Praktyczne teksty o wprowadzaniu AI na produkcję: ustawienie problemu, ontologia, dane, agenci, wdrożenia i to, co dzieje się po uruchomieniu.
Wersja modelu zostaje wycofana z kilkumiesięcznym wyprzedzeniem. Nic się jeszcze nie zepsuło, ale prompty i progi były dostrojone do niej. Jak utrzymanie planuje wymianę.
Baza ERP wie, co jest prawdą teraz. Agenci, modele i audyt muszą wiedzieć, jak do tego doszło. Dlaczego system AI-native potrzebuje lakehouse obok bazy SQL.
Pierwszy rok daje pilotaże i energię. W drugim sponsor odchodzi, modele się zmieniają, partner wciąż jest na miejscu, a koszt nie ma właściciela. Co przygotować zawczasu.
Jak Apache Paimon utrzymuje czytelną tabelę aktualizowaną bez przerwy: klucz główny na drzewie LSM, silniki scalania, dziennik zmian, znaczniki, koszt scalania.
XTable i Delta UniForm pozwalają czytać jeden zbiór plików Parquet jako Delta, Iceberg i Hudi. To usuwa kopię i dodaje testy, które musi objąć wasz AI SDLC.
Agent na urządzeniu z Android XR obejmuje okulary, telefon gospodarza, chmurę i wasze systemy. Uprawnienia, obserwowalność i utrzymanie muszą objąć wszystkie cztery.
Okulary z agentem AI świetnie wypadają na pokazie. Pilotaż wart budżetu nazywa jedno zadanie, dane, pomiar, pełny koszt i warunek, po którym się go przerywa.
Apache Hudi aktualizuje pojedyncze rekordy w lakehouse tak szybko, jak zmienia je ERP: oś czasu, indeks rekordów, Copy-on-Write, Merge-on-Read, CDC, usuwanie.
Agent operacyjny potrzebuje bieżących zamówień, zapasów i limitów bez odpytywania bazy produkcyjnej. Jak CDC, Flink i tabela Paimon dają mu ten stan.
Uzasadnienia biznesowe AI w terenie liczą model i oprogramowanie, a zapominają o urządzeniach. Kto je rejestruje, aktualizuje i wymienia, rozstrzyga o prawdziwym koszcie.
Wiedza o systemie z czasem przechodzi do dostawcy, a umowa rośnie. Dla systemu AI lepiej działa układ odwrotny: harmonogram przekazania i malejące wsparcie.
Iceberg trzyma tabelę jako niezmienne drzewo metadanych z jednym wskaźnikiem w katalogu. Dlatego czytają go rywale, a katalog jest prawdziwym uzależnieniem.
Propozycje pracy bez obsługi zwykle zaczynają od maszyn i modeli. Te, którym warto ufać, zaczynają od wyjątków, dostępu tylko do odczytu i tego, co zostaje z obsadą.
Delta Lake to format pod Microsoft Fabric i Databricks. Platforma prowadzi log; retencja, usunięcia, włączanie funkcji i zadania serwisowe zostają wasze.
Warsztat pokazuje ludziom, co jest możliwe. Tygodnie po nim pokazują, co stoi na przeszkodzie — i tam szkolenie się udaje albo przepada.
Trzy formaty tabel obiecują to samo. Różni je to, kto trzyma katalog, które silniki muszą pisać i jak często zmieniają się wiersze.
Bramki zatwierdzeń dla każdego projektu spowalniają dostarczanie i wciąż przeoczają realne ryzyko. Nadzór, który nadąża, opiera się na ścieżkach i dowodach z samej pracy.
O tym, do kogo należy aplikacja AI, rozstrzyga pierwszy tydzień, a nie przekazanie. Co uzgodnić przed startem prac i jakie pytania ujawniają ukrytą zależność.
Grupy wierszy, statystyki, indeks stron, filtry Blooma i kodeki decydują, ile bajtów czyta silnik. Co w Parquet stroi agent, o czym decyduje inżynier.
Projekt ontologiczny łatwo odebrać jako staranny diagram. Co powinno po nim zostać, żeby model przeżył dłużej niż kwartał, i jak rozpoznać to już w ofercie.
Odsetek spraw obsłużonych bez udziału człowieka to główna liczba każdego programu automatyzacji i najłatwiejsza do upiększenia. O jej sensie decydują cztery definicje.
Pilotaż kodu pisanego przez agentów bez reguły przerwania nigdy nie upada, tylko się przedłuża. Kryteria poszerzenia i przerwania uzgodnijcie przed pierwszą specyfikacją.
Jeśli partnera transformacji jest w dziewiątym miesiącu tyle samo co w drugim, coś poszło nie tak. Jak wpisać malejące zaangażowanie do umowy i jak je sprawdzać.
Avro przenosi zdarzenie między systemami bez zgubionego pola. Parquet pozwala raportowi czytać dwie kolumny z czterdziestu. Enterprise potrzebuje obu.
Gdy agent zrobi coś, czego nikt nie zamierzał, pierwsza godzina zależy od decyzji sprzed miesięcy: jego tożsamości, jego logów i tego, kto może go wyłączyć.
Rozwój sterowany specyfikacją działa w zespole pilotażowym. W dwudziestu zespołach bramki są omijane, przeglądy płycieją, a pulpity dalej świecą na zielono.
Długie listy przypadków użycia dają wrażenie postępu i służą do unikania decyzji. To, co je zastępuje, jest krótsze i naprawdę powstaje.
Jak Avro przenosi zdarzenie między ERP, magazynem i systemem AI bez zgubionego pola: schemat, rejestr, reguły zgodności i to, kto zatwierdza zmianę.
Oferty projektowe dla produktów AI wyglądają zwykle jak każde inne. Kilka szczegółów pokazuje, czy autor projektował kiedyś pod system, który bywa w błędzie.
Każdy plan transformacji ma budżet na technologię i akapit o adopcji. Ta nierównowaga przewiduje wynik pewniej niż cokolwiek dotyczącego technologii.
Prace na danych pod AI często stoją nie na technice, lecz na decyzjach biznesu. Które to decyzje, ile wymagają czasu i co się dzieje, gdy nikt ich nie podejmuje.
Pokaz przedstawia agenta w jego najlepszy dzień. Pytania oddzielające dostawcę systemów produkcyjnych od dostawcy pokazów dotyczą złych dni, rejestrów i granic.
Większość prób zabezpieczenia agentów dzieje się w promptcie. Prawie całe realne bezpieczeństwo bierze się z warstwy narzędzi, a to decyzja inżynierska, nie redakcyjna.
Uzasadnienia biznesowe AI rzadziej zawodzą przez błędną liczbę niż przez to, że nikt nie widzi, na czym ta liczba stoi. Najpierw spiszcie założenia.
Miarą rozstrzygającą, czy funkcja AI komukolwiek oszczędza czas, nie jest dokładność. Jest nią czas, w jakim człowiek potwierdza albo poprawia to, co powstało.
Zespoły software'owe konsultują się z ludźmi, którzy znają pracę. Zespół produktu AI potrzebuje ich w środku, z zarezerwowanym czasem, bo ich osądem mierzy się produkt.
Pilotaże w terenie często mają udowodnić, że system działa. Te użyteczne mają ustalić, jak zawodzi — i wymagają innej brygady, innego zakresu i innych kryteriów wyjścia.
Procesy łączące modele ze zwykłymi systemami ponawiają kroki bez przerwy. Bez idempotencji i zapisu każdej zmiany stanu ponowienie staje się duplikatem.
Bez sposobu na ocenianie zmian kod AI z każdym miesiącem zwalnia. Zespoły czują to około trzeciego miesiąca i zwykle obwiniają nie to, co trzeba.
Klasyczne SLA mierzy dostępność, a system AI rzadko przestaje działać. Co powinno trafić do umowy na jego utrzymanie i które obietnice powinny Was zaniepokoić.
Gdy agent pisze i uruchamia kod, nie ograniczają go już otypowane narzędzia, tylko środowisko. Izolacja procesu to łatwa połowa. Trudniejsza: co może wyjść.
W wielu zakładach rozeznanie, które utrzymuje produkcję, noszą nieliczni doświadczeni ludzie. Spisanie go zwraca się niezależnie od tego, czy światła kiedyś zgasną.
Członkowie zarządu rzadko muszą lepiej obsługiwać narzędzia AI. Muszą oceniać propozycje, koszty i ryzyko na tyle dobrze, żeby decydować — a to inne pół dnia.
Gdy wyszukiwanie zwraca coś technicznie powiązanego i praktycznie błędnego, zwykłą reakcją jest strojenie retrievera. Zwykłą przyczyną jest brak zgody, czym jest ta encja.
W systemie AI zachowanie zmienia się, gdy zmienia się prompt, wersja modelu albo indeks wyszukiwania. Wydanie i wycofanie muszą traktować je jako jedną całość.
Świeżość to najcichsza awaria w systemie AI. Nic się nie wywala, nic nie alarmuje, a odpowiedzi są idealnie spójne z rzeczywistością, która poszła dalej.
Działająca funkcja AI z niemierzoną jakością staje się ryzykiem, gdy jej model zostaje wycofany albo rachunek rośnie. Co oznacza jej przejęcie i czego oczekiwać.
Większość polityk AI powstaje, żeby zaspokoić rejestr ryzyk, i jest ignorowana w miesiąc. Wersja, która działa, jest krótsza, bardziej permisywna i znacznie użyteczniejsza.
Rozmowy, modelowanie i wdrożenie da się kupić. Rozstrzygnięcia, którą definicję klienta znaczy dany system, kupić się nie da — i to jest właściwy koszt projektu.
Uzasadnienie budżetowe kodu pisanego przez agentów bywa uzasadnieniem kadrowym. Naprawdę zmienia się to, na co idzie czas inżynierów i których umiejętności brakuje.
System AI zmienia pracę wokół siebie: kto sprawdza, kto dostaje wyjątki, kto decyduje. Jeśli nikt tego nie przeprojektuje, stary proces biegnie obok nowego.
Klasyczny monitoring pilnuje rzeczy, które przestają działać. Tryb awarii, który tu ma znaczenie, nie daje ani błędu, ani alertu.
Wybór modelu, ilość kontekstu i dodatkowe kontrole kupują jakość za pieniądze i sekundy. Zostawione samej inżynierii, te wybory i tak zapadają, tyle że przypadkiem.
W procesie zautomatyzowanym o wyniku decyduje ścieżka wyjątku: co trafia do człowieka, kto to jest, gdy nikogo nie ma na zmianie, i jak jego decyzja wraca do procesu.
Systemy terenowe są odrzucane z powodów, które nigdy nie pojawiają się w dokumencie wymagań — a każdy z nich widać w dwie godziny stania tam, gdzie dzieje się praca.
Wewnętrzny zespół projektowy zna Waszych użytkowników i produkt. Zwykle brakuje mu języka dla oprogramowania, które czasem się myli — a ten łatwiej dodać, niż zatrudnić.
Gotowy konektor wnosi kod działający z Waszymi poświadczeniami i opisy narzędzi, które model czyta jak polecenia. Należy mu się dyscyplina jak każdej zależności.
Oferty na prace z danymi pod AI wyglądają podobnie aż do pierwszego miesiąca. Pytania, które wcześniej oddzielą dostawcę budującego zaufanie od budującego platformę.
Generowanie przyspieszyło dziesięciokrotnie, a przegląd nie. Zespoły mierzące tylko pierwszą połowę gromadzą niedoprzeglądany kod, a dług przychodzi naraz.
Gdy kod piszą agenci, rośnie liczba pull requestów, prędkość i liczba wierszy kodu. Żadna z tych liczb nie mówi, czy dostarczanie się poprawiło. Kilka innych mówi.
Propozycje agentów zwykle obiecują odsetek pracy wykonanej bez ludzi. O inwestycji decyduje pełny koszt zakończonego zadania — razem z czasem ludzi.
Oferty na strategię AI wyglądają na papierze podobnie. Kilka pytań o wycenę, rozmowy i to, co dostawca sprzedaje potem, oddziela te użyteczne.
Produkcji bez obsługi rzadko blokuje robotyka. Blokuje ją rozeznanie, które noszą trzy doświadczone osoby, a które nie istnieje nigdzie, gdzie system mógłby je przeczytać.
Projekty AI w terenie przegrywają na łączności, rękawicach i urządzeniach, którymi nikt nie zarządza. Kilka pytań na pierwszym spotkaniu pokazuje, czy dostawca o tym wie.
Budżet projektu kończy się w dniu uruchomienia, a koszty i ryzyko dopiero wtedy się zaczynają. Jak zdecydować, kto ma prowadzić system AI i czego to wymaga od Was.
Uzasadnienia pracy bez obsługi zwykle liczą wydajność maszyn razy godziny. O zwrocie decyduje to, jak często produkcja staje, gdy nie ma nikogo, kto ją uruchomi.
Większość szkoleń z AI ocenia się po tym, jak bardzo się podobały. Pytania warte zadania dostawcy dotyczą tego, co istnieje tydzień po zajęciach.
Roadmapy funkcji wprowadzają w błąd, bo każda funkcja AI istnieje już w drugim tygodniu. Niepewne, i warte planowania, jest to, kiedy stanie się dość dobra.
Boty RPA psują się, bo są przywiązane do ekranów i szablonów. Model naprawia czytanie, ale sterowanie nim tymi samymi ekranami zostawia kruchą połowę i ją wycisza.
Większość agentów działa na tokenie konkretnej osoby albo na wspólnym koncie serwisowym. W obu przypadkach nikt nie zaprojektował ich zasięgu, a log mija się z prawdą.
Prototyp AI powstaje szybko i kończy się powoli. Z czego składa się reszta pracy, jak ją finansować etapami i o co zapytać, zanim zatwierdzicie budżet.
Agent iteruje, aż potok zrobi się zielony, i znajduje do tego najkrótszą drogę. Bramki w CI dla generowanych zmian trzeba projektować z tą świadomością.
Ontologia bywa najbardziej nośną częścią programu AI, a bywa czystym narzutem. Sygnały, które rozstrzygają, w którą stronę, zanim ktokolwiek narysuje diagram.
Przy rozwoju sterowanym specyfikacją część pracy staje się dużo tańsza, a część wolniejsza. To, która przeważa w Waszym backlogu, rozstrzyga o uzasadnieniu biznesowym.
Programy AI rzadko padają na budowie. Padają, bo dzielą sześć osób z czterema innymi programami, a nikt nie zdecydował, które z nich mają poczekać.
Gdy funkcja AI działa technicznie, a nikt z niej nie korzysta, odruchem jest szukanie lepszego modelu. Problem zwykle leży w interakcji i taniej go naprawić.
Wniosek o platformę danych przegrywa z każdym innym wydatkiem. Wniosek o to, żeby konkretny system AI przestał się mylić, zwykle wygrywa, jeśli jest uczciwie policzony.
Klasyczne discovery pyta, czy ludzie czegoś chcą, i zakłada, że da się to zbudować. Przy AI otwarte pytanie brzmi: czy zadziała dość dobrze na Waszych danych?
Pierwszy agent, którego chce większość firm, ma robić wrażenie. Na produkcję trafia ten wąski, częsty, sprawdzalny i nudny — i to on zarabia na prawo do rozrostu.
Strategia AI dobrze rozwiązuje jeden rodzaj problemu, a trzy inne źle. To, który macie, rozstrzyga, czy ją kupować i ile powinna Was kosztować.
Hiperautomatyzacja działa, gdy każdy krok trafia do właściwego wykonawcy: model czyta i proponuje, deterministyczny kod sprawdza i zapisuje, a resztę biorą ludzie.
Prompt injection rzadko przychodzi przez okno czatu. Przychodzi w mailu, zgłoszeniu albo na stronie, którą agent miał przeczytać, a obrona jest architektoniczna.
Po kwartale kod i specyfikacje mówią co innego. Specyfikacja zostaje źródłem prawdy tylko wtedy, gdy każda zmiana, także awaryjna, przechodzi najpierw przez nią.
