprawdzić na rzeczywistych materiałach organizacji — od asystentów wiedzy RAG po projekty wykorzystujące uczenie maszynowe i modele decyzyjne.
Porozmawiajmy o projekcie
12
wdrożenia RAG w firmach usługowych
AI + ML
programowanie, badania i zastosowania biznesowe
B+R
doświadczenie w kierowaniu projektami
NCN
projekty finansowane także przez NCBiR i PARP
Wdrożenia komercyjne · case study zbiorcze
Firmowi asystenci wiedzy dla trzech organizacji usługowych
Rodzaj rozwiązania
RAG · duże modele językowe · firmowe dokumenty
Sektor
Organizacje usługowe
Zakres ujawnienia
Opis anonimowy ze względu na poufność informacji klientów
Zobacz usługę RAGZrealizowałem trzy wdrożenia systemów RAG łączących modele językowe z dokumentami i zasobami wiedzy organizacji. Celem takich rozwiązań jest udzielanie odpowiedzi osadzonych w firmowych źródłach oraz umożliwienie użytkownikowi sprawdzenia, na jakich materiałach oparto wynik.
Punkt wyjścia
Wiedza potrzebna pracownikom znajduje się zwykle w wielu instrukcjach, procedurach, katalogach i plikach. Tradycyjne wyszukiwanie wymaga znajomości właściwych nazw dokumentów i słów kluczowych. RAG pozwala zadawać pytania w języku naturalnym i odnajdywać fragmenty znaczeniowo związane z pytaniem.
Zakres prac
Zakres różnił się zależnie od organizacji. Obejmował analizę źródeł wiedzy, przygotowanie dokumentów, projekt wyszukiwania semantycznego, połączenie wyników z modelem językowym oraz budowę warstwy aplikacyjnej. Istotną częścią pracy były również testy jakości odpowiedzi i sposobu prezentowania źródeł.
Rezultat
Powstały rozwiązania umożliwiające pracę z wiedzą organizacji przez interfejs konwersacyjny. Użytkownik otrzymuje odpowiedź wraz z odniesieniem do materiałów, które może samodzielnie zweryfikować. Szczegółowe dane, nazwy klientów i elementy architektury pozostają poufne.
Architektura rozwiązania
Od dokumentu do odpowiedzi możliwej do sprawdzenia
System RAG składa się z kilku zależnych warstw. Jakość końcowej odpowiedzi zależy zarówno od modelu, jak i od przygotowania dokumentów, wyszukiwania oraz sposobu oceny wyników.
-
01
Dokumenty i źródła
Wybór materiałów, porządkowanie treści, podział dokumentów i przygotowanie metadanych.
-
02
Wyszukiwanie wiedzy
Indeksowanie treści i dobór fragmentów odpowiadających znaczeniu pytania użytkownika.
-
03
Odpowiedź modelu
Przekazanie właściwego kontekstu do modelu i sformułowanie odpowiedzi na jego podstawie.
-
04
Źródła i kontrola
Prezentacja materiałów źródłowych, testy jakości i możliwość weryfikacji odpowiedzi przez człowieka.
Ocena rozwiązania
Działający prototyp to dopiero początek weryfikacji
Demonstracja może wyglądać przekonująco, nawet jeśli rozwiązanie zawodzi przy trudniejszych pytaniach. Dlatego projekt wymaga zestawu testów opartych na rzeczywistych dokumentach i zadaniach użytkowników.
Zgodność odpowiedzi ze źródłami
Czy odpowiedź wynika z udostępnionych materiałów i nie dodaje niepotwierdzonych informacji?
Zachowanie w sytuacji braku danych
Czy system potrafi jasno zakomunikować, że dokumenty nie zawierają odpowiedzi?
Użyteczność w procesie
Czy rozwiązanie pasuje do ról użytkowników, sposobu pracy i wymaganego poziomu kontroli?
Projekty badawczo-rozwojowe
Uczenie maszynowe, analityka i modele decyzyjne
Doświadczenie wdrożeniowe uzupełniam pracą badawczą oraz kierowaniem projektami B+R. Poniżej przedstawiam wybrane projekty bez przypisywania im rezultatów komercyjnych, których nie potwierdzono w eksploatacji u klienta końcowego.
Predykcja dobrowolnych odejść pracowniczych
Kierownik projektu „Metoda predykcji dobrowolnych odejść pracowniczych z wykorzystaniem szarego uczenia maszynowego”. Projekt łączył problem zarządzania zasobami ludzkimi z metodami predykcyjnymi przeznaczonymi do pracy przy ograniczonej informacji.
Dynamic Value Simulator
Kierownik B+R na etapie badań przemysłowych. Projekt dotyczył rozwiązania wspierającego analizę i zarządzanie wartością przedsiębiorstwa z użyciem metod analitycznych oraz modeli decyzyjnych.
Inherent Risk Management
Kierownik B+R projektu poświęconego zarządzaniu ryzykiem. Zakres obejmował prace nad wykorzystaniem modeli analitycznych i decyzyjnych w ocenie ryzyka.
Wellbeing Solution
Kierownik B+R projektu rozwijającego rozwiązanie z obszaru dobrostanu pracowników. Projekt łączył perspektywę organizacyjną z analizą danych i projektowaniem rozwiązania technologicznego.
Zasady prezentowania realizacji
Konkretnie i bez zawyżania efektów
Poufność klientów
Nazwy organizacji, dokumenty i szczegóły techniczne publikuję wyłącznie po uzyskaniu zgody.
Wyniki wymagają danych
Nie podaję procentowych oszczędności ani wzrostu efektywności, jeśli nie były objęte pomiarem.
Projekt B+R i wdrożenie to różne etapy
Badania, prototyp, pilotaż i system produkcyjny opisuję zgodnie z rzeczywistym zakresem prac.
Nowy projekt