Start z polskim AI – od pomysłu do wdrożenia #ElectricEntropyLab

Start z polskim AI to cykl rozmów prezentujących doświadczenia związane z polskimi modelami językowymi AI oraz praktyki wdrożeniowe firm i instytucji. Tym razem w rozmowie wziął udział Łukasz Guc z firmy Electric Entropy Lab.

Skąd wziął się pomysł na stworzenie własnego podejścia do AI i jaki problem rynkowy chcieli Państwo rozwiązać?

Stworzyliśmy framework do budowy deterministycznych systemów sztucznej inteligencji. Kiedy o tym mówimy, wiele osób początkowo nie do końca rozumie, czym różni się nasze podejście od tego, co oferuje dziś rynek. Najłatwiej wyjaśnić to przez pryzmat problemów, które rozwiązujemy.

Obecny rynek AI jest zdominowany przez modele probabilistyczne. Ich działanie opiera się na przewidywaniu najbardziej prawdopodobnej odpowiedzi na podstawie danych, na których zostały wytrenowane. Choć potrafią imponować płynnością języka i jakością generowanych treści, w rzeczywistości wykonują statystyczny rachunek prawdopodobieństwa.

Z perspektywy biznesu rodzi to kilka istotnych problemów. Po pierwsze, brakuje powtarzalności wyników. Ten sam zestaw danych wejściowych może prowadzić do różnych odpowiedzi. Po drugie, modele są podatne na halucynacje, czyli generowanie informacji niezgodnych z rzeczywistością. Po trzecie, nie zapewniają audytowalności. W większości przypadków nie jesteśmy w stanie jednoznacznie wskazać, dlaczego model wygenerował konkretną odpowiedź. To klasyczny efekt czarnej skrzynki. Możemy jedynie ufać lub nie ufać otrzymanemu rezultatowi.

Właśnie ten problem chcemy rozwiązać. Organizacje nie mogą bezwarunkowo polegać na systemach AI w procesach, w których zgodność z danymi i pełna wiarygodność są kluczowe. Dotyczy to szczególnie takich obszarów jak prawo, medycyna, finanse, bankowość, obronność czy administracja publiczna.

Dodatkowym impulsem do stworzenia naszego rozwiązania były regulacje wynikające z AI Act. Unia Europejska nakłada na systemy sztucznej inteligencji, szczególnie te wykorzystywane w zastosowaniach wysokiego ryzyka, rygorystyczne wymagania dotyczące transparentności, kontroli i bezpieczeństwa. W takich obszarach bycie blisko poprawnej odpowiedzi nie jest wystarczające. Odpowiedź musi być poprawna, weryfikowalna i możliwa do uzasadnienia.

Zamiast próbować ograniczać wady modeli generatywnych za pomocą kolejnych warstw instrukcji, prompt engineeringu czy dodatkowych zabezpieczeń, postanowiliśmy zmienić sam paradygmat architektoniczny.

W naszych systemach przesuwamy środek ciężkości z inteligencji generatywnej na inteligencję rekonstruktywną. Oznacza to, że odpowiedzi nie są generowane, lecz rekonstruowane na podstawie dostarczonych danych. System nie otrzymuje przestrzeni do dowolnej interpretacji. Jego zadaniem jest odtworzenie znaczenia w sposób deterministyczny i zgodny ze źródłami.

Opracowaliśmy metodę budowania wieloetapowych pipeline’ów zasilanych przez wyspecjalizowanych agentów AI. Agenci ci nie przewidują kolejnych słów ani nie próbują imitować ludzkiego języka. Traktują znaczenie jako strukturę, którą można matematycznie odtworzyć nawet z danych rozproszonych, niekompletnych, zaszumionych czy zapisanych w różnych formatach.

Nasze podejście pokazuje, że sztuczne zrozumienie nie musi opierać się na losowości. Wręcz przeciwnie. Może być rezultatem kontrolowanej, wielowarstwowej redukcji chaosu informacyjnego, prowadzącej do jednoznacznych, powtarzalnych i audytowalnych wyników.

Wiele firm obawia się wdrażania AI ze względu na ryzyko błędów i brak kontroli nad odpowiedziami. Jak przekonują Państwo klientów, że sztuczna inteligencja może być rozwiązaniem godnym zaufania? 

Zaskoczę pana. Wie Pan, co mnie w tym wszystkim najbardziej niepokoi? To, że nikogo nie trzeba już przekonywać do zaufania sztucznej inteligencji. Ludzie z jakiegoś powodu ufają jej niemal bezwarunkowo.

Widzieliśmy już przypadki kancelarii prawnych, które przesyłają do modeli językowych umowy objęte klauzulami poufności czy wrażliwą dokumentację. Tymczasem wiele takich systemów, szczególnie w podstawowych wersjach, wykorzystuje przekazywane dane do dalszego trenowania modeli. W niektórych przypadkach możliwy jest również ich manualny przegląd przez pracowników dostawcy usługi. Oznacza to, że informacje objęte tajemnicą przedsiębiorstwa mogą trafić poza organizację.

To nie są odosobnione sytuacje. Lekarze wspierają się modelami AI przy stawianiu diagnoz. Naukowcy wykorzystują je do analiz danych. Firmy powierzają im coraz bardziej odpowiedzialne zadania. Przykłady można mnożyć, a wraz z nimi rośnie skala ryzyka.

Paradoksalnie, bardzo chętnie dyskutujemy o futurystycznych zagrożeniach rodem z „Terminatora”, a jednocześnie ignorujemy problemy, które występują tu i teraz. Nie są spektakularne ani filmowe. To codzienne błędy, niezweryfikowane odpowiedzi, wycieki danych i decyzje podejmowane na podstawie informacji, których pochodzenia nie potrafimy wyjaśnić.

Dlatego obawy klientów są całkowicie uzasadnione. Coraz więcej organizacji zaczyna rozumieć, że dzisiejsza sztuczna inteligencja w dużej mierze opiera się na zaawansowanych modelach statystycznych działających w oparciu o rachunek prawdopodobieństwa. To właśnie dlatego również Komisja Europejska zdecydowała się na wprowadzenie nowych wymogów regulacyjnych w ramach AI Act.

Klasyczne modele LLM, z których korzystamy dziś przez przeglądarkę internetową, działają poprzez przewidywanie najbardziej prawdopodobnej sekwencji słów. To niezwykle skuteczna technologia, ale jej fundamentem pozostaje zgadywanie. A jeśli system zgaduje, nie możemy mieć pełnej kontroli nad tym, w jaki sposób powstaje odpowiedź.

My postanowiliśmy rozwiązać ten problem nie poprzez dalsze rozwijanie samych modeli językowych, lecz przez zmianę filozofii budowy systemów AI. Zamiast pojedynczego modelu tworzymy architekturę składającą się z wielu wyspecjalizowanych agentów i kontrolowanych etapów przetwarzania informacji.

Dzięki temu osiągamy ścisły determinizm semantyczny. Te same dane wejściowe prowadzą do tych samych wniosków i tych samych rezultatów. Oczywiście końcowa forma odpowiedzi może nieznacznie różnić się stylistycznie, ponieważ ostatni etap odpowiada za naturalny język. Jednak fakty, wnioski i logika pozostają niezmienne. System nie dopisuje własnych teorii, nie modyfikuje informacji i nie wychodzi poza dostarczone dane.

To ważne, ponieważ modele językowe bardzo dobrze radzą sobie z analizą informacji, jeśli pracują w jasno określonych ramach. Problemy pojawiają się wtedy, gdy oczekujemy od nich swobodnego generowania odpowiedzi bez odpowiedniej kontroli nad procesem.

Drugim filarem naszego rozwiązania jest pełna audytowalność. Każdy etap przetwarzania danych jest rejestrowany. Możemy prześledzić drogę informacji przez cały system, sprawdzić decyzje podejmowane przez poszczególnych agentów i dokładnie zrozumieć, skąd wziął się końcowy wynik.

W praktyce oznacza to odejście od modelu czarnej skrzynki. Nie musimy już wierzyć systemowi na słowo. Możemy zweryfikować jego działanie i zrozumieć mechanizm podejmowania decyzji. To właśnie ten poziom transparentności jest jednym z kluczowych wymogów nadchodzących regulacji AI Act.

Jest jeszcze jedna cecha naszego rozwiązania, z której jesteśmy szczególnie dumni, choć na pierwszy rzut oka może wydawać się mało efektowna. Jeśli system nie posiada wystarczających danych, aby udzielić wiarygodnej odpowiedzi, po prostu odmówi odpowiedzi.

Wbrew pozorom jest to ogromna zaleta. Problem współczesnych modeli językowych nie polega na tym, że celowo kłamią. One nie rozumieją ani pytania, ani odpowiedzi w ludzkim sensie. Generują to, co statystycznie wydaje się najbardziej prawdopodobne. Jeśli brakuje informacji, nadal próbują odpowiedzieć.

My przyjęliśmy odwrotne założenie. Jeżeli nie da się wygenerować odpowiedzi zgodnej z dostępnymi danymi, system powinien otwarcie powiedzieć: „Nie wiem”. W zastosowaniach biznesowych, prawnych czy medycznych taka odpowiedź jest znacznie bardziej wartościowa niż pozornie przekonująca, ale błędna informacja.

Zachęcacie klientów do budowania systemów na własnej infrastrukturze GPU z lokalnymi modelami. Dlaczego postawiliście na takie podejście zamiast korzystania z gotowych usług chmurowych i co to oznacza dla klientów?

Nie zawsze oczywiście jest to możliwe. Część klientów nie posiada własnej infrastruktury i wtedy rozwiązania chmurowe pozostają jedyną opcją. Jeżeli jednak istnieje wybór, decyzja staje się coraz bardziej oczywista.

Jeszcze niedawno trzeba było długo tłumaczyć, dlaczego warto uniezależniać się od zewnętrznych dostawców modeli AI. Dziś wystarczy spojrzeć na sytuacje, w których dostęp do określonych modeli został ograniczony lub zmieniony praktycznie z dnia na dzień. Proszę sobie wyobrazić organizację, która zbudowała kluczowe procesy biznesowe wokół konkretnego modelu. Jeśli dostawca zmieni zasady działania usługi, wycofa model albo ograniczy dostęp, cały system może przestać działać. Ryzyko biznesowe staje się wtedy bardzo realne.

Dlatego uruchamianie modeli lokalnie, on premise, zamiast polegania wyłącznie na zewnętrznych interfejsach API czy usługach chmurowych, jest z naszej strony świadomą decyzją strategiczną. Dla klientów oznacza to trzy fundamentalne korzyści.

Pierwszą jest pełna prywatność i suwerenność danych. Współczesne organizacje dysponują ogromną ilością informacji stanowiących ich przewagę konkurencyjną. Mogą to być bazy klientów, dokumentacja produktowa, procedury operacyjne, dane finansowe czy know how przedsiębiorstwa. W naszym podejściu dane nigdy nie opuszczają kontrolowanego środowiska klienta. Nie są przekazywane do zewnętrznych dostawców ani przetwarzane poza bezpieczną infrastrukturą. Dla wielu branż regulowanych jest to nie tylko przewaga, ale wręcz warunek konieczny.

Drugą korzyścią jest niezależność technologiczna i stabilność działania. Korzystanie z zewnętrznych usług zawsze wiąże się z ryzykiem zmian, na które klient nie ma wpływu. Mogą to być podwyżki cen, modyfikacje parametrów modeli, ograniczenia dostępności czy zmiany regulaminów. Każda taka decyzja może wymusić kosztowne modyfikacje istniejących wdrożeń.

W przypadku własnej infrastruktury sytuacja wygląda inaczej. Wykorzystujemy modele open source, które możemy samodzielnie rozwijać, dostosowywać i kontrolować. Zarządzamy całym stosem technologicznym, od infrastruktury po logikę działania agentów. Dzięki temu nasi klienci nie są uzależnieni od decyzji podejmowanych w Dolinie Krzemowej, zmian regulacyjnych czy wydarzeń politycznych, których dziś nie jesteśmy nawet w stanie przewidzieć.

Trzecim elementem jest optymalizacja kosztów i przewidywalność budżetu. Model rozliczeniowy oparty na liczbie zapytań lub zużytych tokenach sprawdza się przy niewielkiej skali. W momencie, gdy organizacja wykonuje setki tysięcy lub miliony operacji miesięcznie, koszty mogą bardzo szybko stać się istotnym ograniczeniem.

Własna infrastruktura pozwala znacząco obniżyć koszt pojedynczej operacji. Wynika to z architektury naszych systemów. Zamiast angażować jeden duży model do każdego zadania, wykorzystujemy wiele mniejszych, wyspecjalizowanych modeli. Każdy agent odpowiada za konkretny etap procesu i realizuje precyzyjnie określone zadanie.

W praktyce oznacza to, że model nie musi dysponować ogromną liczbą parametrów ani analizować dużych ilości danych przy każdym zapytaniu. Koncentruje się wyłącznie na swojej specjalizacji. Dzięki temu osiągamy wysoką efektywność kosztową, a jednocześnie utrzymujemy jakość rezultatów porównywalną z dużymi modelami ogólnego przeznaczenia. W wielu zastosowaniach wyniki okazują się nawet lepsze, ponieważ wyspecjalizowany agent wykonuje dokładnie to zadanie, do którego został zaprojektowany.

Dużo mówi się o halucynacjach modeli AI. Jak Państwo podeszli do tego problemu architektonicznie i czy da się projektować systemy, w których halucynacja nie ma gdzie powstać? 

Odpowiadając wprost: tak, da się zbudować system AI, który będzie działał w sposób przewidywalny i kontrolowalny. Wymaga to jednak porzucenia założenia, że jeden model językowy zrobi wszystko sam. Zamiast tego potrzebna jest deterministyczna architektura składająca się z wielu wyspecjalizowanych etapów przetwarzania danych.

Większość firm próbuje dziś walczyć z halucynacjami za pomocą prompt engineeringu, dodatkowych instrukcji czy systemów RAG. Problem polega na tym, że halucynacja nie jest błędem modelu. To naturalna konsekwencja sposobu jego działania. Modele probabilistyczne z definicji przewidują najbardziej prawdopodobną odpowiedź, a niekoniecznie odpowiedź prawdziwą.

Można ograniczać przestrzeń możliwych odpowiedzi, ale nie da się całkowicie wyeliminować zgadywania. To trochę jak świecenie latarką na ścianę. Im bardziej zawężamy strumień światła, tym mniejszy obszar pozostaje oświetlony, ale zawsze jakiś obszar wyboru pozostaje.

Dlatego w naszych systemach generowanie tekstu jest dopiero ostatnim etapem procesu. Wcześniej informacja przechodzi przez kilka warstw przetwarzania. Najpierw dane są czyszczone i normalizowane. Następnie tłumaczone do wspólnej struktury semantycznej. Kolejny etap buduje spójny model znaczeniowy wyłącznie na podstawie informacji, które rzeczywiście znajdują się w danych źródłowych.

Jeżeli jakiegoś faktu nie ma w danych, system nie może go dopowiedzieć ani wywnioskować. W takiej sytuacji po prostu odmówi wygenerowania odpowiedzi.

Dopiero na końcu następuje ekspresja językowa, czyli zamiana gotowej struktury znaczeniowej na naturalny tekst. To zasadnicza różnica. Nie generujemy odpowiedzi od zera. Rekonstruujemy ją z danych.

Dzięki temu drastycznie zmniejszamy możliwość powstania halucynacji na poziomie architektury systemu, a cały proces pozostaje audytowalny. Każdy etap można prześledzić i zweryfikować.

Potwierdzają to również nasze wdrożenia. Jednym z nich jest Vendo.bot, system do automatycznego tworzenia opisów produktów dla e-commerce. W trakcie testów odmówił wygenerowania opisu w około 14% przypadków. Na pierwszy rzut oka może wydawać się to wadą, ale w rzeczywistości oznacza, że zablokował 14% potencjalnie błędnych lub niekompletnych opisów, które mogłyby prowadzić do reklamacji, zwrotów i utraty zaufania klientów.

W naszym podejściu brak odpowiedzi jest często znacznie lepszym rezultatem niż odpowiedź, która brzmi przekonująco, ale nie ma pokrycia w danych.

Jakie znaczenie dla rozwoju rynku mają nowe regulacje dotyczące sztucznej inteligencji? Czy traktują je Państwo bardziej jako wyzwanie czy szansę dla polskich firm technologicznych?

Powiem coś, co może nie jest dziś szczególnie popularne. Jestem zwolennikiem regulacji takich jak AI Act. W tym przypadku Unia Europejska wykonała moim zdaniem bardzo rozsądny ruch.

Wiele firm postrzega nowe regulacje jako przeszkodę albo mur, który trzeba pokonać. My patrzymy na to inaczej. To raczej wyższy próg na skoczni narciarskiej. Owszem, trzeba włożyć więcej wysiłku, żeby się na niego wspiąć, ale później można skoczyć znacznie dalej.

AI Act zmienia zasady gry dla wszystkich uczestników rynku. Przesuwa uwagę z zachwytu możliwościami sztucznej inteligencji na kwestie bezpieczeństwa, odpowiedzialności i jakości wdrożeń. Kończy się era bezkrytycznego wykorzystywania systemów typu „czarna skrzynka”, których decyzji nie potrafimy wyjaśnić.

To właśnie dlatego uważamy, że nasze podejście zyskuje dziś strategiczną przewagę. Unijne regulacje wymagają, aby systemy AI były przejrzyste, wytłumaczalne i rozliczalne. Tymczasem klasyczne modele probabilistyczne nie są w stanie zagwarantować pełnej powtarzalności ani pokazać ścieżki, która doprowadziła do konkretnej odpowiedzi.

W naszej architekturze każdy etap działania systemu jest rejestrowany i audytowalny. Możemy dokładnie prześledzić, skąd wziął się dany wynik i dlaczego system podjął określoną decyzję.

Podobnie wygląda kwestia nadchodzącego cyfrowego paszportu produktu. W ekosystemie e-commerce coraz większe znaczenie będzie miała jakość i wiarygodność danych. Nie będzie miejsca na błędne tłumaczenia, niezweryfikowane informacje czy wygenerowane przez AI nieistniejące certyfikaty. Nasze podejście eliminuje ten problem, ponieważ odpowiedzi są rekonstruowane z danych źródłowych, a nie generowane na podstawie prawdopodobieństwa.

Dlatego uważam, że AI Act jest ogromną szansą nie tylko dla naszej firmy, ale również dla polskich i europejskich firm technologicznych. Globalni dostawcy będą nadal tworzyć modele bazowe, ale prawdziwa wartość biznesowa będzie powstawała na poziomie architektury, integracji i bezpiecznego wykorzystania AI.

Firmy, które potrafią budować systemy przewidywalne, audytowalne i zgodne z regulacjami, mogą stać się liderami tego rynku. Dlatego nie traktujemy AI Act jako ograniczenia. Traktujemy go jako impuls do tworzenia rozwiązań, którym przedsiębiorcy będą mogli rzeczywiście zaufać i na których będą mogli oprzeć automatyzację swoich procesów.

Jaka jest różnica między wdrożeniem AI jako eksperymentu a wdrożeniem produkcyjnym które realnie zarabia? Co musi się wydarzyć żeby firma przeszła tę granicę?

To bardzo dobre pytanie, ponieważ przez ostatnie dwa lata skupialiśmy się głównie na pracach badawczo-rozwojowych. Dziś coraz częściej pracujemy z klientami i widzimy, że przejście od eksperymentu do wdrożenia produkcyjnego wymaga zupełnie innego podejścia.

Eksperyment pokazuje, że AI potrafi coś zrobić. Wdrożenie produkcyjne musi zagwarantować, że zrobi to zawsze, stabilnie, w określonym czasie i przy akceptowalnym koszcie. To różnica między fascynacją technologią a osiąganiem realnych celów biznesowych.

Aby przejść od prototypu do produktu, firma musi pokonać kilka kluczowych barier.

Pierwszą jest organizacja. Nie da się zautomatyzować chaosu. Jeśli AI ma usprawniać proces wewnętrzny, organizacja musi najpierw dobrze rozumieć i mieć zmapowany proces, który chce automatyzować. Jeśli natomiast budujemy produkt dla rynku, kluczowe jest rozwiązanie rzeczywistego problemu klienta, a nie tworzenie technologicznej ciekawostki.

Drugą kwestią jest walidacja pomysłu. W tym obszarze AI bardzo pomaga. Dzisiejsze narzędzia pozwalają szybko i tanio budować prototypy, dzięki czemu można sprawdzić, czy dana koncepcja ma sens technologiczny jeszcze przed rozpoczęciem dużej inwestycji. To ogromna zmiana względem poprzednich lat.

Jednak na etapie prototypu kończy się większość zalet tzw. vibe codingu. System, który działa dla kilkudziesięciu użytkowników, niekoniecznie poradzi sobie przy tysiącach czy dziesiątkach tysięcy. I tu pojawia się trzecia bariera – skalowalność.

Wiele projektów wygląda świetnie podczas demonstracji, ale przy wzroście liczby użytkowników zaczynają pojawiać się problemy z wydajnością, kosztami i stabilnością. Wdrożenie produkcyjne wymaga profesjonalnej architektury, która pozwala rozwijać system bez konieczności przebudowywania go od podstaw przy każdym wzroście obciążenia.

Ostatnią granicą jest mierzalność. W produkcji nie wystarczy stwierdzenie, że system „wydaje się działać”. Potrzebne są konkretne wskaźniki biznesowe i techniczne. Trzeba wiedzieć, jaki jest poziom skuteczności, ile kosztuje pojedyncza operacja, jakie oszczędności generuje rozwiązanie i jaki zwrot z inwestycji przynosi organizacji.

Dopiero połączenie tych czterech elementów – dobrze zdefiniowanego problemu, szybkiej walidacji, skalowalnej architektury i twardych metryk – pozwala zamienić ciekawy eksperyment AI w produkt, który realnie tworzy wartość biznesową.

Jaką rolę widzą Państwo dla polskich firm AI w kontekście europejskiego rynku technologicznie i co jest do tego potrzebne? Czy jesteśmy w stanie konkurować?

To zależy od tego, jak definiujemy konkurencyjność. Jeśli chcielibyśmy rywalizować z największymi światowymi graczami w budowie coraz większych modeli AI, jesteśmy dziś daleko za liderami. Nie mamy porównywalnej infrastruktury, kapitału ani skali inwestycji.

Pytanie brzmi jednak: czy naprawdę musimy się z nimi ścigać?

Moim zdaniem nie. Znacznie większą szansą dla polskich i europejskich firm jest budowanie rozwiązań, które są bezpieczne, przewidywalne i dostosowane do konkretnych zastosowań biznesowych. Zamiast uczestniczyć w wyścigu o stworzenie modelu, który wie wszystko o wszystkim, warto postawić na wyspecjalizowane systemy agentowe i precyzyjną inżynierię procesów.

To podejście ma kilka istotnych zalet. Po pierwsze, jest znacznie bardziej efektywne kosztowo. Duże modele generują ogromne koszty infrastrukturalne i operacyjne. Tymczasem systemy oparte na mniejszych, wyspecjalizowanych modelach mogą realizować konkretne zadania równie skutecznie, a często znacznie taniej.

Dobrym przykładem jest nasz system Vendo.bot do generowania opisów produktów dla e-commerce. Gdybyśmy oparli go wyłącznie na dużych modelach dostępnych przez API, koszty działania byłyby wielokrotnie wyższe niż w obecnej architekturze.

Drugim argumentem jest efektywność energetyczna. Coraz większe modele wymagają ogromnych zasobów obliczeniowych, podczas gdy mniejsze, zoptymalizowane systemy pozwalają osiągać podobne cele przy znacznie niższym zużyciu energii. W Europie, gdzie rośnie znaczenie zrównoważonego rozwoju i efektywności energetycznej, będzie to coraz ważniejszy czynnik konkurencyjności.

Po trzecie, wyspecjalizowane systemy często osiągają lepsze rezultaty biznesowe. Model ogólnego przeznaczenia potrafi zrobić wiele rzeczy poprawnie, ale rzadko jest najlepszy w konkretnej dziedzinie. Z kolei architektura oparta na wyspecjalizowanych agentach pozwala budować rozwiązania przewidywalne, audytowalne i zoptymalizowane pod konkretny proces.

Dlatego uważam, że największą szansą Polski nie jest kopiowanie strategii globalnych gigantów, ale rozwijanie własnych kompetencji w zakresie architektury systemów AI, infrastruktury obliczeniowej i bezpiecznych wdrożeń. Europa potrzebuje sztucznej inteligencji, która jest suwerenna, transparentna i zgodna z regulacjami.

W tym obszarze możemy nie tylko konkurować z największymi, ale w wielu przypadkach wyznaczać kierunek rozwoju rynku. Potrzebujemy przede wszystkim pragmatyzmu inżynieryjnego, odwagi do szukania własnej drogi i koncentracji na rozwiązywaniu realnych problemów biznesowych. To właśnie tutaj widzę największą szansę dla polskich firm technologicznych.

Dziękujemy za rozmowę!

Cykl rozmów „Start z polskim AI – od pomysłu do wdrożenia” jest realizowany w ramach programu Centrum Kompetencji AI.