inLABs – projekty badawcze

CDT

Badania nad ciągłością wiedzy eksperckiej

CDT (Cognitive Digital Twin, czyli cyfrowy bliźniak poznawczy) to rozwijana w InLabs koncepcja uporządkowania wiedzy związanej z zadaniami i codziennym kontekstem pracy konkretnej osoby. Sprawdzamy, jak taką wiedzę wraz z jej uzasadnieniem i informacją o aktualności można zbierać, porządkować i odpowiedzialnie wykorzystywać. Celem jest wspieranie ciągłości pracy, a nie odtwarzanie tożsamości człowieka ani przejmowanie jego decyzji i odpowiedzialności.

Technologia nie ma naśladować człowieka ani przedstawiać niepewnych informacji jako pewnych. Chcemy przede wszystkim uczciwie oddzielić to, co można opisać i przekazać, od wiedzy, która nadal wymaga doświadczenia, rozmowy i praktyki.

Dlaczego powstaje

Ważna wiedza w organizacji jest zwykle rozproszona między procedurami, decyzjami, instrukcjami, innymi dokumentami, rozmowami i codzienną praktyką. Kiedy zmienia się rola, skład zespołu albo priorytety, łatwo stracić nie tylko informację o tym, co zrobiono, lecz także powody wyboru danej metody, uwzględnione warunki oraz zastosowane środki ostrożności.

Samo zgromadzenie plików nie rozwiązuje problemu. Informacja pozbawiona związku z konkretnym zadaniem, osobą, źródłem i datą powstania może być trudna do znalezienia, nieaktualna albo wykorzystana w niewłaściwy sposób. Z kolei zbyt daleko idące uogólnienie doświadczenia eksperta może dawać fałszywe poczucie pewności, szczególnie w nietypowych sytuacjach wymagających wieloletniej praktyki.

Dlatego badamy, jak zachować ciągłość wiedzy bez sprowadzania jej do listy faktów. Dotyczy to m .in. zgody na wykorzystanie informacji, zasad dostępu, własności wiedzy, możliwości jej poprawiania i usuwania, aktualności oraz odpowiedzialnego użycia. System powinien jasno pokazywać swoje ograniczenia, zamiast zastępować ludzki osąd pozorną pewnością.

Potencjalne scenariusze zastosowania

Poniższe przykłady pokazują możliwe kierunki badań. Nie opisują gotowych wdrożeń, dostępnych funkcji ani usług.

Wprowadzenie następcy w wymagające zadania

Scenariusz badawczy. CDT może pomóc uporządkować informacje potrzebne osobie przejmującej odpowiedzialność za złożone zadania: najważniejsze źródła, warunki, wcześniejsze decyzje i wyjątki. Taki materiał ma ułatwiać przygotowanie do rozmowy z ekspertem i późniejszej samodzielnej pracy, a nie automatycznie go zastępować.

Odtworzenie kontekstu decyzji

Scenariusz badawczy. Gdy zespół wraca do sprawy po pewnym czasie, może potrzebować informacji o tym, co było wiadomo w chwili podejmowania decyzji, jakie ograniczenia wtedy obowiązywały i co trzeba sprawdzić ponownie. CDT nie podejmuje decyzji za zespół, lecz pomaga przygotować wiarygodny materiał do oceny.

Utrzymanie wiedzy przy zmianie zespołu lub roli

Scenariusz badawczy. Badania mogą pomóc wskazać wiedzę, która jest naprawdę potrzebna do zachowania ciągłości pracy, i oddzielić ją od materiałów nieaktualnych lub niemożliwych do zastosowania w nowej sytuacji. Dzięki temu przekazanie zadań może być lepiej przygotowane, przy zachowaniu kontroli osoby i organizacji nad sposobem wykorzystania informacji.

Współpraca człowieka z narzędziami AI

Scenariusz badawczy. Narzędzie AI mogłoby otrzymywać tylko taki kontekst, na którego wykorzystanie pozwalają zgody i uprawnienia. Dzięki temu mogłoby lepiej rozumieć zadanie, nie uzyskując dostępu do wszystkich zasobów ani prawa do samodzielnego działania. To kierunek wymagający dalszych badań, a nie opis obecnej integracji z konkretnym systemem.

Rola w ekosystemie InLabs

CDT dotyczy wiedzy związanej z zadaniami, pamięcią i kontekstem pracy konkretnej osoby. W szerszym portfolio InLabs można go rozpatrywać obok TWIN:DESK, jako środowiska pracy, oraz SAVANT-AI, który bada wiedzę całej organizacji. Projekty te mają jednak odrębne zakresy. Ten opis nie oznacza, że współdzielą środowisko działania, przepływ danych lub gotową integrację.

Granice odpowiedzialności są wyraźne. CDT nie zarządza zmianami organizacyjnymi, nie kontroluje dostępu do modeli i nie ocenia, czy dana osoba ma kompetencje do zatwierdzenia decyzji. Tę ostatnią kwestię obejmują odrębne prace InLabs nad HCG. CDT nie jest też narzędziem do obserwowania pracowników. Może dostarczać potrzebny kontekst, ale nie podejmuje decyzji i nie zwalnia człowieka z odpowiedzialności.

Podejście badawcze

Zakładamy, że użyteczna wiedza musi pozostać powiązana z zadaniem, kontekstem, źródłem, datą powstania i poziomem pewności. System powinien pomagać rozpoznawać nie tylko fakty i procedury, lecz także warunki ich zastosowania, uzasadnienia oraz sygnały wskazujące, że informację trzeba ponownie potwierdzić.

Badamy trzy podstawowe możliwości: pozyskiwanie i porządkowanie wiedzy objętej zgodą, wiązanie jej z konkretnym zadaniem oraz przedstawianie jej osobie, która nadal samodzielnie podejmuje decyzję. Rezultatem nie ma być cyfrowa kopia człowieka, lecz jasno oznaczone narzędzie pomocnicze, które wspiera rozumienie, sprawdzanie i przekazywanie wiedzy.

Nie każdą wiedzę da się łatwo opisać. Część doświadczenia można zapisać jako fakty i procedury, część wydobyć w rozmowie, a część poznaje się dopiero przez obserwację i praktykę w konkretnej sytuacji. Nie obiecujemy pełnego odtworzenia tej ostatniej kategorii. Uczciwszym rozwiązaniem jest wskazanie, kiedy potrzebny jest kontakt z ekspertem albo praktyczne przygotowanie.

Metody badawcze i walidacja

Rozwój CDT wymaga sprawdzania zarówno jakości zgromadzonej wiedzy, jak i zasad jej wykorzystywania. Planujemy kontrolowane przypadki badawcze, przeglądy eksperckie oraz dobrowolne badania z udziałem osób o różnym doświadczeniu, prowadzone z odpowiednią ochroną danych. Będziemy porównywać sposoby opisywania kontekstu, informowania o niepewności i przygotowywania materiałów dla osoby przejmującej zadania.

Ocena będzie obejmować m .in. przydatność w konkretnym zadaniu, zgodność ze źródłami, aktualność, jasność ograniczeń i jakość informacji przekazywanej człowiekowi do dalszej oceny. Równolegle badamy zasady dotyczące zgody, dostępu, wskazania autora wiedzy oraz jej poprawiania i usuwania. Szczegółowe procedury, konfiguracje, dane i wyniki nie są częścią tego publicznego opisu.

CDT jest nadal na etapie rozwijania koncepcji. Obecne prace skupiają się na doprecyzowaniu pytań badawczych, granic odpowiedzialnego wykorzystania wiedzy i sposobów sprawdzania rozwiązania w realnych warunkach pracy. Analizujemy także, jak pogodzić użyteczność kontekstu z prawem osoby do decydowania o własnej wiedzy.

Nie ogłaszamy tu produktu, pilotażu, programu wczesnego dostępu ani terminu komercjalizacji. Zakres i wyniki dalszych prac będą zależeć od zebranych dowodów, oceny ryzyka oraz decyzji właścicieli wiedzy i zespołu badawczo-rozwojowego.

Porozmawiajmy o współpracy lub partnerstwie badawczym

W ramach programu badawczego InLabs firma allclouds.pl zaprasza do współpracy organizacje, firmy i partnerów badawczych, którzy chcą mieć realny wpływ na rozwój prezentowanych koncepcji. Oferujemy elastyczne formy współpracy, różne poziomy partnerstwa oraz korzyści związane z udziałem w tworzeniu nowych technologii, które nie będą dostępne dla pozostałych klientów na takich samych zasadach po wprowadzeniu rozwiązania na rynek.

Kontakt z nami w sprawie współpracy badawczo-rozwojowej możliwy jest za pośrednictwem adresu e -mail InLabs@allclouds.pl.

HCG

Kiedy udział człowieka w decyzji AI ma realne znaczenie

HCG (Human Competence Gate) to sposób sprawdzenia, czy przed zatwierdzeniem decyzji wspieranej przez AI właściwa osoba rozumie sytuację, potrafi ocenić rekomendację i świadomie bierze odpowiedzialność za podjętą decyzję.

W wielu procesach organizacja korzysta z rekomendacji AI, ale o dalszym działaniu nadal decyduje człowiek. Podstawy metodyczne HCG są już opracowane, a odpowiadający im etap kontroli opisano w metodyce wdrożeniowej CDF. W ramach InLabs badamy obecnie, jak stosować takie sprawdzenie w konkretnych procesach i jak oceniać jego skuteczność.

Dlaczego sama akceptacja nie zawsze wystarcza

Obecność człowieka w procesie nie przesądza jeszcze o jakości nadzoru. Gdy rekomendacje pojawiają się często, a ich treść jest złożona, zatwierdzenie może stać się odruchem. Osoba podejmująca decyzję może nie mieć pełnego obrazu przesłanek, wyjątków lub granic zastosowania rekomendacji. W takim przypadku system ma formalny ślad akceptacji, lecz organizacja wciąż nie wie, czy decyzja została rzeczywiście rozważona.

To problem szczególnie ważny tam, gdzie decyzja ma wpływ na klienta, pracownika, bezpieczeństwo operacyjne, zasoby albo ciągłość procesu. Szybkość działania jest cenna, ale nie może prowadzić do sytuacji, w której człowiek podpisuje wynik bez możliwości zrozumienia, co on oznacza w danym przypadku.

Drugim wyzwaniem jest różnica między wiedzą ogólną a przygotowaniem do konkretnej decyzji. Kompetentna osoba nie zawsze ma aktualny kontekst sprawy, a osoba znająca jej szczegóły może potrzebować wsparcia w ocenie ograniczeń rekomendacji AI. Organizacja potrzebuje więc podejścia, które nie redukuje odpowiedzialności do obecności użytkownika przy ekranie.

HCG odpowiada na pytanie, jak sprawić, aby decyzja człowieka miała rzeczywiste znaczenie: przed zatwierdzeniem działania pozwala upewnić się, że osoba odpowiedzialna rozumie konkretną sprawę i ma kompetencje potrzebne do jej oceny.

Ważne jest przy tym zachowanie proporcji: zakres uwagi i wsparcia powinien odpowiadać znaczeniu konkretnej decyzji, a nie tworzyć identycznej przeszkody przy każdym działaniu.

Gdzie HCG może mieć znaczenie

Poniższe scenariusze są możliwymi kierunkami zastosowania, a nie opisem wdrożeń ani dostępnych funkcji.

Decyzje wspierane w procesach zakupowych

W organizacji rekomendacja AI może pomagać uporządkować informacje potrzebne do oceny wariantów. Badany punkt kontroli miałby pomagać osobie zatwierdzającej potwierdzić, że rozumie kluczowe założenia, ograniczenia i konsekwencje decyzji przed podjęciem działania.

Zmiany o istotnym wpływie operacyjnym

Przy zmianie konfiguracji, priorytetów lub sposobu realizacji procesu rekomendacja AI może wymagać świadomego potwierdzenia przez właściwą osobę. Takie sprawdzenie mogłoby kierować jej uwagę na kontekst decyzji oraz wskazywać, że potrzebne jest dodatkowe wyjaśnienie albo udział eksperta.

Praca z rekomendacjami w złożonych sprawach

W sprawach wymagających wiedzy domenowej AI może porządkować i podsumowywać dostępne informacje, lecz nie przejmuje odpowiedzialności za ich ocenę. HCG pomaga ustalić, czy osoba podejmująca decyzję dostrzega istotne ograniczenia oraz wie, kiedy nie należy opierać się wyłącznie na rekomendacji AI.

Wprowadzanie AI do nowych ról i procesów

W początkowym okresie pracy z AI zespoły uczą się, jak interpretować jej wyniki i gdzie kończy się automatyczne wsparcie. Badamy, czy pierwsze decyzje danego typu wymagają szczególnej uwagi, i jak projektować takie punkty refleksji bez spowalniania każdego działania.

W ujęciu metodycznym zatwierdzenie działania może wymagać potwierdzenia, że osoba odpowiedzialna ma odpowiednie kompetencje i rozumie daną sprawę. HCG nie rozstrzyga jednak, jaka decyzja jest właściwa; pozostaje ona po stronie człowieka odpowiedzialnego za proces.

Rola w ekosystemie InLabs

HCG pełni rolę przekrojową: dotyczy chwili, w której człowiek ma ocenić lub zatwierdzić działanie wspierane przez AI. Nie jest osobną aplikacją, platformą szkoleniową ani systemem kadrowym. Jego zakres obejmuje relację między rekomendacją, kontekstem decyzji i odpowiedzialnością osoby uprawnionej do działania.

CDF i HCG uzupełniają się, ale mogą być stosowane niezależnie. W CDF kwestie kompetencji człowieka są uwzględniane na etapie, w którym organizacja sprawdza gotowość do świadomego zatwierdzenia decyzji wspieranej przez AI. Osobnym kierunkiem prac InLabs jest CDT, dotyczący ciągłości wiedzy o pracy człowieka. Niezależnie rozwijany jest także AICF, poświęcony operacyjnemu nadzorowi nad zgodnością. Ten opis nie oznacza gotowej integracji, wspólnego środowiska działania ani przepływu danych między tymi rozwiązaniami.

HCG nie zastępuje polityk organizacji, oceny ryzyka, kontroli dostępu, wiedzy eksperckiej ani decyzji człowieka; nie znosi też odpowiedzialności organizacji wdrażającej. Nie służy indywidualnemu profilowaniu pracowników. Jego stosowanie nie wymaga pozostałych elementów ekosystemu.

Zasada podejścia: od rekomendacji do świadomej decyzji

Punktem wyjścia prac jest prosta hipoteza: formalna akceptacja ma ograniczoną wartość, jeżeli osoba zatwierdzająca nie rozumie, czego dotyczy decyzja i jakie są jej granice. HCG bada, jak przed decyzją można przedstawić elementy wymagające świadomej oceny, tak aby człowiek pozostał rzeczywistym uczestnikiem procesu.

Podejście można opisać przez trzy elementy. Pierwszym jest kontekst decyzji: czego ona dotyczy i jakie informacje są ważne. Drugim jest zrozumienie: czy osoba zatwierdzająca potrafi odnieść się do założeń, ograniczeń i możliwych skutków. Trzecim jest odpowiedzialne działanie: zatwierdzenie, konsultacja albo rezygnacja. Taki model nawiązuje do wymagań dotyczących kompetencji i nadzoru człowieka opisanych w EU AI Act oraz normie ISO/IEC 42001, ale nie jest deklaracją zgodności ani poradą prawną.

Nie chodzi o zastąpienie ludzkiego osądu automatyczną oceną. Celem jest taki sposób organizacji decyzji, który pomaga człowiekowi uważnie rozważyć konkretną sprawę. HCG różni się więc od ogólnego szkolenia lub uniwersalnej listy kontrolnej: uwzględnia sytuację, odpowiedzialność przypisaną do roli i ograniczenia danej rekomendacji.

Podejście musi pozostać zrozumiałe dla osoby, która z niego korzysta. Badania będą więc dotyczyć nie tylko samego momentu decyzji, lecz także tego, czy przedstawiony kontekst pomaga dostrzec niepewność zamiast pozornie ją usuwać.

Badania i walidacja

Dalsze badania nad HCG mogą obejmować analizę różnych sytuacji decyzyjnych, przeglądy eksperckie i porównanie kilku sposobów wspierania człowieka przed zatwierdzeniem działania. Będziemy oceniać m .in. czytelność przedstawionego kontekstu, zasadność dodatkowego sprawdzenia, użyteczność dla osoby podejmującej decyzję oraz możliwość jasnego wyjaśnienia roli człowieka w całym procesie.

Trzeba też określić granice tego podejścia. Dodatkowe sprawdzenie powinno poprawiać jakość decyzji, a nie stawać się pustą formalnością lub nadmiernym obciążeniem procesu. Dlatego badania muszą uwzględniać różne role, poziomy ryzyka i rzeczywiste warunki działania organizacji.

Ważna będzie ocena, czy sposób wsparcia pozostawia osobie decyzyjnej czytelne podstawy do własnego osądu, zamiast sugerować automatyczną pewność. W zależności od scenariusza potrzebne mogą być zarówno analizy jakościowe, jak i porównania zachowania procesu przed i po wprowadzeniu punktu kontroli.

Nie przedstawiamy tu wyników eksperymentów ani deklaracji skuteczności; nie powołujemy się też na wdrożenia u klientów. Kryteria oceny dojrzewają wraz z badaniami.

Metodyczna część HCG jest opracowana; przedmiotem badań pozostają jej rozwinięcia i pomiar. Ta strona nie ogłasza produktu, programu pilotażowego, dostępności ani harmonogramu komercyjnego.

Kolejne prace mogą koncentrować się na rozróżnianiu decyzji, w których ludzki punkt kontroli ma realne uzasadnienie, na sposobach przedstawiania ograniczeń rekomendacji oraz na utrzymaniu jasnej granicy między wsparciem AI a odpowiedzialnością człowieka. Każdy przyszły scenariusz wymaga odrębnej oceny kontekstu, ryzyka i zasad organizacyjnych oraz odpowiedzialnego właściciela decyzji.

Porozmawiajmy o współpracy lub partnerstwie badawczym

W ramach programu badawczego InLabs firma allclouds.pl zaprasza do współpracy organizacje, firmy i partnerów badawczych, którzy chcą mieć realny wpływ na rozwój prezentowanych koncepcji. Oferujemy elastyczne formy współpracy, różne poziomy partnerstwa oraz korzyści związane z udziałem w tworzeniu nowych technologii, które nie będą dostępne dla pozostałych klientów na takich samych zasadach po wprowadzeniu rozwiązania na rynek.

Kontakt z nami w sprawie współpracy badawczo-rozwojowej możliwy jest za pośrednictwem adresu e -mail InLabs@allclouds.pl.

AICF

W stronę operacyjnej kontroli zgodności dla generatywnej AI

AICF (AI Compliance Framework) to projekt badawczo-rozwojowy InLabs, dla którego staramy się o dofinansowanie w ramach programu Fundusze Europejskie dla Nowoczesnej Gospodarki. Chcemy zbadać, jak organizacje mogą na bieżąco nadzorować zgodność wykorzystania generatywnej AI z przepisami, normami i własnymi zasadami. Nie chcemy sprowadzać zgodności do jednorazowej listy kontrolnej. Planujemy sprawdzić, jak jasno opisywać wymagania organizacji, odnosić je do konkretnego zadania i zachowywać dowody potrzebne później osobie odpowiedzialnej za ocenę. Prace rozpoczniemy dopiero po przyznaniu dofinansowania; uruchomienie projektu nie jest możliwe bez pozytywnego zakończenia oceny wniosku.

Dlaczego te badania są ważne

Generatywna AI coraz częściej wspiera procesy biznesowe, w których zmieniają się dane, decyzje i obowiązki. Polityka lub ocena przygotowana przed wdrożeniem nadal jest potrzebna, ale nie zawsze wyjaśnia, co zrobić po zmianie zadania, modelu, źródła danych, narzędzia lub warunków organizacyjnych. AICF ma się koncentrować właśnie na tej różnicy między zapisanym wymaganiem a rzeczywistym sposobem używania AI.

Wymagania nie są w praktyce statyczne

Organizacje muszą uwzględniać przepisy, normy, umowy i własne zasady. Każde z tych źródeł może zmieniać się w innym tempie i mieć inne znaczenie dla poszczególnych zespołów, procesów i danych. Chcemy zbadać, jak zachować czytelność tych wymagań, gdy zmienia się sposób korzystania z AI. Nie zakładamy przy tym, że jedna reguła lub jeden wynik wystarczy w każdej sytuacji.

Dowody są często fragmentaryczne

Informacje potwierdzające sposób działania AI są często rozproszone między systemami i osobami. W efekcie trudno ustalić, co rzeczywiście sprawdzono, jakie kwestie uznano za ważne i jakie działania należy podjąć dalej. Planujemy zbadać, jak połączyć kontekst użycia, wymagania dotyczące zgodności i zapis decyzji w sposób możliwy do późniejszego zweryfikowania. Celem będzie lepsza rozliczalność, a nie zastępowanie ekspertów.

Mechanizmy kontrolne muszą być zrozumiałe dla ludzi

Mechanizmy kontroli muszą pomagać odpowiedzialnym osobom zrozumieć sytuację i zdecydować, co zrobić dalej. Rozwiązanie może być technicznie zaawansowane, ale jeśli nie da się go zrozumieć, zakwestionować ani nadzorować, nie rozwiąże podstawowego problemu. Dlatego przejrzystość, możliwość odtworzenia toku decyzji i odpowiedzialność człowieka są dla nas równie ważne jak sama kontrola.

Potencjalne scenariusze zastosowań

Poniższe przykłady pokazują możliwe kierunki badań. Nie opisują wdrożeń u klientów, zobowiązań produktowych ani obecnej dostępności rozwiązania.

Praca wewnętrzna wspierana przez AI

W kontrolowanym przebiegu pracy wewnątrz organizacji AICF mógłby posłużyć do zbadania, jak wymagania są brane pod uwagę przy zadaniu wspieranym przez AI. Chcemy również sprawdzić, czy taka ocena pozostaje dostępna do późniejszej weryfikacji przez osobę odpowiedzialną. Możliwym rezultatem byłaby czytelniejsza podstawa do rozmowy, gdy przypadek użycia zmienia się lub budzi wątpliwości.

Regulowane procesy biznesowe

W procesach kształtowanych przez więcej niż jedno źródło zobowiązań badania mają sprawdzać, czy jednolity obraz kontroli wspiera kwalifikowaną weryfikację. Celem nie będzie automatyczne poświadczanie procesu ani wiążąca ocena prawna, lecz lepsza widoczność istotnych kwestii i ograniczeń.

Zmiana w polityce lub kontekście operacyjnym

Gdy zmienia się polityka, zasada działania albo istotny warunek, scenariusz badawczy polega na wskazaniu miejsc, w których zmiana może wymagać ponownej uwagi. Chcemy zbadać, jak organizacja mogłaby przekształcić taki sygnał w udokumentowaną potrzebę weryfikacji, zamiast pozostawiać go w domyśle.

Przejście od projektu do eksploatacji

Zespoły tworzące usługi wykorzystujące AI mogą potrzebować powiązania wymagań projektowych z ich późniejszym użyciem operacyjnym. Badania AICF mają obejmować w tym scenariuszu wyłącznie fazę eksploatacji; ocena przedwdrożeniowa, zatwierdzanie, wdrożenie oraz akceptacja ryzyka pozostają po stronie właściwych osób, metodyk i procesów organizacji.

Rola w ekosystemie InLabs

AICF jest odrębnym projektem badawczo-rozwojowym o własnym zakresie. Planujemy badać operacyjną stronę kontroli zgodności, a nie sposób definiowania samych wymagań ani systemy, przez które ludzie korzystają z AI. Opis nie obejmuje nadzoru nad innymi pracami w portfolio InLabs.

CDF porządkuje proces kontrolowanego wdrażania AI, a PROXY:AI wspiera kontrolowany dostęp między użytkownikami, aplikacjami, agentami i modelami. SAVANT-AI jest odrębnym projektem badawczo-rozwojowym skoncentrowanym na wiedzy i rozumowaniu w skali organizacji. AICF może być rozpatrywany obok tych pozycji, lecz ta strona nie deklaruje wdrożonej integracji, wspólnego środowiska wykonawczego ani przepływu danych produkcyjnych. AICF nie tworzy wymagań ani polityk organizacji, nie ocenia dojrzałości przed wdrożeniem i nie przejmuje odpowiedzialności za decyzję.

Od wymagań do weryfikowalnych dowodów

Na poziomie publicznym badania można ująć w prostą relację:

wymagania organizacji → operacyjny kontekst użycia AI → dowody do weryfikacji przez człowieka

Chcemy sprawdzić, czy wymagania można zapisać tak, aby łatwiej było oceniać działania wspierane przez AI w konkretnym kontekście. Planujemy również zbadać, czy istotne zmiany można sygnalizować bez tworzenia fałszywego poczucia pewności oraz czy zgromadzone dowody pomagają osobie odpowiedzialnej zrozumieć i zakwestionować podstawę decyzji. AICF ma dotyczyć bieżącej kontroli zgodności; nie będzie uniwersalnym narzędziem bezpieczeństwa, opinią prawną ani systemem automatycznie zatwierdzającym decyzje. Ten opis nie stanowi porady prawnej.

Szczegółowe mechanizmy, modele danych i procedury decyzyjne pozostają celowo poza tym publicznym opisem. Istotny jest kierunek planowanych badań: kontrola bardziej ciągła, możliwa do zinterpretowania i powiązana z rzeczywistą odpowiedzialnością w organizacji.

Metody i walidacja badań

AICF jest projektem badawczo-rozwojowym, którego założenia będą wymagać dowodów, a nie deklaracji, po jego uruchomieniu. Prace mają obejmować ograniczone przypadki testowe, kontrolowane porównania z odpowiednio dobranymi podejściami odniesienia oraz kwalifikowaną ocenę ekspercką. Ocena będzie dotyczyć zrozumiałości, spójności, możliwości prześledzenia i odporności podejścia w określonym kontekście. Uwzględni też sytuacje, w których wymagania się pokrywają, a dostępne informacje są niepełne.

Wyniki będą wymagać ostrożnej interpretacji. Pozytywny rezultat w jednym scenariuszu nie ustanowi uniwersalnej zgodności, wystarczalności prawnej ani przydatności dla innej organizacji. Wynik częściowy lub negatywny będzie prawidłowym rezultatem badań: może pokazać, gdzie potrzebna jest weryfikacja przez człowieka, jaśniejsze wymaganie lub inne podejście do kontroli. Szczegółowe materiały badawcze i niepublikowane wyniki nie będą częścią tej strony.

Obecnie AICF znajduje się na etapie ubiegania się o dofinansowanie w ramach programu FENG; wniosek został złożony i oczekuje na rozstrzygnięcie. Planujemy zbadać zasady, modele dowodów i sposoby walidacji potrzebne do operacyjnej kontroli zgodności w środowiskach generatywnej AI, wraz z granicami jej stosowania. Uruchomienie projektu nie jest możliwe bez pozytywnego zakończenia oceny wniosku.

Porozmawiajmy o współpracy lub partnerstwie badawczym

W ramach programu badawczego InLabs firma allclouds.pl zaprasza do współpracy organizacje, firmy i partnerów badawczych, którzy chcą mieć realny wpływ na rozwój prezentowanych koncepcji. Oferujemy elastyczne formy współpracy, różne poziomy partnerstwa oraz korzyści związane z udziałem w tworzeniu nowych technologii, które nie będą dostępne dla pozostałych klientów na takich samych zasadach po wprowadzeniu rozwiązania na rynek.

Kontakt z nami w sprawie współpracy badawczo-rozwojowej możliwy jest za pośrednictwem adresu e -mail InLabs@allclouds.pl.

SAVANT-AI

Badania nad kontrolowaną pracą z wiedzą organizacji

SAVANT-AI (Semantic Autonomous Versatile Advanced Network Technology — Artificial Intelligence) to projekt badawczo-rozwojowy InLabs. Badamy, jak połączyć wiedzę organizacji, doświadczenie ekspertów, agentów AI i systemy biznesowe w jednym, kontrolowanym kontekście pracy. Nie chodzi o zastępowanie ludzi ani o zapowiedź gotowego produktu. Chcemy sprawdzić, czy w złożonych organizacjach można lepiej wykorzystywać rozproszone informacje, zachowując odpowiedzialność człowieka, zasady dostępu i możliwość powrotu do źródeł.

Dlaczego te badania są potrzebne

Ważna wiedza organizacji powstaje w dokumentach, systemach operacyjnych, rozmowach ekspertów i codziennych decyzjach. Każde źródło pokazuje tylko część sytuacji, często opisując ją innym językiem i z innej perspektywy. Aby odpowiedzieć na jedno istotne pytanie, zespół musi odnaleźć informacje, sprawdzić ich aktualność, ustalić znaczenie i uzgodnić je między działami. To konieczne, ale czasochłonne i podatne na utratę kontekstu.

Drugim problemem jest wiedza zależna od konkretnych osób. Gdy doświadczenie nie jest dostrzegalne dla pozostałych zespołów albo nie wiadomo, gdzie szukać właściwego eksperta, organizacja trudniej uczy się na własnych decyzjach i zmianach. Ryzyko rośnie, gdy procesy są złożone, dane wrażliwe, a konsekwencje błędu wykraczają poza jeden dział.

Samo wyszukiwanie dokumentów nie wystarczy. Trzeba jeszcze zrozumieć pytanie w kontekście zadania, ostrożnie połączyć informacje, uwzględnić zasady dostępu i umożliwić człowiekowi ocenę otrzymanego wniosku. SAVANT-AI bada tę przestrzeń bez założenia, że każda odpowiedź może lub powinna powstawać automatycznie.

Potencjalne scenariusze zastosowania

Poniższe przykłady są kierunkami badań, a nie opisem wdrożeń, dostępnych funkcji ani obietnicą rezultatu.

Operacje przemysłowe i infrastruktura krytyczna

W organizacji, w której wiedza o procesach, zdarzeniach i wyjątkach powstaje w wielu działach i systemach, badany kierunek mógłby pomagać zespołom odnajdywać istotny kontekst do wspólnego rozpatrzenia problemu. Potencjalnym rezultatem byłoby pełniejsze przygotowanie materiału do decyzji przez osoby odpowiedzialne za proces.

Ciągłość wiedzy eksperckiej

Gdy kluczowa wiedza jest rozproszona między specjalistami, procedurami i historią zdarzeń, SAVANT-AI może stanowić temat badań nad bezpiecznym wskazywaniem obszarów wymagających uzupełnienia lub rozmowy z ekspertem. Celem nie jest automatyczne przejęcie kompetencji człowieka, lecz ograniczanie ryzyka, że istotny kontekst pozostanie niewidoczny.

Organizacje regulowane

W sektorach, w których znaczenie mają uprawnienia, pochodzenie informacji i możliwość kontroli decyzji, prace mogą sprawdzać, czy takie podejście wspiera proces analityczny. Ewentualna wartość zależy od konkretnego zastosowania, danych, środowiska i kontroli; sama technologia nie potwierdza zgodności regulacyjnej ani bezpieczeństwa.

Współpraca między zespołami

Przy decyzjach przekraczających granice działów badania mogą sprawdzać, czy uporządkowany kontekst ułatwia formułowanie pytań, porównywanie perspektyw i dokumentowanie otwartych kwestii. Możliwym wynikiem jest lepsza podstawa do rozmowy i weryfikacji, a nie autonomiczne rozstrzygnięcie.

Rola w ekosystemie InLabs

SAVANT-AI ma odrębny zakres badawczy: koncentruje się na wiedzy i rozumowaniu w skali organizacji. Dokumentacja zapowiada przy tym zależności wykraczające poza samą komplementarność koncepcyjną: środowiskiem pracy i miejscem kontaktu użytkownika z wiedzą miałby pozostawać TWIN:DESK, a kontrolowany dostęp między użytkownikami, aplikacjami, agentami i modelami – PROXY:AI. Sposób prowadzenia samego wdrożenia miałby natomiast porządkować CDF. Są to jednak relacje zapowiedziane w dokumentach, a nie potwierdzone działającym rozwiązaniem.

Odrębnym kierunkiem pozostaje GENESIS-AI, dotyczący przejścia od wymagań do pakietu aplikacyjnego; ich sąsiedztwo w portfolio opisujemy jako odrębność zakresów. Ta strona nie deklaruje wspólnego środowiska wykonawczego, przepływu danych ani działającej integracji. SAVANT-AI nie zastępuje mechanizmów uprawnień, odpowiedzialności za wdrożenie ani decyzji człowieka.

Ogólna zasada podejścia

Punkt wyjścia jest prosty: organizacja może podejmować lepiej uzasadnione decyzje, gdy właściwe źródła, pytanie użytkownika i wiedza ekspertów są analizowane razem, zamiast pozostawać w oddzielnych miejscach. System otrzymuje wyłącznie informacje dopuszczone do użycia oraz pytanie osadzone w konkretnym zadaniu. Następnie pomaga uporządkować kontekst, wskazać niepewność i określić, co trzeba jeszcze sprawdzić. Wynikiem ma być materiał wspierający ocenę człowieka.

Różnica względem prostego wyszukiwania polega na badaniu relacji między informacjami, rolami i konsekwencjami użycia wiedzy. Nie oznacza to jednak, że system automatycznie rozumie organizację, podejmuje decyzje albo przesądza o poprawności wniosków. Zakres, wiarygodność i użyteczność odpowiedzi pozostają przedmiotem badań i zależą od jakości źródeł oraz kontekstu zastosowania.

Wysokopoziomowy model: wiedza organizacji i pytanie → kontrolowany kontekst do sprawdzenia → ocena oraz decyzja człowieka.

Metody badawcze i walidacja

Prace nad SAVANT-AI mogą obejmować porównania z odpowiednio dobranymi podejściami bazowymi, ocenę ekspercką oraz badanie jakościowe i ilościowe w kontrolowanych przypadkach. Analizowane właściwości mogą dotyczyć trafności kontekstu, przydatności dla użytkownika, możliwości odnalezienia podstaw wnioskowania, odporności na zmianę danych oraz granic stosowania rozwiązania.

Ważną częścią walidacji jest także sprawdzanie, kiedy odpowiedź nie powinna być traktowana jako wystarczająca: gdy źródła są niepełne, sprzeczne, niedostępne lub wymagają decyzji osoby uprawnionej. Bezpieczeństwo, prywatność i zgodność będą oceniane w odniesieniu do konkretnego środowiska, danych i sposobu użycia, a nie deklarowane jako uniwersalna właściwość. Na tej stronie nie przedstawiamy wyników eksperymentów, benchmarków ani niepublicznych procedur.

SAVANT-AI jest projektem badawczo-rozwojowym, opartym na wcześniejszych pracach koncepcyjnych i wczesnych prototypach, z zaplanowanym zakresem badań i kryteriami oceny. Prace dotyczą doprecyzowania problemów badawczych, granic odpowiedzialności oraz kategorii dowodów potrzebnych do późniejszej walidacji. Dalszy kierunek obejmuje ocenę jakości kontekstu, badanie współpracy człowieka z systemem oraz analizę ograniczeń w różnych klasach zastosowań.

Ta strona nie zapowiada gotowej usługi, pilotażu, harmonogramu komercjalizacji ani dostępności dla klientów. Przejście do kolejnych faz wymagałoby odrębnych dowodów i decyzji właścicieli programu.

Porozmawiajmy o współpracy lub partnerstwie badawczym

W ramach programu badawczego InLabs firma allclouds.pl zaprasza do współpracy organizacje, firmy i partnerów badawczych, którzy chcą mieć realny wpływ na rozwój prezentowanych koncepcji. Oferujemy elastyczne formy współpracy, różne poziomy partnerstwa oraz korzyści związane z udziałem w tworzeniu nowych technologii, które nie będą dostępne dla pozostałych klientów na takich samych zasadach po wprowadzeniu rozwiązania na rynek.

Kontakt z nami w sprawie współpracy badawczo-rozwojowej możliwy jest za pośrednictwem adresu e -mail InLabs@allclouds.pl.

GENESIS-AI

W stronę bardziej kontrolowanej drogi od wymagań do oprogramowania

GENESIS-AI to projekt badawczo-rozwojowy InLabs, dla którego staramy się o dofinansowanie w ramach programu Fundusze Europejskie dla Nowoczesnej Gospodarki. Projekt dotyczy wykorzystania generatywnej AI w inżynierii oprogramowania. Planujemy sprawdzić, jak przejść od zatwierdzonych wymagań biznesowych i technicznych do spójnego pakietu elementów aplikacji, który można przejrzeć i ocenić. Odpowiedzialność za decyzje inżynierskie pozostanie po stronie człowieka.

Badania mają obejmować wybrane rodzaje aplikacji webowych. Aplikacje mobilne, desktopowe i systemy czasu rzeczywistego pozostają poza zakresem. Nie chcemy zastępować właściciela produktu, architekta ani zespołu programistycznego. Chcemy sprawdzić, czy lepsze uporządkowanie pracy, regularna weryfikacja i możliwość prześledzenia związku między wymaganiem a rezultatem zwiększają wiarygodność działania wspieranego przez AI. Realizacja zależy od przyznania dofinansowania; uruchomienie projektu nie jest możliwe bez pozytywnego zakończenia oceny wniosku. GENESIS-AI jest projektem badawczo-rozwojowym, a nie zapowiedzią gotowego produktu lub usługi.

Dlaczego te badania są potrzebne

Generatywna AI potrafi szybko tworzyć fragmenty oprogramowania. Znacznie trudniej zbudować kompletną aplikację, która nadal odpowiada rzeczywistemu celowi. Dlatego planujemy skoncentrować badania GENESIS-AI na czterech powiązanych problemach, o ile projekt otrzyma dofinansowanie.

Wymagania bywają niepełne i niejednoznaczne

Opis biznesowy często łączy fakty, niewypowiedziane założenia i pojęcia rozumiane inaczej przez różne osoby. Jeśli te niejasności trafią do automatycznego procesu, powstałe rozwiązanie może działać poprawnie technicznie, ale nie odpowiadać potrzebom organizacji. Chcemy zbadać, jak wykrywać i wyjaśniać takie problemy, zanim przełożą się na kolejne elementy aplikacji.

Artefakty aplikacji mogą przestać być ze sobą zgodne

Aplikacja to nie tylko kod. Interfejsy, struktury danych, testy, dokumentacja i materiały wdrożeniowe powinny opisywać ten sam system. Jeśli powstają osobno, zmiana w jednym miejscu może spowodować sprzeczność w innym. Planujemy sprawdzić, jak kontrolować spójność całego rozwiązania, zamiast traktować jego wygenerowanie jako jeden nieprzejrzysty krok.

Szybkość nie jest dowodem jakości

Szybki rezultat może być trudny do utrzymania, nieodpowiedni dla danego środowiska albo niewystarczająco bezpieczny. Poprawność, łatwość dalszego utrzymania, przenośność, niezawodność i bezpieczeństwo są kategoriami oceny, a nie cechami, które można po prostu założyć.

Odpowiedzialności nie da się przekazać modelowi

Cele, ograniczenia, dopuszczalny poziom ryzyka i odbiór rozwiązania pozostają odpowiedzialnością ludzi. GENESIS-AI ma badać, jak proces wspierany przez AI może dostarczać materiał do oceny i wyznaczać momenty wymagające przeglądu, nie udając, że automatyzacja zastępuje odpowiedzialny osąd.

Możliwe zastosowania

Poniższe scenariusze są kierunkami badań, a nie informacją o wdrożeniach, klientach ani aktualnej dostępności rozwiązania.

Wewnętrzne aplikacje o jasno określonym zakresie

Scenariusz badawczy. GENESIS-AI, o ile otrzyma dofinansowanie, ma służyć do badania przygotowania ograniczonych aplikacji webowych na podstawie wymagań wcześniej przejrzanych przez ekspertów domenowych i technicznych. W takim kontekście będzie można oceniać zgodność z wymaganiem, spójność artefaktów i możliwość ich dalszego rozwijania.

Weryfikacja koncepcji rozwiązania

Scenariusz badawczy. Pakiet aplikacyjny możliwy do przeglądu mógłby pomagać zespołowi ocenić, czy proponowany proces, model informacji lub interakcja z użytkownikiem odpowiadają zamierzonemu problemowi. Rezultat nadal wymagałby oceny technicznej i nie byłby sam w sobie gotowym wdrożeniem.

Powtarzalna praca zespołów wytwórczych

Scenariusz eksploracyjny. Zespoły tworzące podobne klasy aplikacji mogą być zainteresowane badaniami nad bardziej powtarzalnym przygotowaniem kodu, testów i dokumentacji. Kluczowe pytanie brzmi, czy pomoc oparta na strukturze zmniejsza niespójności bez ukrywania założeń i osłabiania odpowiedzialności inżynierskiej.

Rozwój w środowisku o podwyższonych wymaganiach

Scenariusz eksploracyjny. GENESIS-AI może być badany w organizacjach, które własnymi procesami zarządzają zmianą, kontrolują dostęp i zatwierdzają rezultaty prac inżynierskich. Sam projekt nie przesądza jednak o zgodności prawnej, regulacyjnej ani bezpieczeństwie konkretnego zastosowania; zależą one od danych, środowiska, kontroli i decyzji organizacji.

Rola w ekosystemie InLabs

GENESIS-AI ma się skupiać na przejściu od zatwierdzonych wymagań do pakietu artefaktów aplikacyjnych przeznaczonego do przeglądu. Inne pozycje portfolio InLabs mają odrębny zakres: CDF porządkuje wdrażanie AI, TWIN:DESK jest środowiskiem pracy, PROXY:AI dotyczy kontrolowanego dostępu, a SAVANT-AI – wiedzy organizacji.

Dokumentacja badawcza GENESIS-AI nie ustanawia zależności od tych elementów, dlatego ich sąsiedztwo w portfolio opisujemy jako odrębność zakresów, a nie potwierdzoną integrację techniczną, wspólne środowisko wykonawcze czy produkcyjny przepływ danych. GENESIS-AI nie zastąpi metodyki wdrożeniowej CDF, środowiska pracy TWIN:DESK, granicy dostępu i polityk PROXY:AI ani badań nad wiedzą i rozumowaniem prowadzonych w SAVANT-AI. Współdziałanie tych elementów wymagałoby odrębnych, zweryfikowanych podstaw.

Podejście i zasada działania

GENESIS-AI ma badać związek między trzema poziomami:

zatwierdzone wymagania → kontrolowany proces wytwarzania oprogramowania → pakiet artefaktów możliwy do przeglądu

Punktem odniesienia mają być zatwierdzone wymagania. Na ich podstawie w kontrolowany sposób miałyby powstawać powiązane elementy aplikacji, które są następnie sprawdzane. Gotowy pakiet trafiałby do osób odpowiedzialnych za ocenę techniczną i decyzję o dalszym rozwoju lub ewentualnym wdrożeniu.

To ogólny opis planowanego sposobu pracy, a nie architektury rozwiązania. Chcemy sprawdzić, czy lepsze uporządkowanie wymagań i jawne sprawdzanie rezultatów mogą zmniejszyć różnicę między pierwotnym zamiarem a efektem. Planujemy zbadać też, czy wspólne kryteria oceny dla kodu, testów i dokumentacji prowadzą do bardziej spójnego wyniku niż niezależne tworzenie tych elementów. Są to hipotezy do sprawdzenia dopiero po uruchomieniu projektu; eksperymenty jeszcze się nie rozpoczęły i zależą od przyznania dofinansowania.

Metody badawcze i walidacja

Wiarygodność GENESIS-AI ma być oceniana poprzez uzupełniające się, planowane klasy badań: kontrolowane porównania z podejściami odniesienia, przypadki poddane przeglądowi, sprawdzanie powtarzalności na różnych klasach problemów oraz ocenę jakościową i ilościową w zdefiniowanym kontekście. Analizie mają podlegać między innymi zgodność z wymaganiami, poprawność funkcjonalna i integracyjna, niezawodność, łatwość dalszego utrzymania, przenośność, bezpieczeństwo, możliwość kontroli oraz użyteczność dla zespołu inżynierskiego.

Ocena nie będzie oparta wyłącznie na demonstracji ani wolumenie materiałów. Automatyczne sprawdzenia będą wymagać interpretacji eksperckiej, a powtarzane próby powinny odróżniać trwały efekt od przypadku. Wynik częściowy lub negatywny będzie prawidłowym rezultatem badań; równie ważne będą dowody niepowodzenia: nieusunięta niejednoznaczność, rozbieżność artefaktów, ograniczenia przeglądu lub potrzeba dodatkowej pracy człowieka.

Obecnie projekt znajduje się na etapie ubiegania się o dofinansowanie w ramach programu FENG; wniosek został złożony i oczekuje na rozstrzygnięcie. Pytania badawcze, hipotezy, kategorie oceny i rodzaj dowodów potrzebnych do walidacji zostały opisane na potrzeby wniosku. Ich faktyczna realizacja, zakres i rezultaty badań zależą od przyznania środków i rozpoczną się dopiero po uruchomieniu projektu; bez pozytywnego zakończenia oceny projekt nie zostanie uruchomiony.

Planowany kierunek dalszych prac, do realizacji po przyznaniu dofinansowania, obejmuje badanie wierności względem wymagań, zarządzania niejednoznacznością, spójności w cyklu życia artefaktów, wiarygodności na różnych klasach problemów oraz sposobów prowadzenia przeglądu bez utraty odpowiedzialności człowieka.

Porozmawiajmy o współpracy lub partnerstwie badawczym

W ramach programu badawczego InLabs firma allclouds.pl zaprasza do współpracy organizacje, firmy i partnerów badawczych, którzy chcą mieć realny wpływ na rozwój prezentowanych koncepcji. Oferujemy elastyczne formy współpracy, różne poziomy partnerstwa oraz korzyści związane z udziałem w tworzeniu nowych technologii, które nie będą dostępne dla pozostałych klientów na takich samych zasadach po wprowadzeniu rozwiązania na rynek.

Kontakt z nami w sprawie współpracy badawczo-rozwojowej możliwy jest za pośrednictwem adresu e -mail InLabs@allclouds.pl.