Uczenie maszynowe i sztuczna inteligencja

Sztuczna inteligencja to nie tylko czaty. Wiele problemów w firmie lepiej rozwiązuje dobrze dobrany model uczenia maszynowego: prognoza, klasyfikator albo wyszukiwanie podobnych przypadków. Pomagam wybrać podejście, zbudować rozwiązanie i sprawdzić na danych, czy naprawdę działa.

Uczenie maszynowe na danych

• przygotowanie i walidacja dużych zbiorów szeregów czasowych oraz testy na danych historycznych (backtesting),
• prognozowanie szeregów czasowych (sieci LSTM, transformery, proste modele statystyczne jako punkt odniesienia),
• klasyfikacja na danych tabelarycznych (scikit-learn, modele drzewiaste, sieci neuronowe),
• wykrywanie wzorców, podobieństw i grup w danych (klasteryzacja, DTW, wyszukiwanie najbliższych sąsiadów),
• uczenie ze wzmacnianiem w problemach decyzyjnych, na etapie symulacji i eksperymentu,
• dopasowywanie rekordów z różnych źródeł: reguły na identyfikatorach, a w niepewnych przypadkach dopasowanie probabilistyczne i ręczna weryfikacja.

Obraz, mowa i wideo

• rozpoznawanie tekstu na obrazie i w wideo z użyciem usług chmurowych oraz praca na wynikach gotowych modeli wykrywania obiektów,
• transkrypcja mowy gotowymi modelami (np. Whisper) i wyciąganie informacji z nagrań,
• zamiana wyników analizy wideo na zdarzenia, z których korzysta aplikacja.

Modele językowe (LLM)

• agenci, którzy korzystają z narzędzi i danych firmy,
• odpowiedzi na pytania na podstawie dokumentów firmy, w oparciu o gotowe usługi (np. bazy wiedzy Amazon Bedrock),
• wyciąganie uporządkowanych danych z tekstu, na przykład z transkryptów i dokumentów,
• modele o otwartych wagach uruchamiane lokalnie (np. przez Ollama), gdy dane nie mogą opuścić firmy; zaczynam od prototypu.

Jak pracuję z danymi

• zaczynam od danych: czyszczenie, walidacja i przygotowanie cech,
• każdy model oceniam na danych, których nie widział podczas treningu, i porównuję z prostym punktem odniesienia,
• pokazuję wynik w liczbach, zanim zdecydujesz o wdrożeniu,
• wynik modelu podłączam do Twojej aplikacji, zwykle przez API w chmurze AWS,
• wdrożony model wymaga nadzoru: monitoring jakości i ponowne trenowanie ustalamy jako osobny zakres.

Doświadczenie

Pierwsze sieci neuronowe budowałem na studiach: praca inżynierska na AGH (2014) dotyczyła dynamicznych sieci neuronowych w modelowaniu procesów metalurgicznych, a projekt przedstawiłem na 49. Sesji Studenckich Kół Naukowych AGH. Do tematu wróciłem w 2018 roku, pisząc od zera własną sieć neuronową, a od 2024 roku regularnie pracuję nad modelami w TensorFlow i PyTorch: od transformerów i uczenia ze wzmacnianiem po model językowy zbudowany od podstaw (mechanizm uwagi, warstwy, tokenizacja, trening testowy). To głównie własne projekty badawcze, w dużej części na szeregach czasowych z rynków finansowych.

W projektach komercyjnych pracowałem w zespołach, które budowały systemy wokół gotowych modeli. Dla Sky było to przetwarzanie wyników analizy wideo opartej na uczeniu maszynowym oraz rozpoznawanie tekstu na klatkach z transmisji na żywo z użyciem usługi chmurowej. W CMS-ie dla hayu (NBCUniversal) metadane treści wzbogaca usługa rozpoznawania obrazu (Amazon Rekognition). W 2026 roku, w krótkim projekcie dla innego klienta, rozwijałem narzędzie, z którego korzysta agent LLM. Rozwiązania z modelami językowymi i transkrypcją mowy budowałem dotąd jako prototypy.

W Merapar przygotowałem i poprowadziłem cykl wewnętrznych warsztatów o AI i uczeniu maszynowym dla zespołów inżynierskich: przetwarzanie danych, inżynieria cech, wdrażanie modeli językowych i architektura rozwiązań generatywnej AI.

Od czego zacząć

Opisz problem i dane, które masz. Powiem, czy uczenie maszynowe ma tu sens, i zaproponuję pierwszy, mały eksperyment.