[00:00:00] Dzień dobry. Witam bardzo serdecznie. Wybiła godzina startu, więc zaczynajmy. Nazywam się Mateusz Soroka i ogromnie mi miło, że postanowiliście spędzić ze mną najbliższą godzinę. Temat naszego spotkania to więcej niż opisy i to hasło kluczem do wszystkiego, o czym dziś opowiem. Bo choć AI kojarzy się głównie z automatycznym generowaniem tekstów, ja chcę wam pokazać, że to tylko wierzchołek góry lodowej. Prawdziwa rewolucja dzieje się głębiej w sposobie, w jaki zarządzamy, wzbogacamy i wykorzystujemy dane produktowe na No niespotykaną dotąd skalę. Przez najbliższą godzinę yyy zanurzymy się, mam nadzieję, w praktyczne biznesowe zastosowania AI, które rozwiązują realne problemy. A teraz pozwólcie, że w dwóch słowach powiem, dlaczego ten temat yyy jest mi tak bliski. Na co dzień pełnię rolę CTO, a moja zawodowa ścieżka od lat kręci się wokół danych.

[00:01:03] Pomagam firmom porządkować ich cyfrowy świat od zarządzania informacją produktową przez zasoby cyfrowe aż po budowanie spójnego doświadczenia klienta w e-commerce. Te wszystkie skomplikowane skróty, które widzicie na slajdzie, PIM, PXM, MDM sprowadzają się do jednego, do budowania solidnego fundamentu danych, na którym można oprzeć cały biznes. I tu właśnie pojawia się moja fascynacja AI. Nie jestem entuzjastą dlatego, że to modne hasło. Jestem nim, ponieważ na własne oczy zobaczyłem jak AI pozwala rozwiązywać problemy, które jeszcze d trzy lata temu były uważane za nierozwiązywalne lub wymagały armii ludzi i gigantycznych budżetów. Dziś opowiem wam właśnie o takich przypadkach. Zanim jednak przejdziemy do sedna, jeszcze kilka krótkich, ale przydatnych informacji organizacyjnych. Po pierwsze, nasze spotkanie potrwa około godziny. Postaram się, żeby każda minuta była jak najbardziej wartościowa. Po drugie, Yyy, przygotowaliśmy dla was coś specjalnego.

[00:02:20] Każdy z uczestników po webinarze może odezwać się do mnie na LinkedInie albo otrzymać dostęp do naszego customowego asystenta GPT, którego przygotowaliśmy w Lemon Mind. To narzędzie, które pozwoli wam w praktyce przetestować niektóre z koncepcji, o których będę dziś mówił. Taki mały praktyczny bonus. Oczywiście zachęcam również do kontaktu, aby omówić rozwiązanie wyzwania, jakie stoi przed waszą organizacją. yyy w kontekście AI, ale tym mam nadzieję uda mi się zachęcić was przede wszystkim przykładami, które dzisiaj omówię. Po trzecie, pytania. Yyy, na końcu przewidziałem sesję Q&A, ale gorąco zachęcam do zadawania pytań na czacie przez cały czas trwania webinaru. Na koniec odpowiem na te pytania w dedykowanej sesji. I ostatnia ważna informacja. Webinar jest nagrywany. Wszyscy zarejestrowani uczestnicy otrzymają link do nagrania, więc będzie można na spokojnie do wszystkiego wrócić. Okej, sprawy organizacyjne mamy za sobą, więc teraz przejdę do agendy. Tak wygląda nasz plan na dziś.

[00:03:32] Zaczniemy od brutalnego zderzenia obietnic AI z rzeczywistością. Potem osadzimy to w szerszym trendzie rynkowym. Wejdziemy w świat PXN. Następnie przejdziemy do sedna, trzech konkretnych wdrożeń, które pokazują jak teoria zamienia się w realne oszczędności i wyniki. Na koniec podsumujemy to w kilku kluczowych lekcjach i pokażę wam na żywo jak to może działać w praktyce. Kto z was słyszał, że AI za chwilę zabierze nam pracę, napisze za nas wszystkie teksty i rozwiąże każdy problem? Właściwie wszyscy to słyszymy chyba każdego dnia. Obietnica jest piękna, pełna automat zacja, kreatywność na pstryknięcie palcem, natychmiastowe efekty jak w reklamach telewizyjnych. Ale jeśli próbowaliście użyć AI do czegoś więcej niż napisanie posta na social media czy jakiegoś wpisu blogowego, to wiecie, że rzeczywistość niestety często wygląda inaczej i jest to nieco bardziej skomplikowane. Pojawiają się tak zwane halucynacje, czyli AI z pełnym przekonaniem wymyśla fakty.

[00:04:47] generuje teksty czy opisy, które są gramatycznie poprawne, ale merytorycznie błędne. I tu pojawia się kluczowe pytanie. Jak my możemy temu zaufać na dużą skalę? Odpowiedzią w takim przypadku jest human, czyli człowiek w pętli [human in the loop]. I uważam, że to nie jest porażka AI, a świadome zaprojektowanie procesu, gdzie człowiek jest gwarantem jako No tutaj wiemy, że pewnie też nie zawsze, ale to nie może oznaczać, że AI generuje, a człowiek ręcznie sprawdza 100% wyników, bo wtedy tak naprawdę wracamy do punktu wyjścia, gdzie to człowiek staje się wąskim gardłem i okazuje się ukrytym kosztem. Pokażę wam dzisiaj jak zaprojektować ten proces mądrze, jak my to rozwiązaliśmy w Lemon Mind wraz z naszymi klientami, tak aby udział człowieka był naprawdę minimalny i dotyczył tylko najtrudniejszych przypadków. Te wszystkie wyzwania z danymi stają się krytyczne, bo jako rynek przechodzimy dzisiaj fundamentalną zmianę. Przechodzimy od PIM do PXM.

[00:05:58] PIM, czyli zarządzanie informacją produktową, to był nasz uporządkowany magazyn. Wszystkie dane w jednym miejscu i no to było ważne. Ale dzisiaj to już za mało. Dziś klient nie kupuje danych, kupuje doświadczenie. I tu wchodzi PXM, czyli Product Experience Management. To jest sztuka opowiadania spójnej, angażującej i spersonalizowanej historii o produkcie w każdym miejscu, w którym klient się z nim styka. Na stronie internetowej, w porównywarce cenowej, na Instagramie, w mailu, wszędzie, w każdym kanale. Jak mówi Gartner PXM to analityka, personalizacja i optymalizacja doświadczeń. Ręczne tworzenie tych wszystkich spersonalizowanych doświadczeń na dużą skalę jest po prostu niemożliwe. Nikt nie ma zespołu, który napisze pięć wersji opisu dla 10 000 produktów. I tu właśnie AI staje się silnikiem napędowym dla PXM. AI pozwala nam nie tylko tworzyć treści na masową skalę, ale robić to w sposób inteligentny.

[00:07:05] Może personalizować opisy dla różnych grup klientów, automatycznie przypisywać produkty do skomplikowanych drzew kategorii na marketplaceach i nawet, co jest fascynujące oceniać jakość swojej własnej pracy. No dobrze, ale może dość teorii. Zobaczmy na kilku case studies, jak to wygląda w ogniu walki. Nasza pierwsza Historia zaczyna się w dużym sklepie internetowym z katalogiem zdjęć liczącym ponad 100 000. Jak wiele firm w e-commerce stanęli przed wyzwaniem European Accessibility Act, które wymaga, aby ich strona była w pełni dostępna dla osób z niepełnosprawnościami. Jeden z kluczowych wymogów. Każde zdjęcie musi mieć tekst alternatywny, tak zwany Alt. Tutaj może odrobinę wyjaśnienia. Atrybut alt w HTMLu to tekst alternatywny wyświetlany zamiast obrazu, gdy ten nie może się załadować. I w tym kontekście, co najbardziej istotne, używany przez czytniki ekranu do opisu zawartości grafiki.

[00:08:26] I on musi spełniać określone kryteria, między innymi zawierać kontekst tego gdzie występuje i w sposób precyzyjny, ale zwięzły opisujący znajduje się na grafiku. Wyobraźcie sobie ten ból głowy. 100 000 zdjęć, każde w różnym kontekście. Szybka kalkulacja pokazała, że to ponad 1200 godzin pracy. To tak jakby oddelegować pięcioosobowy zespół na ponad miesiąc, żeby nie robili nic innego, tylko opisywali zdjęcia. To nie tylko gigantyczny koszt, ale zabijanie motywacji i owanie potencjału tych ludzi. No i oczywiście pozostaje też pytanie, co z setkami nowych zdjęć, które wpadają do systemu każdego dnia. Podejście wygeneruj i zapomnij byłoby katastrofą. Dlatego zrobiliśmy coś sprytniejszego. Po pierwsze daliśmy AI context. Zamiast rzucać mu samo zdjęcie, daliśmy mu też nazwę produktu, markę, kluczowe cechy czy kategorie. AI wiedziało, że patrzy na nawilżający krem do twarzy z filtrem SPF, a nie tylko na biały słoiczek. Ale kluczem do sukcesu był drugi krok.

[00:09:50] Wskazaliśmy AI, by po napisaniu każdego alta samo oceniło swoją pracę. Wystawiało sobie notę pewności od 1 do 100. Ustawiliśmy próg. Jeśli AI było swojej pracy na ponad 90% Alt był automatycznie zatwierdzany. Kryteria oceny zostały opracowane wspólnie z klientem na podstawie próbek kilkuset altów. Natomiast jeśli AI miało wątpliwości, dopiero wtedy taki przypadek trafiał na biurko człowieka i to jest właśnie inteligentny human in the loop. Mało tego, finalnie okazało się, że alt poniżej tego progu. To często były grafiki, które zawierały artefakty, były błędnie umieszczone lub nie posiadały żadnej treści, czyli obraz był w pełni czarny lub biały. No a teraz efekty. Z ponad miesiąca pracy dużego zespołu zeszliśmy do około 70 godzin, podczas których pracował przygotowany przez nas automat. Koszt zamiast kilkudziesięciu tysięcy złotych w pensjach wyniós około 400 dolarów za użycie technologii. Ale najważniejsze jest to, że problem przestał istnieć, został rozwiązany systemowo.

[00:11:15] Każde nowe zdjęcie, które pojawia się w systemie automatycznie przechodzi przez ten sam proces z tymi samymi kryteriami i tylko w przypadkach, kiedy AI nie jest pewne swojej pracy, angażowana jest praca ludzka. Druga historia dotyczy innego dużego gracza e-commerce. Po uporządkowaniu danych postanowili mocniej wejść w zewnętrzne kanały sprzedaży, jak na przykład porównywarki cenowe. I tu pojawił się mur. Jak przypisać 40 000 produktów do zupełnie innej struktury kategorii. Tutaj też ważna informacja, że ich wewnętrzne drzewko kategorii było zbudowane kompletnie inaczej. Ręczne zmapowanie to byłby koszmar. Wymagałoby eksperckiej wiedzy z tego, jak wygląda jedno i drugie drzewo kategorii. Jest to niezwykle czasochłonne i podatne na błędy. Szacowaliśmy to na dwa miesiące ciągłej pracy dwóch specjalistów. No i w przypadku nowych produktów i nowych kategorii pojawiał się znowu ten sam problem, co w przypadku Altów, czyli brak systemowego rozwiązania problemu.

[00:12:35] Pierwszy pomysł jaki przychodzi do głowy to zapytać AI: "Hej, mam produkt X. Można by było do tego dorzucić opis czy cechy i zadać pytanie do jakiej kategorii pasuje. Przy 40 000 produktów rachunek za API byłby astronomiczny. To jakby dzwonić do yyy tłumacza, żeby przetłumaczył nam każde słowo z książki. osobno. I to porównanie pojawia się tutaj nie bez przypadku, bo zrobiliśmy to inaczej. Zamiast tłumaczyć pojedyncze produkty e i tutaj w cudzysłów nauczyliśmy AI tłumaczyć całe struktury. Użyliśmy technologii, która pozwala AI zrozumieć znaczenie i kontekst całych ścieżek kategorii. Stworzyliśmy coś w rodzaju inteligentnego tłumacza, który potrafił znaleźć odpowiedniki między kategoriami firmy a kategoriami zewnętrznymi. Ten tłumacz właściwie załatwił większość pracy, a tylko dla nietypowych produktów, które nie pasowały do żadnej reguły. A dobierało kategorie indywidualnie analizując ich dane.

[00:14:05] Ten automat działa na takiej zasadzie, że w przypadku pojawienia się kolejnych produktów ten tłumacz znał już kontekst i odpowied reguły, w jaki sposób miałby przypisać nowy produkt do kategorii zewnętrznej, więc nie musieliśmy po raz kolejny odpytywać AI o taką sugestię. Zamiast dwóch miesięcy cała operacja finalnie zajęła kilkanaście godzin pracy automatu, a koszt zaskakujące 30 i nie, to nie jest błąd. Cała operacja kosztowa 30. To pokazuje, że w AI nie chodzi wyłącznie o moc obliczową, ale o sprytną strategię. Na koniec z naszych case studem historię, która pokazuje co to znaczy prawdziwa skala. Mówimy o liderze rynku B2B, firmie z branży dystrybucyjnej, która w swojej bazie ma 3 miliony produktów. Postanowili przeprowadzić rewolucję i wdrożyć zupełnie nową strukturę w kategorii. No i jakie tutaj były problemy? Oczywiście oprócz szacunkowo bardzo dużego kosztu API, to stara struktura była inna, a co gorsza zawierała mnóstwo historycznych błędów.

[00:15:33] Od tego, że kategorie w drzewie były umieszczone w sposób nieprawidłowy do samego nieprawidłowego przypisania. tych kategorii do produktów. Ręczne wykonanie tego zadania było poza jakąkolwiek dyskusją. To projekt, który wymagałby armii 100 osób pracujących przez kwartał. To było po prostu fizycznie niewykonalne. I to był projekt, w którym my ewoluowaliśmy razem z problemem. Pierwsze podejście siłowe Zapytajmy AI o każdy z 3 milionów produktów. I muszę przyznać, że wyniki były naprawdę obiecujące, ale kosztorys na 100 000 doarów bardzo szybko ostudził nasz zapał. Drugie podejście na skróty. Zmapujmy całe stare kategorie do nowych. Było tanio, ale w ten sposób przenieślibyśmy wszystkie stare błędy do nowego pięknego świata, co było totalnie. Finalne rozwiązanie przypominało inteligentną linię produkcyjną. Pierwszy tani automat robił około 80% prostej roboty. Mapował stare kategorie na nowe. Drugi, bardziej precyzyjny, ale droższy, wchodził do akcji tylko dla trudnych przypadków.

[00:17:15] A na końcu postan postanowiliśmy trzeci automat kontrolera jakości. Jego jedynym zadaniem było spojrzeć na wynik i ocenić, czy ten produkt na pewno pasuje do tej kategorii. I ten ostatni etap był genialny w swojej prostocie, bo wyłapał nie tylko błędy w mapowaniu, błędy w starszej strukturze kategorii czy błędne przypisanie produktu do nowej i starej kategorii kategorii, ale znalazł nawet luki w definicji nowej struktury kategorii, to znaczy nie potrafił znaleźć przypisania do nowej kategorii, bo to drzewko było w jakimś elemencie niepoprawnie skonstruowane. I dzięki temu wieloetapowemu podejściu projekt, który inicjalnie wydawał się niewykonalny zrealizowaliśmy w około trzy tygodnie, a koszt zamiast 100 000 dolarów z podejścia pierwszego zamknął się w kwot około 1200 doarów i to jest chyba najważniejsza lekcja z tego webinaru. Czasami jedna dobra rozmowa i mądra strategia są warte więcej niż nieograniczony budżet na technologię.

[00:18:37] Lepiej zainwestować w konsultacje niż bezmyślnie przepalać pieniądze na API któregokolwiek z narzędzi AI. Podsumowując te trzy historie, chciałbym, żebyście zapamiętali trzy rzeczy. Po pierwsze, traktujcie AI jak bardzo zdolnego, ale niedoświadczonego stażystę. Bywa niesamowicie szybki, ale potrzebuje dobrego briefu, czyli kontekstu i mechanizmu kontroli jakości. Po drugie, najważniejsza jest strategia. Jak Widzieliście sprytne wieloetopowe podejście może obniżyć koszty o 99% w porównaniu do naiwnego użycia siłowego, choć skutecznego. Nie musicie mieć budżetów gigantów, żeby korzystać z narzędzi AI i rozwiązywać problemy z jej użyciem. I po trzecie, zawsze zaczynajcie od pytania, jaki problem biznesowy chcemy rozwiązać, a nie gdzie możemy wcisnąć AI. Technologia ma służyć wam, a nie odwrotnie. No dobrze, to może tyle historii z pola bitwy. Chciałbym zaprezentować teraz jak AI może wspierać marketing w codziennej pracy przy tworzeniu spersonalizowanych treści, co jest sercem PXMA.

[00:19:57] Zachęcam także teraz do zeskanowania kodu QR. On jest odnośnie do mojego profilu na LinkedInie. Zachęcam do kontaktu, abyśmy mogli porozmawiać o o tym, jak AI mogłoby wesprzeć pracę w waszej organizacji czy rozwiązać wyzwania, które przed wami stoją. Ale zachęcam do kontaktu również z innego powodu, czyli ze wspomnianego wcześniej y naszego customowego asystenta GPT, którego również y za chwilę zaprezentuję po webinarze do osób, które się do mnie odezwą, y udostępnię link, aby można było samodzielnie to rozwiązanie przetestować. No teraz przejdę do dema. Może zacznę od tego, jak wygląda struktura tego, co co będę teraz prezentował. Mamy zakładkę z personami.

[00:20:57] Ja też uprościłem niektóre z widoków, aby to było bardziej przejrzyste na potrzeby prezentacji i wejdźmy może do persony gamera, gdyż postanowiłem prezentację przeprowadzić na temacie dla mnie szczególnie bliskim, czyli sprzęcie komputerowym i co wiemy o takiej personie w ogóle skąd kontekst takiej persony może pojawić się w systemie. Takie target grupy czy persony mogą być określane na podstawie zachowania użytkownika na stronie www. takie taki tracking czy zachowanie użytkownika może odbywać się za pomocą narzędzi na przykład takich jak amplitude. No dobrze, wróćmy do tematu persony gamera. I co wiemy o takim użytkowniku? Wiemy, że oczekuje emocjonalnego języka i oczywiście nacisku na wydajność w grach, grafikę, FPS-y, wrażenia z rozrywki. No i tutaj też mamy jakiś przykład tego, co mogłoby być kluczowe w opisach dla takiego użytkownika. Spójrzmy też na przykład na personę gigika technicznego.

[00:22:25] To jest użytkownik, który oczekuje szczegółowych danych technicznych, benchmarków i informacji o kompatybilności z naciskiem na nowinki technologiczne i dlaczego coś jest lepsze niż w poprzedniej generacji. Przejdę teraz do jednego z yyy produktów produktów, który posiada w tym momencie w moim systemie bardzo ubogi, powiedziałbym wręcz uproszczony opis. W tym systemie zbieramy też informacje o opisach alternatywnych. Czym jest opis alternatywny? To może być na przykład opis dostarczany przez producenta albo mówiąc bardziej wprost yyy na przykład opisy, które pojawiają się u konkurencji.

[00:23:20] Mając taki opis i zdefiniowane kryteria, na czym chcielibyśmy się skupić w analizie takich opisów, możemy porównać nasz opis do wszystkich alternatywnych opisów, które mogły zostać automatycznie zeskrapowane właśnie ze źródeł takich jak wspomniałem wcześniej, taka analiza jest w stanie nawet bazując na tym przykładzie, na którym bazowałem w case stady, czyli altach, określić poziom takiego opisu w skali od zera do do 100 w porównaniu do konkurencji, wyłapać jakie są mocne strony albo co może wymagać usprawnienia. Co możemy z tym zrobić? No możemy generować opis bazowy, który weźmie wszystkie dane o produkcie, które mamy zdefiniowane. W tym wypadku jest to ten nasz ubogi opis i informacje dodatkowe o jakichś danych technicznych. Weźmie opis konkurencji i czy opisy alternatywne i zaproponuje opis, który będzie lepszy.

[00:24:40] Jak widzicie wynik się ją poprawił, a to oznacza, że mechanizm zakończył swoją pracę i wygenerował opis, który no jest teraz trochę bardziej szczegółowy, zawiera więcej informacji. Co możemy zrobić z tym dalej? Możemy na przykład poprosić o wygenerowanie opisu pod konkretną personę. No to może weźmy geika technicznego, którego omówiłem wcześniej. I ten mechanizm y na podstawie opisu danej persony i tego, co jest dla niej istotne w kontekście opisów produktowych, weźmie opis, który zresztą przed chwilą inny mechanizm poprawił i na tej podstawie wygeneruje opis, który będzie dostosowany do tej persony. Okej. Opis dla gechicznego się generował. Yyy, weźmy może jakieś przykładowe y zdanie, które się tutaj pojawiło. Yyy, ten laptop to nie tylko laptop, to symbol przyszłości technologii, który łączy w sobie moc, design i innowacyjność. Teraz przejdę do naszego narzędzia, które udostępnimy po webinarze dla osób, które się do mnie odezwą.

[00:26:01] I to jest asystent w czacie GPT, który robi właściwie bardzo podobną rzecz, czyli bierze opis produktowy, który mamy obecnie. Możemy zdefiniować opisy alternatywne i zdefiniować personę, dla której ten nowy opis zostanie wygenerowany. Może nawet wezmę Ten sam przykład opis alternat również skopiuję z mojego przykładu. I teraz może zmienię personę i w tym W tym przypadku weźmiemy gamera i rozpoczniemy działanie. Ten asystent działa tak, że m jeżeli nie podam wszystkich yy szczegółów od razu na temat persony, mojego opisu czy yyy opisu konkurencji, to on odpyta yyy O te brakujące elementy. Użyłem złej frazy opis alternatywny. On jest skupiony na opisie konkurencji, więc zapytał mnie o opis jeszcze raz. Dobrze, nie ma dobrej prezentacji bez jakiegoś problemu, więc może uruchomię tego asystenta jeszcze raz. Okej. Dane produktowe użytkownika. To jeszcze raz będzie mój opis. Persona klienta. gamer z takim opisem i jako trzeci dane konkurencji.

[00:27:54] Dobrze, tym razem się udało i w pierwszej kolejności jest brany mój opis i jest oceniany Yyy, tutaj trochę yyy zostały rozszerzone te kryteria. W skali od zera do yyy 120 jest przeprowadzona analiza każdego z punktów i jakieś rekomendacje działania. Na podstawie opisu konkurencji i persony dostajemy dwa warianty takiego opisu. Pierwszy bardziej dynamiczny, emocjonalny, a drugi techniczny premium. Zazwyczaj proponowane są dwa warianty. One nie są zdefiniowane na sztywno. To znaczy, że pierwszy ma być dynamiczny i emocjonalny, a drugi techniczno premium. To też oczywiście zależy od kontekstu kategorii produktu i persony, dla której taki opis mamy wygenerować. Okej, tak jak wspomniałem, bardzo chętnie udostępnimy narzędzia. Udostępnimy to narzędzie. do własnego przetestowania. Jeśli ktokolwiek z was byłby zainteresowany pracą takiego mechanizmu na szeroką skalę, to oczywiście również zachęcam do kontaktu i tutaj omówimy szerzej możliwości.

[00:29:16] Dobra, jeżeli chodzi o to, co chciałem dzisiaj zaprezentować, to wszystko Mam nadzieję, że udało mi się pokazać, że ta rewolucja AI w danych produktowych dzieje się tu i teraz, ale że jest dostępna dla każdego, kto podejdzie do niej z odpowiednią strategią. A teraz chętnie odpowiem na pytania, jeśli się pojawiły. Okej, jeszcze w międzyczasie y zanim dostanę informację o tym, czy pojawiły się jakieś pytania, e, kiedy konsultowałem tą prezentację po raz pierwszy z Olgierdem, naszym prezesem, powiedział, że jest m zbyt techniczna i okreiłem ją do bardziej biznesowego kontekstu. Jeśli ktoś z was byłby zainteresowany trochę bardziej w szczegółach y jakich to technologii użyliśmy, czy trochę bardziej w szczegółach jak ten proces wyglądał, to również zachęcam do kontaktu przez LinkedIna. Ustawimy jakiegoś krótkiego cola i no mam nadzieję wymienimy się doświadczeniami. Dobra, zaczynają pojawiać się pytania, pytania do przedstawionych casów.

[00:30:37] Czy asystent PIM musi mieć definiowane persony, czy poradzi sobie z opisem spontanicznym? Tak, jak najbardziej. Tutaj oczywiście potrzebujemy mieć wsparcie jakiegoś zewnętrznego narzędzia, który analizuje zachowanie użytkownika na stronie. On zbiera informacje o tym, w jakie kategorie klikał użytkownik, ile czasu spędził w konkretnym miejscu. My robiliśmy nawet takie doświadczenie gdzie otrzymywaliśmy Jasona, który określał czy zbierał takie informacje o użytkowniku, w tym wypadku akurat amplitude i na podstawie tego Jasona byliśmy w stanie w sposób dynamiczny zdefiniować kim jest ten użytkownik.

[00:31:36] Pokuszę się nawet o stwierdzenie, bo akurat taki case analizowaliśmy, że byliśmy w stanie wyłapać, że to jest użytkow który prawdopodobnie ma jakieś problemy z uczuleniem na konkretny składnik, ale tutaj oczywiście uczulam, że to może być daleko idący wniosek i może mieć pewne konsekwencje prawne, więc trzeba bardzo dobrze te przypadki analizować i pewnie ograniczyć interpretację AI w tym kontekście. To taka przedługa odpowiedź. A odpowiedź krótka brzmi tak, jak najbardziej. Poradzi sobie spontanicznie. Okej. Pytanie do przedstawionych casów. Jakich narzędzi używaliście? Dobrze. Miałem nie mówić o technikaliach. Mam nadzieję, że jeżeli Olgiert mnie słucha, to wybaczy mi to, że trochę uchylę rąbkę tajemnicy. Jeżeli chodzi o modele językowe, to posługujemy się właściwie wszystkim tym, co jest najbardziej popularne na rynku, czyli GPT Gemini Clot. Oczywiście robimy też testy na modelach językowych uruchamianych lokalnie.

[00:32:56] No ale umówmy się tutaj moc obliczeniowa takich zwykłych urządzeń często jest zbyt mała. Chociaż czasami w niektórych przypadkach jak proste operacje potwierdzenia czy produkt pasuje do danej kategorii czy nie, z tym sobie modele radzą. Radzi się z radzi sobie z tym między innymi nasz polski LLM Bielik. Natomiast jeżeli chodzi o narzędzia do do automatyzacji czy przygotowywania jakieś workflow korzystamy też z N8N, w którym definiujemy naszych customowych agentów i cały proces. No ale też piszemy po prostu kod w Pythonie. Okej. Chyba nie pojawiło się więcej pytań. Okej, wrócę do udostępnienia prezentacji. Tutaj mała przypominajka. Nasz kolega z marketingu prosił, żebym o tym Omniał. Zapraszam oczywiście na nasze profile na mediach społecznościowych, przede wszystkim na LinkedIna, na którym publikujemy więcej treści. No i cóż, zamknęliśmy się w czasie trochę krótszym niż planowałem, ale bardzo dziękuję za obecność.

[00:34:03] Po raz kolejny zapraszam do skontaktowania się ze mną na na LinkedInie, gdzie udostępnię przygotowane przez nas narzędzie bądź wymienimy się doświadczeniami o tym, jak możemy pomóc w rozwiązaniu problemów z użyciem AI. Dziękuję bardzo za uwagę.