AI na uczelni - z lokalnymi modelami dla danych badawczych

Asystent wiedzy dla dorobku i dokumentacji badawczej

Wiedza i dokumenty

Problem: Dorobek i dokumentacja badawcza rozproszone są po wydziałach i repozytoriach

Jak to działa: Centralna baza RAG z OCR i filtrowaniem po metadanych; wyszukiwanie w języku naturalnym z podglądem źródeł. Agentic RAG dopytuje w kolejnej rundzie, gdy czegoś brakuje, a TWIN:INDEX szuka po rozdziałach długich dokumentów

Co Państwo zyskują: Badacz i administracja znajdują dorobek i dokumentację jednym pytaniem, ze wskazaniem źródła — bez przeszukiwania kilku repozytoriów

Asystent studenta do regulaminów i procedur

Wiedza i dokumenty

Problem: Obsługa pytań studentów o regulaminy i procedury obciąża dziekanaty

Jak to działa: Obszar roboczy z dedykowanym asystentem i bazą regulaminów; integracja z ePUAP i e-Doręczeniami

Co Państwo zyskują: Student dostaje odpowiedź z regulaminu o każdej porze, a dziekanat zajmuje się sprawami, które wymagają decyzji

Porównywanie interpretacji wielu modeli

Jakość i standaryzacja

Problem: Praca badawcza wymaga porównania interpretacji z kilku modeli

Jak to działa: Rada modeli i widok podzielony; hot-swap modelu w trakcie sesji bez utraty kontekstu

Co Państwo zyskują: Interpretacja z kilku modeli w jednym widoku, z możliwością zmiany modelu bez powtarzania kontekstu

Lokalne AI dla chronionych danych badawczych

Bezpieczeństwo i suwerenność

Problem: Dane badawcze objęte umowami i grantami nie mogą opuścić uczelni

Jak to działa: Routing wyłącznie do modeli lokalnych; tryb bez połączenia z siecią z lokalnymi modelami i integracjami. Offline Model Registry dobiera model do sprzętu i uruchamia go z paczki Harbor w sieci bez internetu

Co Państwo zyskują: Warunki umów grantowych są spełnione technicznie — dane badawcze pozostają w infrastrukturze uczelni

Odseparowane środowiska AI dla jednostek uczelni

Bezpieczeństwo i suwerenność

Problem: Każdy wydział potrzebuje własnego, odseparowanego środowiska w jednej infrastrukturze

Jak to działa: Model wielodostępny (multi-tenant) z izolacją środowisk; ABAC per jednostka organizacyjna

Co Państwo zyskują: Jedna infrastruktura, jeden zespół utrzymania, a każdy wydział ma własne zasady dostępu do danych i modeli

Jawne dokumentowanie udziału AI w pracy naukowej

Zgodność i nadzór

Problem: Rzetelność naukowa wymaga jawnego udziału AI w powstawaniu tekstu

Jak to działa: AI Disclosure Injection oraz dziennik użycia modeli jako dowód, co i kiedy wygenerowano. Każdy etap dokumentu zapisuje się jako nazwana wersja, a przywrócenie zachowuje całą historię

Co Państwo zyskują: Udział AI w tekście naukowym jest oznaczony i udokumentowany automatycznie — zgodnie z wymogami wydawców i komisji etyki

Governance AI i jasna odpowiedzialność na uczelni

Zgodność i nadzór

Problem: Wdrożenie AI na uczelni blokuje brak polityki i niejasna odpowiedzialność między wydziałami

Jak to działa: Polityka używania AI i Rejestr agentów z właścicielem per jednostka (CDF-F2); Liderzy AI na wydziałach i Akademia CDF (F3)

Co Państwo zyskują: Uczelnia ma jedną politykę, znanych właścicieli i liderów AI na wydziałach — wdrożenie przestaje zależeć od entuzjazmu pojedynczych osób

Czy naukowiec może wprowadzić niepublikowane wyniki do narzędzia AI?

Tylko do narzędzia, które działa w infrastrukturze uczelni albo gwarantuje, że dane nie są zapisywane ani używane do trenowania. PROXY:AI pozwala korzystać z modeli lokalnych, m.in. Bielika i PLLuM

Jak uregulować AI w kształceniu?

Polityką uczelni, która określa jawność udziału AI w pracach, zasady oceniania i narzędzia dopuszczone

Jakie narzędzia AI dać naukowcom?

Wspólną bramę do modeli lokalnych i chmurowych z budżetami na wydziały i jednostki, a administracji — asystenta z odpowiedziami z regulaminów z cytatem