Notatki z portu
Praktyczne, okazjonalne teksty o AI i danych — co działa, co nie, i dlaczego.
RAG, który naprawdę działa w produkcji
Większość systemów wyszukiwania zawodzi nie na modelu, lecz na „instalacji”. Co odróżnia demo od niezawodnego asystenta.
Czytaj →AI Act UE dla zespołów nordyckich
Praktyczna mapa tego, czego wymaga rozporządzenie, kiedy i jak wbudować zarządzanie od pierwszego dnia.
Czytaj →Agentowa AI: kiedy jej nie używać
Autonomiczni agenci są potężni i łatwi do niewłaściwego użycia. Gdzie się sprawdzają, a gdzie wygrywa prosty potok.
Czytaj →Dlaczego jakość danych bije wybór modelu
Zespoły obsesyjnie skupiają się na architekturze modelu, a zaniedbują zasilające go dane. Zwrot jest prawie zawsze odwrotny.
Czytaj →MLOps bez ciężkiej platformy
Modele można niezawodnie monitorować i ponownie trenować lekkimi, otwartymi narzędziami. Oto niezbędne minimum.
Czytaj →Warstwa semantyczna wyjaśniona prosto
Dlaczego jedna uzgodniona definicja na metrykę to najskuteczniejsza naprawa raportowania, któremu nikt nie ufa.
Czytaj →Wyszukiwanie wektorowe: pięć częstych pułapek
Dzielenie na fragmenty, osadzenia i ewaluacja wykładają większość pierwszych prób. Lista kontrolna, jak uniknąć typowych pułapek.
Czytaj →Feature store: kiedy się opłaca
Feature store rozwiązuje realne problemy i tworzy nowe. Kiedy kompromis się zwraca, a kiedy nie.
Czytaj →Trzymanie kosztów LLM w ryzach
Rachunki za tokeny rosną po cichu, aż zaskakują. Praktyczne dźwignie cięcia kosztów bez cięcia jakości.
Czytaj →Kontrakty danych w praktyce
Kontrakt danych to obietnica między producentem a konsumentem. Jak uczynić je realnymi, a nie diagramem.
Czytaj →Jak oceniać wyniki LLM
Przegląd ludzki się nie skaluje, a wyczucie to nie metryka. Budowanie zestawu ewaluacyjnego, któremu można ufać.
Prywatność w projekcie systemów AI
RODO to nie pole do zaznaczenia na końcu. Jak wbudować minimalizację danych i ograniczenie celu od początku.
Streaming czy wsad: uczciwy wybór
Czas rzeczywisty jest modny i często zbędny. Trzeźwe spojrzenie na to, kiedy streaming jest wart swojej złożoności.
Karty modeli, które naprawdę mają znaczenie
Większość kart modeli to odhaczanie. Co powinno się w nich znaleźć, by były użyteczne dla audytorów i inżynierów.
Kiedy w ogóle nie używać AI
Czasem uczciwą odpowiedzią jest reguła, formularz lub arkusz. Wiedzieć, kiedy powiedzieć AI nie.
Dziennik portu
Okazjonalne, praktyczne notatki o AI i danych. Bez szumu.