5 kluczowych wskaz贸wek dla wsp贸艂czesnych mened偶er贸w i mened偶erek

Sztuczna inteligencja (AI) to jedno z najwa偶niejszych narz臋dzi we wsp贸艂czesnym zarz膮dzaniu. Wspiera podejmowanie decyzji, optymalizuje procesy i personalizuje rozw贸j os贸b pracuj膮cych w danej organizacji. Jednak AI nie zast膮pi osoby zarz膮dzaj膮cej zespo艂em – jej skuteczno艣膰 zale偶y od umiej臋tnego po艂膮czenia technologii z ludzkimi kompetencjami, takimi jak empatia, strategiczne my艣lenie i budowanie relacji. Co wi臋cej, jej zastosowanie wymaga odpowiedzialno艣ci i etycznego podej艣cia, kt贸re pozwoli unikn膮膰 uprzedze艅 algorytmicznych i zapewni przejrzysto艣膰 dzia艂ania.

Oto pi臋膰 praktycznych wskaz贸wek, jak efektywnie i odpowiedzialnie wykorzysta膰 AI w zarz膮dzaniu zespo艂em.

1. Korzystaj z AI w analizie danych, ale zachowaj ludzki kontekst

AI potrafi b艂yskawicznie analizowa膰 ogromne ilo艣ci informacji, identyfikowa膰 trendy i rekomendowa膰 dzia艂ania. Narz臋dzia, takie jak predictive analytics, pozwalaj膮 przewidywa膰 zmiany rynkowe czy potrzeby klient贸w.

Ostateczna interpretacja danych i podejmowanie kluczowych decyzji pozostaj膮 jednak w gestii lidera lub liderki. Model 鈥瀐uman-in-the-loop鈥� pozwala 艂膮czy膰 zaawansowan膮 analityk臋 AI z do艣wiadczeniem i intuicj膮 cz艂owieka, co prowadzi do trafniejszych decyzji biznesowych. Wa偶ne jest r贸wnie偶 uwzgl臋dnienie aspekt贸w etycznych, takich jak unikanie b艂臋d贸w algorytmicznych czy transparentno艣膰 wykorzystywanych modeli.

2. Wzmacniaj inteligencj臋 emocjonaln膮 w erze AI

AI mo偶e monitorowa膰 nastroje pracownik贸w i pracownic na podstawie ankiet czy analizy j臋zyka, ale nie zast膮pi umiej臋tno艣ci budowania zaufania i autentycznych relacji.

Dzi艣 wykorzystywanie AI jako wsparcia w diagnozowaniu atmosfery w zespole jest rozwi膮zaniem, z kt贸rego warto korzysta膰, ale kluczow膮 rol臋 nadal powinna odgrywa膰 empatia. Regularna komunikacja, feedback i otwarto艣膰 na potrzeby drugiego cz艂owieka pomagaj膮 tworzy膰 zaanga偶owan膮 i zmotywowan膮 kultur臋 organizacyjn膮. Jednocze艣nie niezb臋dne jest etyczne wykorzystanie danych 鈥� zbieranie informacji o nastrojach os贸b z zespo艂u powinno odbywa膰 si臋 za ich zgod膮 i z pe艂n膮 transparentno艣ci膮.

3. Personalizuj rozw贸j os贸b ze swojego zespo艂u, ale pami臋taj o inspiracji

Systemy AI, takie jak platformy LMS (Learning Management System), dostosowuj膮 艣cie偶ki edukacyjne do indywidualnych potrzeb pracownik贸w czy pracownic. Dzi臋ki nim rozw贸j staje si臋 bardziej efektywny i dopasowany do umiej臋tno艣ci danej osoby.

Technologia nie zast膮pi jednak roli, jak膮 w zespole pe艂ni lider b膮d藕 liderka – taka osoba powinna inspirowa膰, zach臋ca膰 do nauki, pokazywa膰 warto艣ciowy kontekst biznesowy i wspiera膰 rozw贸j kompetencji przysz艂o艣ci. Ponadto osoby pe艂ni膮ce role liderskie powinny pami臋ta膰 o tym, by dobierane przez nich narz臋dzia edukacyjne nie wykorzystywa艂y stronniczych algorytm贸w i zapewnia艂y r贸wne szanse wszystkim osobom z zespo艂u.

4. Automatyzuj rutynowe zadania, by skupi膰 si臋 na strategii

Automatyzacja proces贸w administracyjnych, raportowania czy obs艂ugi klienta pozwala mened偶erom i mened偶erkom koncentrowa膰 si臋 na kluczowych aspektach zarz膮dzania 鈥� innowacjach, strategii i rozwoju organizacji.

Warto wdra偶a膰 AI w obszarach, kt贸re pozwalaj膮 na oszcz臋dno艣膰 czasu i eliminacj臋 powtarzalnych obowi膮zk贸w. Dzi臋ki temu osoby w rolach liderskich mog膮 skupi膰 si臋 na kreatywnym my艣leniu i budowaniu d艂ugofalowej strategii. Jednocze艣nie powinny monitorowa膰 wp艂yw automatyzacji na osoby w zespole – aby eliminowa膰 niepotrzebny stres i obawy o utrat臋 miejsca pracy, kluczowe jest zapewnienie transparentno艣ci i odpowiedzialnej komunikacji zmian.

5. Promuj odpowiedzialne wykorzystanie AI

Zaufanie do AI w organizacji zale偶y od transparentno艣ci jej stosowania. Liderzy i liderki powinni jasno komunikowa膰, w jaki spos贸b AI wspiera ich zespo艂y, jakie s膮 jej mo偶liwo艣ci oraz gdzie le偶膮 jej ograniczenia.

Edukacja na temat etyki AI, unikanie uprzedze艅 algorytmicznych oraz odpowiedzialne zarz膮dzanie danymi s膮 kluczowe dla budowania zaufania do technologii i jej skutecznej implementacji w firmie. Warto tak偶e 艣ledzi膰 regulacje dotycz膮ce AI oraz przestrzega膰 zasad dotycz膮cych ochrony danych osobowych i prywatno艣ci.

Podsumowanie

AI to pot臋偶ne narz臋dzie, ale to cz艂owiek pozostaje w centrum zarz膮dzania. Dzi艣 osoby na stanowiskach liderskich musz膮 w umiej臋tny spos贸b 艂膮czy膰 nowoczesne technologie ze zdolno艣ciami interpersonalnymi, tworz膮c dynamiczne, efektywne i zintegrowane zespo艂y.

Wdra偶aj膮c AI w zarz膮dzaniu, warto wi臋c pami臋ta膰 o r贸wnowadze – technologia powinna wspiera膰, a nie zast臋powa膰 kluczowe kompetencje liderskie. Etyczne podej艣cie do sztucznej inteligencji, transparentno艣膰 jej stosowania oraz odpowiedzialno艣膰 lider贸w i liderek w jej implementacji stanowi膮 fundament sukcesu w erze cyfrowej transformacji.

Wdra偶anie transformacji biznesowych opartych na sztucznej inteligencji (AI), a ostatnio nap臋dzanych entuzjazmem wok贸艂 generatywnej AI (Gen AI), staje si臋 coraz popularniejszym kierunkiem firm.

Wed艂ug raportu 乌鸦传媒 przeprowadzonego we wsp贸艂pracy z , ponad 80% respondent贸w uwa偶a, 偶e nadszed艂 czas, aby przekszta艂ci膰 Global Business Services w Generative Business Services 鈥� lepiej zdefiniowane jako us艂ugi oparte na AI i danych, ukierunkowane na wzrost oraz innowacje w przedsi臋biorstwach. Warto jednak pami臋ta膰, 偶e skuteczna transformacja biznesowa, przynosz膮ca wymierne rezultaty, wymaga kompleksowego podej艣cia, czyli wdra偶ania odpowiednich platform technologicznych wraz z transformacj膮 modelu operacyjnego i proces贸w 鈥� a niekoniecznie samej AI. Klucz do jej efektywno艣ci stanowi膮 dog艂臋bna diagnoza potrzeb firmy, strategiczne podej艣cie oraz indywidualnie dopasowane, bran偶owo specyficzne rozwi膮zania, kt贸re 艂膮cznie przekszta艂caj膮 modele operacyjne, procesy, technologi臋 i ludzi.

W transformacjach biznesowych obserwujemy du偶e skoncentrowanie na najnowszych rozwi膮zaniach technologicznych, jednak podstawowe zasady pozostaj膮 niezmienne. Klient 鈥� czyli ko艅cowy odbiorca produkt贸w lub us艂ug 鈥� musi zawsze znajdowa膰 si臋 w centrum projektowania. Je艣li zapomnimy o identyfikacji jego potrzeb i ich rozwi膮zaniu, transformacja najprawdopodobniej nie zako艅czy si臋 sukcesem.

Coraz popularniejsz膮 i skuteczniejsz膮 metod膮 budowania strategii transformacji jest model oparty na rezultatach (Outcomes Based Model), kt贸ry koncentruje si臋 przede wszystkim na wp艂ywie programu transformacyjnego na biznes, a nie jedynie na typowych miernikach wydajno艣ci proces贸w czy modelach cenowych opartych na sta艂ych lub zmiennych op艂atach. Inicjatywy transformacyjne oraz 艣wiadczone us艂ugi s膮 dostosowane do osi膮ganych rezultat贸w biznesowych, takich jak poprawa kapita艂u obrotowego poprzez redukcj臋 zaleg艂ych nale偶no艣ci czy zwi臋kszenie przychod贸w dzi臋ki wykrywaniu, zapobieganiu i odzyskiwaniu utraconych przychod贸w. Obserwujemy przypadki, w kt贸rych zastosowanie takich modeli prowadzi do znacz膮cej poprawy przep艂yw贸w pieni臋偶nych, a osi膮gane rezultaty si臋gaj膮 milion贸w euro na korzy艣膰 naszych klient贸w.

Takie podej艣cie znacz膮co zwi臋ksza skuteczno艣膰 transformacji biznesowej i wykracza poza tradycyjne priorytety, skupione na produktywno艣ci czy arbitra偶u koszt贸w pracy. Dzi臋ki temu znacznie 艂atwiej jest przyci膮gn膮膰 uwag臋 kadry zarz膮dzaj膮cej na poziomie C-level, kt贸ra zazwyczaj podejmuje decyzje i odpowiada za zakup us艂ug transformacyjnych.

Pracujemy w tym modelu, bo jeste艣my pewni, 偶e dobrze zaplanowana transformacja przynosi oczekiwane rezultaty. 呕eby to osi膮gn膮膰, musimy dobrze rozumie膰 naszych klient贸w 鈥� ich potrzeby i specyfik臋 dzia艂ania. Dzi臋ki temu mo偶emy tworzy膰 dopasowane, bran偶owe rozwi膮zania oraz skutecznie prowadzi膰 ich przez proces zmian. Opieramy si臋 na szczeg贸艂owej analizie danych, kt贸ra pozwala podejmowa膰 trafne decyzje. Do tego stosujemy model rozliczeniowy oparty na osi膮ganych rezultatach, co motywuje zar贸wno klient贸w, jak i 乌鸦传媒. To w艂a艣nie sprawia, 偶e taka wsp贸艂praca jest korzystna dla obu stron.

W kontek艣cie strategicznej transformacji biznesowej kluczow膮 rol臋 cz臋sto odgrywaj膮 organizacje znane jako GBS (Global Business Services) lub BPO (dostawcy us艂ug proces贸w biznesowych – Business Process Outsourcing). Sektor ten jest silnie reprezentowany w Polsce oraz w innych krajach regionu, takich jak Rumunia, g艂贸wnie dzi臋ki dost臋pno艣ci wysoko wykwalifikowanych specjalist贸w i specjalistek, eksperckiej wiedzy oraz wci膮偶 stosunkowo niskim kosztom pracy w por贸wnaniu do innych pa艅stw. Cho膰 tradycyjne funkcje i korzy艣ci p艂yn膮ce z GBS/BPO pozostaj膮 istotne, ro艣nie potrzeba zdefiniowania ich roli na nowo, aby lepiej trafia膰 do lider贸w biznesu, kt贸rzy oczekuj膮 wi臋cej ni偶 tylko ci臋cia koszt贸w.

乌鸦传媒 to ju偶 nie tylko tradycyjny dostawca us艂ug transakcyjnych, ale organizacja, kt贸ra koordynuje ekosystem nowych umiej臋tno艣ci, technologii i kompetencji dla swoich klient贸w. Dzi臋ki temu nie ogranicza si臋 do wsparcia operacyjnego, lecz aktywnie nap臋dza realizacj臋 strategicznych cel贸w nowoczesnych przedsi臋biorstw. 乌鸦传媒 coraz szerzej obejmuje odpowiedzialno艣膰 za transformacj臋 biznesow膮 swoich klient贸w, rozszerzaj膮c dzia艂alno艣膰 na kolejne linie biznesowe i obszary funkcjonalne. Dzi臋ki temu wp艂ywa na ich wyniki finansowe zar贸wno w zakresie przychod贸w, jak i zysk贸w.

Si艂a prostoty

W dzisiejszym 艣wiecie technologia rozwija si臋 w zawrotnym tempie, a firmy nieustannie mierz膮 si臋 z zalewem innowacyjnych rozwi膮za艅, kt贸re mog膮 usprawni膰 ich dzia艂alno艣膰. Jednak tak szybkie tempo zmian cz臋sto utrudnia pe艂ne przystosowanie si臋 do nowo艣ci, przez co technologie nie s膮 wykorzystywane w maksymalnym stopniu, a ich wp艂yw na biznes pozostaje ograniczony. Wiele organizacji wdra偶a jedynie fragmentaryczne rozwi膮zania i nie w pe艂ni korzysta z mo偶liwo艣ci dost臋pnych technologii, co znacz膮co obni偶a ich efektywno艣膰 i zwrot z inwestycji.

Technologia powinna by膰 wykorzystywana w pe艂ni, aby jak najwi臋ksza cz臋艣膰 organizacji mog艂a czerpa膰 korzy艣ci z wdro偶onych rozwi膮za艅. Takie podej艣cie nie tylko zwi臋ksza efektywno艣膰, ale tak偶e pozwala optymalizowa膰 koszty 鈥� innymi s艂owy, nasi klienci mog膮 w pe艂ni wykorzysta膰 to, za co p艂ac膮. Firmy powinny r贸wnie偶 wybiera膰 platformy technologiczne, kt贸re odpowiadaj膮 na r贸偶norodne potrzeby, zamiast polega膰 na wielu rozproszonych narz臋dziach. Kluczowe jest pe艂ne i w艂a艣ciwe wdro偶enie, a nie gromadzenie kolejnych rozwi膮za艅.

Rozw贸j firmy opiera si臋 na kompetencjach zespo艂u

Kluczem do udanej transformacji biznesowej 鈥� obok dobrego planowania strategicznego 鈥� jest skuteczne zarz膮dzanie zmian膮 i komunikacja. Zmiana przynosi efekty tylko wtedy, gdy pracownicy j膮 rozumiej膮, s膮 do niej przekonani, a najlepiej, gdy maj膮 mo偶liwo艣膰 wsp贸艂tworzenia jej.

Transformacja biznesowa to tak偶e rozw贸j kompetencji pracownik贸w i pracownic. Od samego pocz膮tku warto jasno komunikowa膰 im, jak膮 rol臋 odegraj膮 zar贸wno w trakcie zmian, jak i po ich wdro偶eniu. R贸wnolegle z modyfikacj膮 proces贸w biznesowych kluczowe jest zaplanowanie i przeprowadzenie solidnych szkole艅 oraz wyposa偶enie zespo艂贸w w odpowiednie narz臋dzia i zasoby. Dzi臋ki temu codzienna dzia艂alno艣膰 firmy pozostaje niezak艂贸cona, a osoby zatrudnione mog膮 w pe艂ni wykorzysta膰 sw贸j potencja艂.

W 乌鸦传媒 koncentrujemy si臋 na rozwoju naszych zespo艂贸w w obszarze generatywnej AI oraz certyfikacji bran偶owych. Zatrudniane przez nas osoby maj膮 mo偶liwo艣膰, a cz臋sto tak偶e obowi膮zek, zdobywania kluczowych certyfikat贸w w tych dziedzinach. Dzi臋ki temu jeste艣my na bie偶膮co z trendami i zmianami rynkowymi oraz mo偶emy wdra偶a膰 dopasowane, optymalne rozwi膮zania dla naszych klient贸w. Tylko w ten spos贸b mo偶emy by膰 dla nich niezawodnym partnerem.

Jednym z najskuteczniejszych sposob贸w wdra偶ania zmian jest podej艣cie pilota偶owe. Pozwala ono przetestowa膰 rozwi膮zanie w wybranym, czasem odizolowanym obszarze przed jego szerokim wdro偶eniem. Metoda ta sprawdza si臋 szczeg贸lnie w du偶ych firmach o zasi臋gu regionalnym i globalnym. Wyb贸r obszaru pilota偶u mo偶e by膰 dokonany na poziomie geograficznym 鈥� na przyk艂ad w konkretnym kraju lub mie艣cie, wed艂ug linii biznesowych czy funkcji, w kt贸rych pracownicy s膮 najlepiej przygotowani i ch臋tni do udzia艂u w procesie zmiany. Sukces na mniejsz膮 skal臋 minimalizuje ryzyko, a pozytywne wyniki pomagaj膮 przekona膰 sceptyk贸w przed wdro偶eniem zmian w ca艂ej organizacji.

Zmierzch starych technologii

Nawet najlepiej zaplanowane zmiany wymagaj膮 czasu. W przypadku du偶ych platform, takich jak S/4HANA, ca艂y proces mo偶e trwa膰 nawet kilka lat. Osoby zarz膮dzaj膮ce i ich zespo艂y musz膮 by膰 przygotowane na okres, w kt贸rym b臋d膮 funkcjonowa膰 w dw贸ch r贸wnoleg艂ych 艣rodowiskach. Jest to niezb臋dne dla zachowania ci膮g艂o艣ci operacyjnej. Warto jednak podej艣膰 do tego kompleksowo 鈥� dobrze przemy艣lana transformacja, oparta na jasno okre艣lonych celach biznesowych, przynosi d艂ugoterminowe i mierzalne korzy艣ci.

W dzisiejszym dynamicznie zmieniaj膮cym si臋 艣wiecie biznesu, du偶e mi臋dzynarodowe firmy staj膮 przed wyzwaniem procesowania ogromnych ilo艣ci informacji, zwi膮zanych z transakcjami Intercompany. Przesy艂anie ka偶dego dnia wielkiej liczby faktur wystawianych r臋cznie, niesie ze sob膮 wbudowane ryzyko b艂臋d贸w. Co gorsza, ro艣nie ono wraz z wielko艣ci膮 handlu w ramach grupy kapita艂owej. B艂臋dy spowalniaj膮 prac臋 zespo艂贸w finansowych, przyczyniaj膮 si臋 do konieczno艣ci dokonywania odpis贸w ksi臋gowych, wp艂ywaj膮 negatywnie na przep艂ywy got贸wkowe oraz mog膮 powodowa膰 trudno艣ci przy audycie deklaracji podatkowych.

Manualne procesy w ramach Intercompany poch艂aniaj膮 bardzo du偶o czasu ksi臋gowych, kt贸rzy musz膮 艣ledzi膰 otwarte pozycje, przegl膮da膰 arkusze kalkulacyjne w poszukiwaniu informacji, wysy艂a膰 emaile do partner贸w handlowych oraz uzgadnia膰 dane pomi臋dzy poszczeg贸lnymi sp贸艂kami. Wszystko to odbija si臋 na widoczno艣ci sald Intercompany. Uzgodnienie pozycji wielu r贸偶nych sp贸艂ek w ramach ca艂ej grupy stanowi cz臋sto bardzo du偶e wyzwanie nawet dla do艣wiadczonych ksi臋gowych. Zw艂aszcza, 偶e konieczne jest uzgadnianie danych pochodz膮cych z r贸偶nych system贸w ERP, ksi膮g pomocniczych, dysk贸w wsp贸lnych, emaili itp. Nawet aktualizacja kurs贸w walut potrafi skomplikowa膰 ca艂y proces.

Przek艂adaj膮c to na problemy biznesowe, wiele firm nie potrafi zoptymalizowa膰 swojego wewn臋trznego 艂a艅cucha dostaw, co skutkuje niekonkurencyjnym modelem operacyjnym. Co wi臋cej, korporacje mi臋dzynarodowe musz膮 by膰 艣wiadome, 偶e Urz臋dy Skarbowe poszczeg贸lnych pa艅stw coraz dok艂adniej monitoruj膮 optymalizacje podatkowe, w tym ceny transferowe. Wszelkiego rodzaju w膮tpliwo艣ci w rozliczaniu transakcji Intercompany, mog膮 negatywnie rzutowa膰 na opini臋 na temat ca艂ej grupy kapita艂owej.

Jak sztuczna inteligencja rewolucjonizuje my艣lenie o handlu Intercompany

Doradzaj膮c naszym Klientom, cz臋sto widzimy, 偶e w艂a艣nie z takimi problemami musz膮 si臋 mierzy膰 podczas ka偶dego zamkni臋cia miesi膮ca (i na co dzie艅). W tym w艂a艣nie miejscu z pomoc膮 przychodz膮 najnowsze rozwi膮zania w postaci platform IT pozwalaj膮cych na efektywne zarz膮dzanie wszystkimi transakcjami Intercompany ze wsparciem sztucznej inteligencji.

Pre-konfigurowane fakturowanie pozwala na automatyzacj臋 ksi臋gowa艅 wprost do globalnej ksi臋gi pomocniczej (subledger) Intercompany. Jednak najwi臋ksze korzy艣ci, je偶eli chodzi o wydajno艣膰, mo偶emy osi膮gn膮膰 przy wdro偶eniu sztucznej inteligencji do analizy rozbie偶no艣ci w saldach. Wszelkiego rodzaju wyj膮tki, czy b艂臋dy s膮 natychmiast oznaczane. Wbudowany workflow pozwala na szybkie wyja艣nienie spornych faktur. U偶ytkownik ko艅cowy mo偶e szybko przejrze膰 transakcje, skupiaj膮c si臋 na tych, kt贸re stanowi膮 jakiego艣 rodzaju odst臋pstwo od zdefiniowanych regu艂.

Ostatecznie usprawnia to r贸wnie偶 proces nettingu ka偶dego miesi膮ca. Efektywna wsp贸艂praca mi臋dzy dzia艂ami ksi臋gowo艣ci a treasury pozwala na szybkie rozliczenie faktur i dokonanie jedynie niezb臋dnych p艂atno艣ci w ramach grupy, dalej usprawniaj膮c przep艂yw got贸wki.

Korzy艣ci z implementacji rozwi膮za艅 bazuj膮cych na sztucznej inteligencji

Przede wszystkim, implementuj膮c rozwi膮zania z komponentem sztucznej inteligancji, mo偶emy stosowa膰 modele predykcji trend贸w. Platformy do zarz膮dzania Intercompany analizuj膮 ogromne ilo艣ci danych ksi臋gowych i identyfikuj膮 z wyprzedzeniem potencjalne problemy, kt贸re mog艂yby op贸藕ni膰 proces zamkni臋cia miesi膮ca. Sztuczna inteligencja potrafi r贸wnie偶 okre艣li膰 s艂abe punkty w istniej膮cych relacjach handlowych wewn膮trz grupy, usprawniaj膮c przysz艂e transakcje.

Uwalniaj膮c czas ksi臋gowych, sztuczna inteligencja pozwala im bardziej skupi膰 si臋 na analizie danych oraz lepszym podejmowaniu decyzji. Mo偶liwe jest to dzi臋ki wdro偶eniu raportowania transakcji niemal偶e w czasie rzeczywistym. Od dawna wiadomo, 偶e wizualizacja danych zdecydowanie u艂atwia ludziom ich zrozumienie i podj臋cie dzia艂a艅.

Id膮c dalej, przek艂ada si臋 to na redukcj臋 ryzyka zwi膮zanego z b艂臋dami, odpisami ksi臋gowymi, a nawet potencjalnymi karami. Transakcje ksi臋gowane s膮 w obu sp贸艂kach w tym samym czasie. Automatyczne kontrole sprawdzaj膮, czy na艂o偶one mar偶e s膮 zgodne z ustalonymi cenami transferowymi oraz uwarunkowaniami podatkowymi.

Jak 乌鸦传媒 pomaga klientom?

Konsultanci pracuj膮cy w takich mi臋dzynarodowych zespo艂ach jak IFAO Consulting w spos贸b unikalny 艂膮cz膮 wiedz臋 ksi臋gow膮 z najnowszymi trendami IT i ich wykorzystaniem na platformach ksi臋gowych. W szczeg贸lno艣ci w przypadku proces贸w Intercompany pomagamy naszym klientom w reorganizacji ich zespo艂贸w, zwi臋kszaj膮c efektywno艣膰 poprzez wdro偶enia oparte na narz臋dziach wykorzystuj膮cych Sztuczn膮 Inteligencj臋. Przek艂ada si臋 to na konkretne warto艣ci dla firm 鈥� przyspieszaj膮c przebieg zamkni臋cia miesi膮ca, poprawiaj膮c przep艂yw got贸wki i daj膮c zespo艂om finansowym odpowiednie mo偶liwo艣ci, by wspiera膰 potrzeby biznesowe, mitygowa膰 ryzyka podatkowe oraz polepsza膰 鈥瀝achunek zysk贸w i strat鈥�.

Click here for English version

Wi臋kszo艣膰 firm, przechowuje tysi膮ce stron dokument贸w kt贸re s膮 niezb臋dne w pracy zespo艂owej. Bazy danych szybko si臋 rozrastaj膮 i ci膮gle ewoluuj膮, co stwarza wyzwanie, jakim jest odnalezienie w nich odpowiednich informacji.

Pomimo starannej dokumentacji, czy te偶 stosowaniu rozwi膮z艅 polegaj膮cych na indeksowaniu tre艣ci, dotarcie do tego, czego szukamy, staje si臋 偶mudn膮 operacj膮 鈥� musimy albo zna膰 lokalizacj臋 danego dokumentu, albo szuka膰 po dok艂adnych s艂owach kluczowych.

 Case study jednego z naszych klient贸w

U jednego z klient贸w 乌鸦传媒, zesp贸艂 buduj膮cy i obs艂uguj膮cy now膮 platform臋  danych by艂 zasypywany mas膮 pyta艅 ze strony niedo艣wiadczonych u偶ytkownik贸w i u偶ytkowniczek, co powa偶nie zmniejsza艂o jego zdolno艣ci do dalszego rowijania tej platformy i dotrzymania ustalonych termin贸w na wprowadznie nowych funkcjonalno艣ci.

Pokr贸tce wyja艣ni臋, na czym polega艂a obs艂uga typowego zapytania, pochodz膮cego od os贸b korzystaj膮cych z  platformy:

1. Klient kieruje pytanie do zespo艂u obs艂uguj膮cego platform臋.
2. Dedykowana osoba z zespo艂u platformy przegl膮da dost臋pne dokumenty Wiki i szuka odpowiednich informacji.
3. Kilka minut lub nawet kilka godzin p贸藕niej, osoba z obs艂ugi przekazuje informacje (link) do osoby pytaj膮cej.
4. Odpowied藕 mo偶e by膰 niejasna, co powoduje zadanie kolejnego pytania.

Dodam, 偶e wiele pyta艅 by艂o podobnych lub wr臋cz powtarza艂o si臋.

Wraz ze wzrostem ilo艣ci os贸b korzystaj膮cych z platformy, ro艣nie tygodniowy nak艂ad pracy po艣wi臋cony wsparciu klient贸w i przewiduje si臋, 偶e do ko艅ca 2024 roku osi膮gnie on 2,5 “FTE” (etat贸w) stale zajmuj膮cych si臋 tym zadaniem. Ponadto czas odpowiedzi na pro艣by dotycz膮ce wsparcia jest zbyt d艂ugi, co dodatkowo prowadzi do spadku zadowolenia klient贸w z obs艂ugi.

Rozmawiaj ze swoimi danymi za pomoc膮 Gen AI

Klient wykorzystywa艂 kilka technologii chmurowych, w tym Snowflake, jako g艂贸wne rozwi膮zanie w zakresie baz danych i hurtowni danych. Eksperci 乌鸦传媒 szybko dostrzegli technologi臋 Snowflake Cortex AI jako klucz do stworzenia nowoczesnego rozwi膮zania, kt贸re w przysz艂o艣ci rozwi膮偶e problemy klienta zwi膮zane z kosztami operacyjnymi obs艂ugi zapyta艅 na jego platformie.

Jak zmniejszy膰 koszty operacyjne i jednocze艣nie przenie艣膰 interakcje z klientami na nowy poziom?

1. Przejd藕 bezpo艣rednio do chatbota i zadaj pytanie.
2. Nadal masz pytanie? Zadaj kolejne.
3. Chatbot nie potrafi odpowiedzie膰 na twoje pytanie? Skontaktuj si臋 z odpowiedni膮 osob膮 z zespo艂u platformy.

Z takim pomys艂em 乌鸦传媒 przyst膮pi艂o do wdro偶enia chatbota opartego o Gen AI, kt贸ry m贸g艂by efektywnie odpowiada膰 na pytania klient贸w. Chatbot, wspierany przez obszerne repozytoria wiedzy firmy, zapewnia艂, 偶e dostarczane odpowiedzi by艂y dok艂adne i jasne. Dodatkowo, chatbot odnosi艂 si臋 do 藕r贸d艂owego linku dokumentacji Wiki jako cz臋艣ci swoich odpowiedzi, u艂atwiaj膮c znalezienie potrzebnych informacji oraz niejako potwierdzaj膮c ich poprawno艣膰.

Takie rozwi膮zanie dost臋pne 24 godziny na dob臋 sprawi艂o,  偶e klienci mogli uzyska膰 pomoc o ka偶dej porze dnia i nocy.

Wykorzystuj膮c moc Cortex AI i Gen AI opieraj膮cych si臋 na Retrieval-Augmented Generation (RAG), 乌鸦传媒 zrewolucjonizowa艂o spos贸b obs艂ugi wsparcia klienta.

Rzut oka na architektur臋

Architektura RAG zaproponowana przez 乌鸦传媒 dla chatbota Cortex AI sk艂ada艂a si臋 z trzech typ贸w us艂ug:

• Cortex AI Functions dla wsparcia large language model (LLM): EMBED_TEXT_768, VECTOR_L2_DISTANCE, oraz COMPLETE).
• Snowpark Container Services dla interfejsu u偶ytkownika.
• Tabele Snowflake jako tzw. 鈥渧ector store鈥� (z natywnym wsparciem typu 鈥渧ector鈥�).

Wyja艣nienie podstawowych termin贸w:

• RAG to podej艣cie architektoniczne, kt贸re zwi臋ksza mo偶liwo艣ci du偶ych modeli j臋zykowych (LLM) poprzez w艂膮czenie systemu wyszukiwania informacji. System ten wyszukuje odpowiednie dane takie jak np.  dokumenty i dostarcza je jako kontekst dla LLM, poprawiaj膮c dok艂adno艣膰 i trafno艣膰 generowanych odpowiedzi.
• Snowflake Cortex AI to inteligentna, w pe艂ni zarz膮dzana us艂uga w ramach Snowflake, kt贸ra pozwala firmom wykorzysta膰 moc sztucznej inteligencji (AI), umo偶liwiaj膮c u偶ytkownikom i u偶ytkowniczkom szybkie analizowanie danych i budowanie aplikacji AI bez potrzeby posiadania rozleg艂ej wiedzy technicznej.
• Funkcje Snowflake Cortex AI to zestaw wst臋pnie przygotowanych funkcji LLM, kt贸re pozwalaj膮 na wykonywanie zaawansowanej analizy danych i zada艅 AI bezpo艣rednio na platformie Snowflake. Te funkcje obejmuj膮 mo偶liwo艣ci takie jak uzupe艂nianie tekstu, analiza sentymentu i podsumowywanie tekstu.
• Us艂ugi kontenerowe Snowflake to w pe艂ni zarz膮dzana oferta kontenerowa, kt贸ra pozwala na wdra偶anie, zarz膮dzanie i skalowanie aplikacji kontenerowych w ramach platformy danych Snowflake.

Wdro偶enie chatbota Gen AI opartego na technologii Snowflake Cortex AI, pozwoli艂o klientowi na usprawnienie proces贸w wsparcia swojego klienta oraz na zmniejszenie koszt贸w operacyjnych. To innowacyjne rozwi膮zanie wykorzystuj膮ce moc Generatywnej Sztucznej Inteligencji (GenAI) sprawi艂o, 偶e u偶ytkownicy i u偶ytkowniczki mog膮 艂atwo nawigowa膰 po rozleg艂ych bazach wiedzy i bardzo 艂atwo znajdowa膰 potrzebne informacje.

Cortex Search

Opisa艂em spos贸b, w jaki 乌鸦传媒 zbudowa艂o narz臋dzie wyszukiwania dla podanego use case klienta. Niedawno wprowadzony serwis Cortex Search sprawi艂, 偶e budowa takich rozwi膮za艅 sta艂a si臋 znacznie 艂atwiejsza. Cortex Search sam zarz膮dza procesami embeddingu oraz wektoryzacji, st膮d nie trzeba ju偶 samodzielnie oprogramowywa膰 tych kluczowych element贸w rozwi膮za艅 typu RAG a zamiast tego mozna korzysta膰 z pe艂nego rozwi膮zania SaaS.  Dodatkowo, serwis ten podni贸s艂 jako艣膰 generowanych wynik贸w dzi臋ki zaawansowanemu rozwi膮zaniu wyszukiwania, 艂膮cz膮cemu wyszukiwanie semantyczne i leksykalne. To skuteczne podej艣cie jest niew膮tpliwie prze艂omem w budowaniu rozwi膮za艅 opartych na Gen AI RAG.

乌鸦传媒 and Snowflake

Wsp贸艂praca mi臋dzy 乌鸦传媒 a Snowflake pozwala na budow臋 zaawansowanych ekosystem贸w, w kt贸rych firmy mog膮 bez wysi艂ku udost臋pnia膰 i korzysta膰 z udost臋pnionych danych. 乌鸦传媒 i Snowflake wsp贸艂pracuj膮 nad opracowywaniem rozwi膮za艅 Generatywnej Sztucznej Inteligencji, kt贸re wykorzystuj膮 zaawansowan膮 technologi臋 Snowflake Cortex do implementacji innowacyjnych rozwi膮za艅 kluczowych w nowoczesnym biznesie.

Ta strategiczna wsp贸艂praca doprowadzi艂a do tego, 偶e Snowflake nada艂o firmie  乌鸦传媒 tytu艂 鈥�2023 EMEA Global SI Partner of the Year鈥�.

English version

Navigating knowledge bases efficiently: The power of Gen AI and Snowflake Cortex AI

Most companies that rely heavily on document stores for knowledge sharing and team collaboration often end up with many pages created by users.

The rapid growth and constant evolution of these knowledge bases pose significant challenges in finding relevant content. Despite diligent documentation, navigating to the pertinent information remains difficult 鈥� one either knows where the document is or the exact keywords to find it.

Real customer scenario

At one of 乌鸦传媒鈥檚 clients, a team operating and building a new data platform was entangled in customer support, reducing its ability to create new functionalities.

Allow me to briefly explain what a typical support request entailed:

1. The customer raises a question to the platform team.
2. A dedicated person from the platform team browses available Wiki documentation and searches for relevant information.
3. Several minutes or even hours later, the person passes the information (a link) to the requestor.
4. The answer may not be clear, prompting the need for another question to be asked.

The weekly effort spent on customer support is increasing, and it is projected to reach 2.5 鈥淔TE鈥� permanently occupied with customer support activity by the end of 2024, as the number of platform users grows. Moreover, the response time for support requests is too long, leading to a poor customer experience.

Talk to your data with Gen AI

The client uses several cloud technologies, including Snowflake, as the core database and data warehouse solution. 乌鸦传媒 experts were quick to consider Snowflake Cortex AI technology as the key to creating a cutting-edge solution for tomorrow, addressing the client鈥檚 issues with operational costs.

Why not ramp down on operational costs and ramp up customer interactions to a new level like this?

1. Go straight to the chatbot and ask the question.
2. Still have a question? Ask another question.
3. Is the chatbot not able to answer your question? Contact a relevant person from the platform team.

With this vision in mind, 乌鸦传媒 set out to implement a Gen AI-based chatbot that could answer customer questions efficiently. The chatbot, powered by the company鈥檚 extensive knowledge repositories, ensured that the provided answers were accurate and relevant. Additionally, the chatbot referenced the source Wiki documentation link as part of its responses, making it easier for users to find the information they needed.

The solution worked 24/7, ensuring that customers could get help at any time of the day or night. This innovative approach aimed to reduce the burden on the customer support team and enhance the overall customer experience. By leveraging the power of Cortex AI and Retrieval-augmented generation 鈥淩AG鈥�-based Gen AI, 乌鸦传媒 was poised to revolutionize how customer support was handled, paving the way for a more efficient future.

High-level architecture

The RAG architecture 乌鸦传媒 proposed for the Cortex AI chatbot consisted of three service types:

• Cortex AI Functions for large language model (LLM) support: EMBED_TEXT_768, VECTOR_L2_DISTANCE, and COMPLETE)
• Snowpark Container Services for retrieval front-end.
• Snowflake tables as a vector store (native support of vectors as data types in Snowflake).

Let me explain some basic terms:

• RAG is an architectural approach that enhances the capabilities of large language models by incorporating an information retrieval system. This system retrieves relevant data or documents and provides them as context for the LLM, improving the accuracy and relevance of the generated responses.
• Snowflake Cortex AI is an intelligent, fully managed service within Snowflake that allows businesses to leverage the power of artificial intelligence (AI) that enables users to quickly analyze data and build AI applications without the need for extensive technical expertise.
• Snowflake Cortex AI Functions are a set of pre-built LLM functions that allow users to perform advanced data analysis and AI tasks directly within the Snowflake platform. These functions include capabilities such as text completion, sentiment analysis, and text summarization.
• Snowflake Container Services is a fully managed container offering that allows users to deploy, manage, and scale containerized applications within the Snowflake data platform.

By implementing a Gen AI chatbot based on Snowflake Cortex AI technology, evaluated by 乌鸦传媒, the client can streamline the customer support processes, reduce operational costs, and enhance customer interactions. This innovative solution leverages the power of AI to provide accurate and timely answers, ensuring that users can easily navigate through vast knowledge bases and find the information they need.

Cortex Search

I described the way 乌鸦传媒 built a search tool for the client鈥檚 use case. The latest introduction of Cortex Search replaces the need for standalone vector tables and a self-managed embedding process with a fully managed RAG engine. This advancement not only streamlines development but also elevates the quality of outcomes with sophisticated retrieval and ranking techniques that merge semantic and lexical search. This effective approach is undoubtedly a game changer in building Gen AI RAG-based solutions.

乌鸦传媒 and Snowflake

The collaboration between 乌鸦传媒 and Snowflake leverages Snowflake鈥檚 AI data cloud to enable businesses to unify and connect to a single copy of all data with ease. This partnership allows for the creation of collaborative data ecosystems, where businesses can effortlessly share and consume shared data and data services.

乌鸦传媒 and Snowflake are collaborating to develop generative AI solutions that leverage Snowflake’s advanced AI Data Cloud technology to drive innovation and enhance business outcomes across various industries.

This strategic relationship has led to Snowflake naming 乌鸦传媒 the 2023 EMEA Global SI Partner of the Year.

W ostatnim czasie zesp贸艂 乌鸦传媒 mia艂 okazj臋 stworzy膰 kilka aplikacji biznesowych wykorzystuj膮cych sztuczn膮 inteligencj臋, r贸wnie偶 t臋 generatywn膮 鈥� zawdzi臋czaj膮c膮 swoj膮 niezwyk艂膮 popularno艣膰 chatowi GPT. W tym artykule dziel臋 si臋 z Wami swoimi spostrze偶eniami, kt贸re okaza艂y si臋 niezwykle istotne w trakcie budowania takich rozwi膮za艅.

Kiedy m贸wmy o generatywnej sztucznej inteligencji, to niemal od razu my艣limy o tzw. du偶ych modelach j臋zykowych (ang. Large Language Models, LLMs), kt贸re s膮 wprawdzie jej najbardziej rozpoznawalnym, ale nie jedynym, elementem. Budowanie niezawodnych aplikacji opartych na sztucznej inteligencji wymaga holistycznego podej艣cia, w kt贸rym korzystamy z wyspecjalizowanych, najcz臋艣ciej chmurowych, narz臋dzi AI. Co wi臋cej, u偶ywamy ich w oparciu o najnowsze wzorce projektowe z obszaru AI, a tak偶e stosujemy sprawdzone w wielu projektach techniki in偶ynierii oprogramowania.

LLMy: zagl膮damy do 艣rodka

Zakres wiedzy LLM贸w jest ograniczony i zale偶y od zbioru danych u偶ytego w trakcie trenowania modeli. Podczas budowania aplikacji biznesowych niesie to ze sob膮 dwa podstawowe wyzwania: jak wzbogaci膰 du偶e modele j臋zykowe o wiedz臋 specyficzn膮 dla danego biznesu, np. o tre艣ci rozporz膮dze艅 dla pracownik贸w oraz jak zapewni膰, 偶e zmiany w tych rozporz膮dzeniach b臋d膮 od razu widoczne w trakcie u偶ywania tych modeli. Pierwszym pomys艂em, kt贸ry si臋 nasuwa, jest wytrenowanie w艂asnego modelu od podstaw, wzgl臋dnie dotrenowanie modelu bazowego, z u偶yciem swoich danych i powtarzanie tego procesu, gdy konieczna jest ich aktualizacja. Te podej艣cia s膮 jednak w wi臋kszo艣ci przypadk贸w niepraktyczne ze wzgl臋du na ogromne koszty id膮ce nawet w setki milion贸w z艂otych. Bardziej efektywnym rozwi膮zaniem jest metoda uczenia kontekstowego (ang. in-context learning). Polega ona na tym, 偶e w zapytaniu wysy艂anym do modelu, opr贸cz w艂a艣ciwego pytania, np. 鈥淛aka jest procedura zg艂aszania awarii sprz臋tu?鈥�, wysy艂amy r贸wnie偶 tre艣膰 dokumentu opisuj膮cego tre艣ci procedur, w tym tej, o kt贸r膮 pytamy. W metodzie uczenia kontekstowego du偶e modele j臋zykowe nie wykorzystuj膮 zatem wiedzy pozyskanej w trakcie ich trenowania, ale u偶ywaj膮 zdolno艣ci do znaczeniowej analizy tekstu (zar贸wno dokumentu, jak i w艂a艣ciwego pytania). Co wi臋cej, ta analiza odbywa si臋 w trakcie generowania odpowiedzi, m贸wi膮c kolokwialnie 鈥渨 locie鈥�. Ta metoda ma jednak r贸wnie偶 swoje ograniczenie. Jest nim rozmiar zapytania, czyli tzw. promptu, a co za tym idzie ograniczona ilo艣膰 wiedzy, o jak膮 mo偶emy rozbudowa膰 nasz model. Z tym ograniczeniem mo偶na sobie jednak poradzi膰. Jednym ze sposob贸w jest zastosowanie popularnego wzorca RAG (ang. Retrieval Augmented Generation), polegaj膮cego na umieszczeniu w prompcie tylko tych fragment贸w dokument贸w, kt贸re s膮 istotne z punktu widzenia zadawanego pytania. Drugim sposobem jest鈥� pozbycie si臋 tego ograniczenia i u偶ycie LLMu pozwalaj膮cego na ogromny rozmiar promptu id膮cy w tysi膮ce stron tekstu (np. Gemini 1.5 od Google).

RAG: inteligentne wyszukiwanie = mniejszy rozmiar promptu

RAG wykorzystuje mo偶liwo艣ci kolejnych element贸w z obszaru AI: zanurzenie (ang. embeddings) i wektorowe bazy danych (wi臋cej o tych elementach w dalszej cz臋艣ci artyku艂u). Kombinacja tych element贸w pozwala na znalezienie dopasowania znaczeniowego mi臋dzy pytaniem, wracaj膮c do naszego przyk艂adu: 鈥淛aka jest procedura zg艂aszania awarii sprz臋tu?鈥�, a fragmentami dokument贸w, kt贸re z du偶ym prawdopodobie艅stwem zawieraj膮 odpowied藕 na to pytanie. Dzi臋ki technice RAG znacz膮co ograniczamy rozmiar promptu oraz zwi臋kszamy jako艣膰 generowanych odpowiedzi, kt贸ra mo偶e by膰 ni偶sza, je艣li prompt zawiera nieistotne informacje, czyli tzw. 鈥渟zum鈥�.

LLMy z rozszerzonym oknem kontekstowym

Najnowsze LLMy pozwalaj膮 na zbudowanie promptu o rozmiarze odpowiadaj膮cym nawet ponad tysi膮cu stronom tekstu. To sporo. W wielu wypadkach rozmiar ten pozwoli艂by na umieszczenie w prompcie np. wszystkich procedur firmy. Nie musimy w贸wczas implementowa膰 wzorca RAG. Zaraz, zaraz鈥� Ale co ze wspomnianym wy偶ej 鈥瀞zumem鈥�, kt贸ry mo偶e przecie偶 obni偶y膰 jako艣膰 generowanych odpowiedzi? Okazuje si臋, 偶e testy przeprowadzone na modelach z du偶ymi oknami kontekstowymi (inna nazwa na rozmiar promptu), zwane obrazowo szukaniem ig艂y w stogu siana, da艂y bardzo obiecuj膮ce rezultaty i zdaj膮 si臋 nie potwierdza膰 obaw zwi膮zanych ze wspomnianym 鈥瀞zumem鈥�: uda艂o si臋 w wi臋kszo艣ci test贸w znale藕膰 przys艂owiow膮 ig艂臋.

Kt贸re podej艣cie wybra膰?

RAG czy LLM z rozszerzonym oknem kontekstowym? W podj臋ciu decyzji mo偶e pom贸c analiza koszt贸w obu rozwi膮za艅. Koszt zapytania do LLMu zale偶y od wielko艣ci promptu, ale w przypadku rozwi膮zania opartego na RAG musimy doliczy膰 koszt wektorowej bazy danych, obliczania zanurze艅 oraz rozwi膮zania samego w sobie.

Dodatkowym argumentem przy wyborze rozwi膮zania powinna by膰 ocena jako艣ci generowanych odpowiedzi. Jak to zrobi膰? O tym w dalszej cz臋艣ci artyku艂u.

Wykorzystanie kreatywno艣ci (lub jej ograniczenie)

Jedn膮 z najbardziej spektakularnych cech LLM贸w jest ich kreatywno艣膰. Szukasz inspiracji, gdzie pojecha膰 na wakacje i jak zaplanowa膰 tam czas? LLM jest w stanie wygenerowa膰 odpowied藕 w ci膮gu kilku sekund! Ale uwaga: ta odpowied藕 mo偶e zawiera膰 zmy艣lone lub nieprawdziwe informacje (halucynacje). Dok艂adnego przeciwie艅stwa, czyli ograniczenia halucynacji, a zamiast kreatywno艣ci – odpowiedzi bazuj膮cej na faktycznych dokumentach, oczekiwaliby艣my natomiast od wirtualnego asystenta odpowiadaj膮cego na wspomniane wcze艣niej pytanie: 鈥淛aka jest procedura zg艂aszania awarii sprz臋tu?鈥� Jak to zrobi膰? Okazuje si臋, 偶e LLMy maj膮 parametry, takie jak temperatura czy top_k, kt贸re umo偶liwiaj膮 kontrolowanie tych aspekt贸w. Na przyk艂ad ustawienie temperatury na 0 i top_k na 1 sprawi, 偶e odpowiedzi b臋d膮 bardziej faktyczne.

Aby zwi臋kszy膰 wiarygodno艣膰 odpowiedzi, mo偶emy doda膰 linki do dokument贸w 藕r贸d艂owych, a nawet opatrzy膰 odpowied藕 cytatami z tych 藕r贸de艂. Mo偶emy r贸wnie偶 poinstruowa膰 model (o tym jak to zrobi膰, w dalszej cz臋艣ci artyku艂u), aby w razie, gdy nie mo偶na by艂o znale藕膰 odpowiedzi w samym prompcie, nie 鈥瀐alucynowa艂鈥�, ale odpowiedzia艂 po prostu 鈥瀗ie wiem鈥�. Warto wspomnie膰 przy tej okazji, 偶e ca艂kowite wyeliminowanie halucynacji z LLM贸w, kt贸re s膮 modelami statystycznymi, a wi臋c niedeterministycznymi, nie jest na ten moment mo偶liwe. Nale偶y ten fakt wzi膮膰 pod uwag臋 projektuj膮c rozwi膮zanie biznesowe. W niekt贸rych wypadkach nie da si臋 zupe艂nie wyeliminowa膰 cz艂owieka w podj臋ciu decyzji biznesowej (ang. human in the loop).

Wektorowe reprezentacje: cichy bohater

Zanurzenia s膮 wektorow膮 reprezentacj膮 znaczenia pojedynczego s艂owa czy fragmentu tekstu (ale r贸wnie偶 obrazu lub d藕wi臋ku). Ta 鈥瀞ucha鈥� definicja nie oddaje jednak ogromnych mo偶liwo艣ci zastosowania tego elementu sztucznej inteligencji w budowanych aplikacjach biznesowych. M贸wi膮c o znaczeniu mam na my艣li jego ca艂y kontekst z uwzgl臋dnieniem wielu niuans贸w (np. kulturowych). Zreszt膮 najlepszym dowodem potwierdzaj膮cym te mo偶liwo艣ci jest fakt, 偶e zanurzenia s膮 wykorzystywane w trakcie trenowania samych LLM贸w, a tak偶e za ka偶dym razem, gdy wysy艂amy do nich nasz prompt. Jakie mog膮 by膰 potencjalne rozwi膮zania biznesowe z u偶yciem zanurze艅? Na przyk艂ad wyszukiwanie kontekstowe zamiast tradycyjnego bazuj膮cego na s艂owach kluczowych albo system rekomendacji produkt贸w w oparciu o aktualny koszyk zam贸wie艅.

Buduj膮c aplikacje biznesowe z elementami AI najcz臋艣ciej zaczynamy od LLMa, ale mo偶e si臋 okaza膰, 偶e nie jest on w og贸le potrzebny, bo to w艂a艣nie wektorowe reprezentacje s膮 rozwi膮zaniem naszego wyzwania biznesowego. Warto te偶 sprawdzi膰 w dokumentacji technicznej czy wybrany model wektorowych reprezentacji wspiera j臋zyk tekst贸w danej aplikacji (np. opisy produkt贸w).

Wektorowa baza danych: znajd藕 podobie艅stwa

W jaki spos贸b wyszuka膰 podobne znaczeniowo fragmenty dokument贸w albo – jak wspomniano wcze艣niej w metodzie RAG – znale藕膰 te zawieraj膮ce odpowied藕 na zadane pytanie? Z pomoc膮 przychodz膮 wektorowe bazy danych, kt贸re umozliwiaj膮 przechowywanie wektor贸w, a wraz z nimi np. tekst贸w. Co wi臋cej, produkty te umozliwiaj膮 efektywne przeszukiwanie wielowymiarowych przestrzeni wektorowych w celu znalezienia tych znajduj膮cych si臋 blisko siebie, co za tym idzie, odpowiadaj膮cych im podobnych znaczeniowo tekst贸w.

Jak膮 baz臋 wybra膰?

Jaki produkt bazodanowy wybra膰? Cho膰 na rynku jest sporo specjalizowanych produkt贸w, np. Pinecone, Amazon Kendra albo Azure AI Search, rozwa偶y艂bym u偶ycie tradycyjnej, relacyjnej bazy danych z rozszerzeniem wektorowym, np. PostgreSQL i pgvector. Szczeg贸lnie w pocz膮tkowej fazie budowania aplikacji, kiedy nie znamy jeszcze dok艂adnych wymaga艅 wydajno艣ciowych, warto postawi膰 na takie hybrydowe rozwi膮zanie, tym bardziej, 偶e w ten spos贸b znacz膮co ograniczymy koszty chmury.

In偶ynieria Prompt贸w: j臋zyk AI

Tre艣膰, kt贸r膮 wysy艂amy do LLMa, czli tzw. prompt, mo偶e zawiera膰 nie tylko samo pytanie, ale r贸wnie偶 instrukcje wraz dodatkowymi informacjami. Na przyk艂ad, w opisywanym wcze艣niej podej艣ciu uczenia kontekstowego, prompt zawiera instrukcj臋, aby odpowiedzie膰 na pytanie w oparciu o za艂膮czone fragmenty dokument贸w. Nie jest to niczym innym ni偶 programowaniem w j臋zyku naturalnym! Na potwierdzenie tych s艂贸w warto zacytowa膰 tutaj Andreja Karpathy鈥檈go, badacza i popularyzatora AI: The hottest new programming language is English. Tak jak w tradycyjnym programowaniu pos艂ugujemy si臋 pewnymi wzorcami, tak i w tym swoistym j臋zyku AI takich potrzebujemy. Sztuk臋 tworzenia prompt贸w okre艣la si臋 mianem in偶ynierii prompt贸w. Cho膰 ten termin brzmi bardzo powa偶nie, nie trzeba by膰 tutaj specjalist膮. Wed艂ug mnie podstawowe techniki in偶ynierii prompt贸w powinien zna膰 ka偶dy, a ich nauczanie powinno zacz膮膰 si臋 ju偶 w szkole podstawowej!

Opr贸cz podstawowych technik mamy r贸wnie偶 zaawansowane, takie jak Chain-of-Thought czy ReAct. Ta ostatnia pozwala na z艂o偶one wnioskowanie anga偶uj膮ce wiele 藕r贸de艂 danych, zar贸wno wewn臋trznych w danej organizacji, jak i zwn臋trznych, np. Wikipedia.

Jako艣膰 ma znaczenie: struktura ponad wszystko

Jako艣膰 wygenerowanych przez LLM odpowiedzi w du偶ym stopniu zale偶y od jako艣ci danych wej艣ciowych. Formaty danych, takie jak Markdown, JSON czy HTML s膮 ustrukturyzowane, np. s膮 podzielone na rozdzia艂y, w nich akapity, a w nich z kolei mog膮 by膰 tekst czy tabele. Prompty tworzone w oparciu o takie ustrukturyzowane dane, u艂atwiaj膮 LLMom zrozumienie kontekstu, a w konsekwencji generowanie sensownych odpowiedzi.

Dane nieustrukturyzowane, np. pliki w formacie PDF, obrazy czy diagramy, mog膮 wymaga膰 wst臋pnego przetwarzania (tradycyjnie lub z u偶yciem sztucznej inteligencji) lub zastosowania multimodalnych LLM贸w (np. akceptuj膮cych na wej艣ciu obrazy), np. Gemini Pro (Vision) czy GPT-4o, aby poprawnie zrozumie膰 kontekst. Pos艂u偶my si臋 przyk艂adem. Pewien dokument PDF zawiera, opr贸cz tekstu, z艂o偶ony wykres ilustruj膮cy trendy sprzeda偶y. Multimodalny LLM potrafi wygenerowa膰 s艂owny opis tego wykresu, kt贸ry wraz z pozosta艂膮 cz臋艣ci膮 dokumentu mo偶e pos艂u偶y膰 do wygenerowania odpowiedzi na pytanie dotycz膮ce sprzeda偶y.

Aby poprawi膰 jako艣膰, warto pozyska膰 od u偶ytkownik贸w aplikacji informacj臋 zwrotn膮 dotycz膮c膮 ich subiektywnej oceny trafno艣ci odpowiedzi. Przyk艂adowa implementacja mo偶e mie膰 form臋 przycisk贸w “lubi臋/nie lubi臋” czy formularza. Zebrane w ten spos贸b sugestie mog膮 pos艂u偶y膰 np. do doprecyzowania instrukcji w prompcie.

Testowanie w erze sztucznej inteligencji

Niedeterministyczny charakter LLM贸w oznacza, 偶e powtarzaj膮c test dla tego samego wej艣cia mo偶emy otrzyma膰 za ka偶dym razem nieco inn膮 odpowied藕. Jak zatem testowa膰 takie aplikacje? Z pomoc膮 zn贸w przychodzi nasz “cichy bohater鈥� – zanurzenie. Aby por贸wa膰 oczekiwane odpowiedzi z tymi wygenerowanymi przez LLMy, wystarczy w obu wypadkach znale藕膰 wektorowe reprezentacje i por贸wna膰 odleg艂o艣ci mi臋dzy tymi wektorami. W贸wczas nawet je艣li odpowied藕 wyra偶ona jest w nieco inny spos贸b, ale nadal jest prawid艂owa, mo偶na test uzna膰 za pozytywny.

W trakcie budowania aplikacji, szczeg贸lnie chatbot贸w, testowanie prompt贸w i ich odpowiedzi jest niezmierne wa偶nym elementem. Pami臋tajmy, 偶e prompt jest w zasadzie programem napisanym w j臋zyku naturalnym, wi臋c konsekwencje braku test贸w s膮 podobne do nieprzetestowanego kodu 藕r贸d艂owego. W przypadku niedeterministycznych LLM贸w brak test贸w prompt贸w ma jeszcze wi臋kszy negatywny wp艂yw na stabilno艣膰 i niezawodno艣膰 aplikacji.

Bezpiecze艅stwo: Tu nie ma kompromis贸w

Elementy AI w aplikacjach nie s膮 wyj膮tkiem I r贸wnie偶 wymagaj膮 dodatkowej uwagi z punktu widzenia bezpiecze艅stwa. Je艣li do LLMa wysy艂amy w prompcie tre艣ci spoza aplikacji (np. wprowadzone przez u偶ytkownika albo przys艂ane mailem) musimy je sprawdzi膰 czy nie zawieraj膮 np. instrukcji aby ujawni膰 poufne informacje albo kieruj膮 rozmow臋 na tematy nie zwi膮zane z przenaczeniem danej aplikacji (tzw. prompt injection). Podobnie z generowanymi odpowiedziami: nale偶y sprawdzi膰 czy te nie zawieraj膮 tre艣ci mog膮cych wp艂yn膮膰 negatywnie na reputacj臋 danej firmy. Na szcz臋艣cie s膮 na rynku narz臋dzia, zar贸wno komercyjne, jak i open source, kt贸re umo偶liwiaj膮 skutecznie wdro偶y膰 te 艣rodki bezpiecze艅stwa.

Mi艂ego kodowania!

Budowanie aplikacji chmurowych opartych na sztucznej inteligencji jest sporym wyzwaniem. Temu wyzwaniu mo偶na jednak podo艂a膰, je艣li pozna si臋 elementy oraz narz臋dzia AI, a tak偶e zastosuje wzorce i dobre praktyki z tego obszaru. W艂a艣nie przybli偶enie tych ostatnich by艂o celem mojego artyku艂u. Mam nadziej臋, 偶e moje spostrze偶enia pomog膮 w tworzeniu wydajnych, bezpiecznych i innowacyjnych rozwi膮za艅 opartych na sztucznej inteligencji. Mi艂ego kodowania!

乌鸦传媒 zosta艂o Partnerem hakatonu QL Future 鈥� wydarzenia, kt贸re przybli偶a tematyk臋 pozytywnego wp艂ywu oblicze艅 kwantowych na obszary zdrowia i bezpiecze艅stwa.

W dniach 13-14 kwietnia br. w Poznaniu odb臋dzie si臋 hackaton QL Future. To wydarzenie, kt贸rego celem jest zorganizowanie przestrzeni na burz臋 m贸zg贸w dla m艂odych ludzi oraz opracowania innowacyjnych pomys艂贸w i rozwi膮za艅 zwi膮zanych z kwestiami bezpiecze艅stwa i zdrowia. 乌鸦传媒 Polska wraz z innymi firmami b臋dzie wspiera膰 PCSS (Pozna艅skie Centrum Superkomputerowo-Sieciowe) w organizacji tego wydarzenia. W tegorocznej edycji zespo艂y bior膮ce w nim udzia艂 b臋d膮 mia艂y szans臋 pracowa膰 nad zadaniem jakie sformuuje grupa ekspert贸w i ekspertek z naszej firmy.

Podczas hackatonu uczestnicy i uczestniczki b臋d膮 mieli niepowtarzaln膮 okazj臋 wykorzysta膰 moc obliczeniow膮 pierwszego w Polsce komputera kwantowego.

Hackaton stanowi kontynuacj臋 ubieg艂orocznej, pierwszej edycji skupionej na rozwi膮zaniach dotycz膮cych 偶ycia ludzi, naszej planety i klimatu. 乌鸦传媒 r贸wnie偶 wtedy by艂o jednym z Partner贸w, odpowiedzialnych za organizacj臋 jednego z wyzwa艅 i mentoring os贸b uczestnicz膮cych w imprezie. Poza tym przedstawiciele naszej firmy wchodzili w sk艂ad jury. Aby przybli偶y膰 Wam to wydarzenie, poni偶ej przedstawiam podsumowanie ostatniej edycji.

Podsumowanie QL Future 2023 鈥� 27-28 Maj 2023:

Hackaton sk艂ada艂 si臋 z pi臋ciu wyzwa艅 zwi膮zanych z: adopcj膮 infrastruktury pojazd贸w elektrycznych, redukcj膮 emisji gaz贸w cieplarnianych, analiz膮 danych medycznych, audytem w臋glowym w 艂a艅cuchach dostaw oraz wp艂ywem finansowym podnosz膮cego si臋 poziomu m贸rz. Dost臋pne by艂y dwie formy opracowywania rozwi膮za艅: podej艣cie techniczne lub koncepcyjne.

Przez dwa dni, oko艂o 60 os贸b z r贸偶nym zapleczem zawodowym i wachlarzem do艣wiadcze艅, podzielonych na grupy pracowa艂o nad jednym z zaprezentowanych wyzwania艅. Ka偶dy z zespo艂贸w m贸g艂 wybra膰 sobie zadanie nad jakim b臋dzie pracowa膰 w czasie hackatonu.

Zesp贸艂 乌鸦传媒 Quantum Lab sformu艂owa艂 i zaprezentowa艂 jedno z wyzwa艅 dla uczestnik贸w i uczestniczek, zwi膮zane z tematem 鈥瀞kutki finansowe wynikaj膮ce z podnosz膮cego si臋 poziomu m贸rz鈥�, a tak偶e zorganizowa艂 godzinny warsztat wprowadzaj膮cy biznesowy kontekst wyzwania oraz podstawy teoretyczne finansowego modelu ryzyka klimatycznego na komputerach kwantowych wraz z przyk艂adow膮 implementacj膮 prostego modelu na syntetycznych danych. Cz臋艣膰 os贸b podj臋艂a to wyzwanie i przygotowa艂a w艂asny model w oparciu o realne dane na podstawie zaprezentowanego przez 乌鸦传媒 syntetycznego modelu ryzyka klimatycznego.

Podczas hackathonu mentorzy i mentorki ze strony partner贸w oraz zespo艂u PCSS byli do dyspozycji os贸b bior膮cych udzia艂 w wydarzeniu, aby pom贸c im we wdra偶aniu teorii oblicze艅 kwantowych oraz uj臋ciu tego rozwi膮zania z biznesowego punktu widzenia. Wyzwania by艂y skupione na r贸偶norodnych obszarach, ale poszczeg贸lnym grupom w tym kr贸tkim czasie uda艂o si臋 w imponuj膮cy spos贸b ukszta艂towa膰 i dopracowa膰 swoje rozwi膮zania.

Zesp贸艂 pracuj膮cy nad wyzwaniem rzuconym przez 乌鸦传媒 zaj膮艂 trzecie miejsce w cz臋艣ci technicznej, a dwa uczestnicz膮ce zespo艂y, z samego 乌鸦传媒, stan臋艂y na podium w 艣cie偶ce koncepcyjnej [6]. Pascal Bertin, Magdalena Baczkowska, Jakub Styszy艅ski, Arkadiusz Janusz i Arkadiusz Kowalski zaj臋li trzecie miejsce ze swoj膮 propozycj膮 planowania 艂adowarek pojazd贸w elektrycznych z wykorzystaniem tzw. 鈥濶urse Scheduling Problem鈥� w wersji wy偶arzania kwantowego. Micha艂 Hordecki, Sofya Aksenyuk, Agata Wojciechowska, Wiktoria Bosiacka i Aleks Roszyk zdobyli drug膮 nagrod臋 za swoje rozwi膮zanie optymalizuj膮ce audyt emisji dwutlenku w臋gla [7].

Jury sk艂ada艂o si臋 z ekspert贸w biznesowych z r贸偶nych dziedzin. Cz艂onkami komitetu technicznego byli Piotr Biskupski (IBM Security SME), Piotr Be艅ke (CTO i dyrektor ds. sprzeda偶y technicznej, IBM), dr Krzysztof Kurowski (zast臋pca dyrektora PCSS) i Piotr Rydlichowski (koordynator ds. technologii kwantowych, IBM). W sk艂ad komitetu koncepcyjnego weszli Micha艂 Mikucki (Site Head, 乌鸦传媒 Pozna艅), Agata Chudzi艅ska (AI Manager w Blue.ai i Apollogic), Agata Ku藕mi艅ska (Prezes FIZP 鈥� Fundacja Green Future Institute dla wojew贸dztwa wielkopolskiego) i Pawe艂 Borucki (CEO Centrum Zdrowia La Vie).

Ponadto jury zauwa偶y艂o, 偶e wiele rozwi膮za艅 koncepcyjnych by艂o wystarczaj膮co szczeg贸艂owych z punktu widzenia algorytmicznego i mo偶na je by艂o przedstawi膰 r贸wnie偶 jako rozwi膮zania techniczne.

Podej艣cie techniczne skupia艂o si臋 na wdro偶eniu 鈥� podej艣ciu do problemu z perspektywy algorytmicznej. G艂贸wnymi kryteriami tego podej艣cia by艂a wykonalno艣膰 i skalowalno艣膰 rozwi膮zania, poziom przyjazno艣ci dla u偶ytkownika, technologiczne zaawansowanie i efektywno艣膰 pod wzgl臋dem zu偶ycia energii. Podej艣cie koncepcyjne skupia艂o si臋 na zastosowaniu i komercjalizacji rozwi膮zania. Uczestnicy pracowali nad rozwi膮zaniami opartymi na analizie rynku ze zdefiniowanymi grupami docelowymi. Podej艣cie to by艂o oceniane pod k膮tem atrakcyjno艣ci, u偶yteczno艣ci i wykonalno艣ci, a tak偶e skalowalno艣ci i kompletno艣ci.

Patrz膮c w stron臋 komercjalizacji technologii kwantowych w Polsce

Hackaton QL Future by艂 nie tylko 艣wietn膮 okazj膮 do zdobycia do艣wiadczenia przez ludzi pragn膮cych rozwija膰 swoj膮 wiedz臋 w obszarze kwant贸w, ale tak偶e dobrym momentem do rozmowy na temat zastosowa艅 technologii kwantowych w Polsce. Dr Voica Radescu (kierownik IBM Quantum na region EMEA) otworzy艂a wydarzenie, przedstawiaj膮c podej艣cie do oblicze艅 kwantowych, opowiadaj膮c o tym, jak i gdzie mo偶e ono mie膰 pozytywny wp艂yw na nasz膮 planet臋. Nast臋pnie przedstawiciele PCSS przedstawili znaczenie zar贸wno 艣cie偶ki technicznej, jak i koncepcyjnej.

Micha艂 Mikucki, Site Head 乌鸦传媒 Pozna艅, b臋d膮cym cz艂onkiem jury w cz臋艣ci koncepcyjnej, podzieli艂 si臋 swoj膮 wizj膮 dotycz膮c膮 wagi wydarzenia:

鈥淥bliczenia kwantowe to jedna z nowych technologii, kt贸ra jest bardzo obiecuj膮ca i prze艂omowa. Bycie tw贸rcami lub przynajmniej wczesnymi adaptatorami rozwi膮za艅 w tej dziedzinie mo偶e mie膰 kluczowe znaczenie dla przysz艂ego biznesu. Jestem przekonany, 偶e szerzenie wiedzy tutaj, w Poznaniu, ale tak偶e we wszystkich miastach, w kt贸rych dzia艂a 乌鸦传媒, pomo偶e nam wykorzysta膰 przewag臋 biznesow膮. W 乌鸦传媒 innowacja jest wpisana w nasze DNA, dlatego musimy dba膰 o to, aby utrzyma膰 wiod膮c膮 pozycj臋 w technologiach takich jak obliczenia kwantowe.鈥�

Marek Kowalik, programista z 乌鸦传媒 Quantum Lab, kt贸ry mentorowa艂 uczestnikom hackatonu, podzieli艂 si臋 swoj膮 opini膮 na temat prezentowanych rozwi膮za艅:

鈥淲yzwania hackathonu musia艂y by膰 zaadresowane za pomoc膮 dobrze uzasadnionych rozwi膮za艅 zawieraj膮cych element kwantowy. Wymaga艂o to znajomo艣ci algorytm贸w kwantowych, podstawowej wiedzy o bran偶y dla podj臋tego rozwi膮zania i znalezienia przypadk贸w u偶ycia oraz implementacji/struktury, kt贸re by to wspiera艂y. Zespo艂om uda艂o si臋 opracowa膰 rozwi膮zania o takiej jako艣ci w zaledwie 24 godziny. Niekt贸re z nich by艂y do艣膰 futurystyczne, inne bardziej pragmatyczne i wykonalne, ale wszystkie wykaza艂y bieg艂o艣膰 w rozwi膮zywaniu problem贸w bran偶owych i stosowaniu metod opartych na obliczeniach kwantowych. Ma to kluczowe znaczenie dla zamkni臋cia luki mi臋dzy teori膮 kwantow膮 a warto艣ci膮 dodan膮 w biznesie.”

Nota o organizatorach:

PCSS jest o艣rodkiem infrastrukturalnym 鈥瀦apewniaj膮cym dost臋p do 艣wiatowej klasy e-Infrastruktury dla 艣rodowiska naukowego oraz badawczo-rozwojowego鈥� [2]. Jednym z obszar贸w prac o艣rodka jest informatyka kwantowa i komunikacja kwantowa [3]. 4 lutego 2022 PCSS do艂膮czy艂o do IBM Quantum Network, uzyskuj膮c dost臋p do centrum oblicze艅 kwantowych IBM i rozpocz臋艂o wsp贸艂prac臋 鈥瀢 celu opracowania technologii oblicze艅 kwantowych i ich zastosowa艅, w tym zaawansowanych rozwi膮za艅 w zakresie sztucznej inteligencji, technologii kosmicznych, metrologii i modelowania kryzysowego鈥� [4] [5] .

References:

[1]

[2] official site

[3]

[4]

[5]

[6]

[7] stream

Ka偶dy z nas by艂 na tym etapie kariery: poszukiwanie pracy, przygotowywanie w pocie czo艂a swojego CV i dreszczyk niepewno艣ci. Z sercem na ramieniu aplikujemy na og艂oszenia o prac臋. I nagle otrzymujemy powiadomienie 鈥� 鈥瀙rzepraszamy, Twoja kandydatura nie b臋dzie dalej rozpatrywana鈥�. Wielu z nas w tej sytuacji odczuwa smutek, wstyd, zaczynamy si臋 zastanawia膰 鈥� mo偶e to ze mn膮 jest co艣 nie tak, poniewa偶 rekruter_ka do mnie nie oddzwania?

Wykorzystam moje do艣wiadczenie w pracy w 乌鸦传媒 aby powiedziec Ci, co mog艂e艣 zrobi膰 藕le.

Poznaj 5 wskaz贸wek,  jak nie tworzy膰 CV.

• Wygl膮d dokumentu鈥� czarny (lub bardzo jaskrawy kolor), fantazyjna czcionka, brak struktry w dokumencie, b艂臋dy ortograficzne.

Pami臋taj 鈥� osoba z dzia艂u rekrutacji otwiera Twoje CV bezpo艣rednio na swoim komputerze lub za pomoc膮 specjalnych program贸w. Cz臋sto w takiej sytuacji plik jest kompresowany wi臋c pogarsza si臋 jego jako艣膰. CV staje si臋 dla rekrutera kompletnie nieczytelne poniewa偶 cz臋sto litery rozmywaj膮 sie na tle, ustawienia ekranu powoduj膮, 偶e ci臋偶ko jest przeczyta膰 numer telefonu. Niestaranno艣膰 z jak膮 przygotowa艂e艣 swoje CV 艣wiadczy o tym, 偶e nie zale偶y Ci na rzetelnym wykonywaniu swojej pracy. Wysy艂asz komunikat, 偶e jeste艣 osob膮 niedok艂adn膮 鈥� rekruter lub rekruterka od razu odrzuci Twoje CV bez analizowania Twoich komeptencji.

• Wykorzystanie w CV zdj臋cia z wakacji, z ulubionym zwierzakiem, w wyzywaj膮cym ubiorze/makija偶u.

Dodanie zdj臋cia do CV to 艣wietny pomys艂. Sprawia, 偶e Twoja aplikacja lepiej zapadnie w pami臋膰, poprzez zapami臋tanie nie tylko Twoich, ale i twarzy. Je艣li jednak nie masz profesjonalnego zdj臋cia, lub takiego, kt贸re mo偶esz wykorzysta膰 do stworzenia oficjalnego dokumentu, to lepiej zrezygnuj z dodania swojego profilowego zdj臋cia z medi贸w spo艂eczno艣ciowych. Musisz to wiedzie膰 – CV jest dokumentem, kt贸ry 艣wiadczy o Twoim profesjonali藕mie oraz umiej臋tno艣ciach. Nawet najlepsze humorystyczne zdj臋cie, jakie posiadasz sprawi, 偶e osoba rekrutuj膮ca lub Tw贸j przysz艂y manager czy managerka, uzna Ci臋 za osob臋 niegodn膮 zaufania, niedojrza艂膮 lub nierzeteln膮 i odrzuci Twoj膮 aplikacj臋.

• Brak wypisanych umiej臋tno艣ci.

Znasz j臋zyk angielski – 艣wietnie! W wielu firmach to podstawowa umiej臋tno艣膰 i warto w swoim CV doda膰 informacj臋 o znajomo艣ci j臋zyk贸w obcych. Wyje偶dza艂e艣 wakacyjnie do pracy do Niemiec i ten j臋zyk jest dla Ciebie fraszk膮? Dopisz komunikatywn膮 znajomo艣膰 j臋zyka niemieckiego! Pomaga艂e艣 w rodzinnej firmie, wystawia艂e艣 faktury, kompletowa艂e艣 zam贸wienia? 艢wietnie! Korzystasz z programu Excel do tworzenia tabel, kontrolowania swoich wydatk贸w 鈥� warto wpisa膰 znajomo艣膰 tego programu. Pami臋taj 鈥� CV jest reklam膮 Twojej osoby i warto wpisa膰 tam wszystkie umiej臋tno艣ci i mocne strony, jakie posiadasz.

• Brak lokalizacji, w kt贸rej chcesz pracowa膰.

Wi臋kszo艣膰 firm zatrudnia pracownik贸w do pracy w formie stacjonarnej, jednak w 乌鸦传媒 Polska mamy mo偶liwo艣膰 pracowania w modelu hybrydowym. Jeste艣my w stanie po艂膮czy膰 zalety pracy w biurze z prac膮 w domu. Jednak偶e, je艣li nie dodasz informacji na temat swojej lokalizacji lub miejsca, w kt贸rym chcesz pracowa膰 rekruter mo偶e zrezygnowa膰 z podejmowania pr贸b kontaktu z Tob膮. W takiej sytuacji zostanie wybrana osoba, kt贸ra jasno wskaza艂a swoj膮 lokalizacj臋.

• Jawna nieszczero艣膰.

Przygotowuj膮c CV wa偶ne jest, aby wpisa膰 do niego swoje do艣wiadczenie i umiej臋tno艣ci, kt贸re naprawd臋 posiadasz. Bardzo cz臋sto widuje si臋 CV, kt贸re budz膮 nieufno艣膰. Przyk艂adowo osoba, kt贸ra twierdzi, 偶e zna j臋zyk 鈥濭ermany鈥� albo 鈥濬inlandzki鈥� na poziomie bieg艂ym wzbudza zdzwienie. Osoba zajmuj膮ca si臋 rekrutacj膮 b臋dzie analizowa艂a Twoje CV, wi臋c aby unikn膮膰 nieprzyjemno艣ci warto postawi膰 na szczero艣膰. Teraz wiesz ju偶 na jakie aspekty zwr贸ci膰 uwag臋 przy tworzeniu CV. Wiosna jest ju偶 coraz bli偶ej, wi臋c wielu z nas szykuje si臋 do wiosennych porz膮dk贸w. Pomy艣l czy nie szukasz zmiany 鈥� odkurz swoje CV i sprawd藕 og艂oszenia na stronie 乌鸦传媒 Polska w zak艂adce 鈥濳ariera鈥�. Mo偶e szukamy siebie na wzajem?

W 乌鸦传媒 dzia艂ania z zakresu CSR ju偶 na dobre s膮 wpisane w kultur臋 organizacyjn膮 i biznes. Pracownicy i pracownice naszej firmy od zawsze bardzo ch臋tnie anga偶uj膮 si臋 w dzia艂ania spo艂eczne. Najlepszym tego przyk艂adem mo偶e by膰 program grantowy 鈥濱nwestujemy w dobre pomys艂y鈥�, kt贸ry pr臋偶nie dzia艂a ju偶 od 12 lat. Osoby pracuj膮ce w 乌鸦传媒 same zg艂aszaj膮 projekty spo艂eczne, a nast臋pnie realizuj膮 je w zespo艂ach  wolontariackich.

Gdy w marcu 2023 og艂oszona zosta艂a XII edycja Programu Grantowego 乌鸦传媒 Polska 鈥濱nwestujemy w dobre pomys艂y鈥�, w mojej g艂owie pojawi艂o si臋 bardzo konkretne has艂o: neuror贸偶norodno艣膰.  Koncepcja neuror贸偶norodno艣ci idealnie wpasowuje si臋 bowiem w nurt dzia艂a艅 na rzecz w艂膮czania i r贸偶norodno艣ci, kt贸re stanowi膮 jeden z g艂贸wnych filar贸w strategii CSR. Dzia艂ania d膮偶膮ce do integracji i wyr贸wnywania szans grup nara偶onych na wykluczenie mia艂y da膰 m艂odym neuroatypowym osobom, posiadaj膮cym orzeczenie o potrzebie kszta艂cenia specjalnego, szans臋 na prze艂amanie barier i stereotyp贸w. Wiedzia艂am, 偶e dzieci nieneuronormatywne cz臋sto maj膮 problem z kontrol膮 impuls贸w i regulacj膮 emocji, co z kolei wp艂ywa na ich nisk膮 samoocen臋, frustracj臋 i przek艂ada si臋 na wyniki w nauce i relacje spo艂eczne. Problem pot臋guje brak 艣wiadomo艣ci i zrozumienia kwestii neuror贸偶norodno艣ci w spo艂ecze艅stwie. W konsekwencji, dzieci obj臋te kszta艂ceniem specjalnym, cz臋sto postrzegane s膮 jako mniej zdolne i maj膮 mniejsze szanse na rozw贸j swoich kluczowych umiej臋tno艣ci. Przyst膮pi艂am wi臋c do dzia艂ania i zg艂osi艂am wniosek projektu wolontaryjnego o nazwie 鈥濩yfrowe ziarna鈥�, kt贸rego celem jest pokazanie dzieciom nieneuronormatywnym, 偶e maj膮 w sobie potencja艂 i mimo swoich ogranicze艅, mog膮 w przysz艂o艣ci by膰 aktywnymi zawodowo osobami. Uda艂o si臋 – dostali艣my dofinansowanie w ramach du偶ego lokalnego grantu. Wraz z Monik膮 Teresik, wsp贸艂liderk膮 projektu, rozpocz臋艂y艣my przygod臋 z “rozsiewaniem cyfrowych ziaren”.

Mimo ogromnej ch臋ci wsparcia jak najwi臋kszej liczby dzieci i os贸b opiekuj膮cych si臋 nimi, musieli艣my skoncentrowa膰 si臋 na jednym beneficjencie. Do wsp贸艂pracy w projekcie zaprosili艣my wi臋c 鈥濶asz膮 Szko艂臋鈥� w Katowicach, kt贸ra jest niepubliczn膮 plac贸wk膮 o艣wiatowo-wychowawcz膮. Naszym zadaniem by艂o wyposa偶y膰 dzieci w umiej臋tno艣ci niezb臋dne do funkcjonowania w dobie ery cyfrowej.

Nasza misja rozpocz臋艂a si臋 wyk艂adem Mateusza Kobryna, coacha dzia艂aj膮cego w obszarze neuror贸偶norodno艣ci i inkluzyjno艣ci pt. 鈥濫dukacja i kariera otwarte na neuror贸偶norodno艣膰鈥�, jaki przybli偶y艂 problem dost臋pu do edukacji i konieczno艣ci wsparcia os贸b neuroroatypowych. Niezwykle pokrzepiaj膮ce w wyst膮pieniu by艂y historie os贸b, kt贸re osi膮gn臋艂y liczne sukcesy pomimo trudno艣ci, z jakimi mierzy艂y si臋 w doros艂ym 偶yciu.

Warsztaty Kanban, to kolejny przystanek na drodze naszej wolontariackiej podr贸偶y, kt贸ry zosta艂 przygotowany z my艣l膮 o uczniach najm艂odszych klas. Dzieci mia艂y okazj臋 pozna膰 niezwykle ciekaw膮 strategi臋 organizacji czasu pracy, opart膮 na japo艅skiej metodzie, kt贸ra by艂a stosowana ju偶 w latach 40-stych XX wieku do sterowania procesami produkcyjnymi. A dzi艣, z nasz膮 pomoc膮, uczniowie mogli pozna膰 praktyczne narz臋dzie do zarz膮dzania swoimi codziennymi zaj臋ciami. Wierzymy, 偶e dzi臋ki 膰wiczeniom i zabawie w wizualizacj臋 zada艅 na tablicy, nabyli nowe, cenne umiej臋tno艣ci: planowania, organizowania, inicjowania, podtrzymywania i realizowania pomys艂贸w.  

Z uwagi na fakt, 偶e najlepszym sposobem na nauk臋 jest zabawa, postanowili艣my zainwestowa膰 w kreatywne warsztaty w pracowni H2O w Siemianowicach 艢l膮skich. Pan Majsterklepka (Andrzej Lebek) w cudownie namacalny spos贸b umo偶liwi艂 dzieciom obcowanie z fizyk膮 鈥� tu para buch, tu trybiki w ruch, 艣wiat艂o cyk, a tam pr膮d robi myk! Fantastyczne unikatowe, specjalistyczne stanowiska do艣wiadczalne zach臋ca艂y dzieci do bli偶szego zapoznania si臋 z naukami 艣cis艂ymi.

Kolejnym punktem programu by艂y warsztaty robotyki z klockami LEGO. Pozornie banalne klocki, tak uwielbiane przez dzieci, w po艂膮czeniu z narz臋dziami programistycznymi, robi膮 ogromne wra偶enie! Nasi wolontariusze_ki wraz z m艂odymi konstruktorami_kami zg艂臋bili tajniki techniki i in偶ynierii. Ka偶dy kolejny klocek czy komenda w aplikacji rozwija艂y ich kreatywno艣膰, umiej臋tno艣ci krytycznego my艣lenia, komunikacji i pracy w zespole, a tak偶e rozbudza艂y ciekawo艣膰. Nie do opisania jest rado艣膰 m艂odych os贸b, kt贸re dzi臋ki swojej wytrwa艂o艣ci i skupieniu, podtrzymywanym przez 艣wietn膮 zabaw臋, tchn臋li 偶ycie w roboty, powtarzaj膮ce sekwencje ruch贸w i reakcji.

Ostatnim elementem w naszym projekcie wolontaryjnym by艂a praca z Rozdali艣my go dzieciom z nadziej膮, 偶e dzi臋ki tym materia艂om utrwal膮 si臋 umiej臋tno艣ci, kt贸re 膰wiczyli w cz臋艣ci warsztatowej projektu. Wierzymy, 偶e m艂odzi ludzie rozbudz膮 swoj膮 ciekawo艣膰 i prze艂ami膮 l臋k przed technologi膮. Ksi膮偶ka porz膮dkuje wiedz臋 z zakresu cyberbezpiecze艅stwa, uczy o tym, jak zachowywa膰 si臋 w mediach spo艂eczno艣ciowych, przybli偶a tematyk臋 robotyzacji, programowania, gier wideo, telefonii kom贸rkowej i sztucznej inteligencji. Dlaczego komiks? Po pierwsze, kto nie lubi komiks贸w? A po drugie i najwa偶niejsze, my艣lenie wizualne, to cz臋sto bardzo mocna strona neuroroatypowych os贸b, zatem serwowanie informacji w ten w艂a艣nie spos贸b zwi臋ksza szans臋 na przyswojenie wiedzy.

鈥濩yfrowe ziarna鈥� by艂y niezwyk艂膮 przygod膮 zar贸wno dla dzieci, do kt贸rych skierowali艣my nasze dzia艂ania, ale te偶 i dla nas samych. Patrzenie na m艂ode osoby, kt贸re maj膮c szans臋 w praktyczny spos贸b do艣wiadczy膰 nauki, przeistaczaj膮 si臋 na naszych oczach ze s艂uchaczy-odbiorc贸w w wynalazc贸w-konstruktor贸w, by艂o niesamowite! To utwierdza nas w przekonaniu, 偶e zapewniaj膮c odpowiednie warunki edukacji i inwestuj膮c w nieszablonowe podej艣cie do nauki, wpieramy rozw贸j dzieci i pe艂ne wykorzystanie potencja艂u, jaki w nich drzemie. Cieszymy si臋, 偶e nasz projekt spotka艂 si臋 z takim entuzjazmem i pozytywnym odbiorem rodzic贸w. Wiemy, 偶e wsparcie doros艂ych pozwala dzieciom na wiar臋 w to, 偶e nie ma rzeczy niemo偶liwych i 偶e przysz艂o艣膰 nale偶y do nich 鈥� aktywnych zawodowo m艂odych ludzi.

Dzi臋ki projektowi wolontariatu pracowniczego mogli艣my odkry膰 nowe umiej臋tno艣ci, pozna膰 ciekawych ludzi, spotka膰 si臋 i wsp贸lnie zrealizowa膰 warsztaty, kt贸re da艂y ogromn膮 satysfakcj臋. Wiemy, 偶e takie dzia艂ania wywieraj膮 pozytywn膮 zmian臋 w lokalnej spo艂eczno艣ci. Realizacja projektu 鈥濩yfrowe ziarna鈥� przyni贸s艂 niesamowite efekty i nie by艂oby to mo偶liwe bez os贸b zaanga偶owanych. Szczeg贸lne podzi臋kowanie nale偶膮 si臋 Monice Teresik, Ma艂gorzaty Balandynowicz-W艂och, Michalinie Brzeskiej, Aleksandrze Bara艅skiej, Magdalenie Janusz, Dorocie Bieniek, Micha艂owi Bary艂ce, Paw艂owi Popielskiemu, Katarzynie Juszkiewicz, Annie Michalskiej, Magdalenie Pernak, Rafa艂owi 艁api艅skiemu, Mateuszowi Bia艂asowi i Sylwii Augustyn-Bas.

W obliczu zbli偶aj膮cych si臋 艢wi膮t, w 乌鸦传媒 Polska nie zapomnieli艣my o najwa偶niejszym aspekcie tego magicznego okresu 鈥� wsp贸艂dzieleniu rado艣ci z tymi, kt贸rzy jej najbardziej potrzebuj膮. W ramach corocznej akcji “O Choinka!”, zorganizowali艣my inspiruj膮c膮 zbi贸rk臋 prezent贸w i dar贸w dla dzieci z o艣rodk贸w pomocowych, sprawiaj膮c, 偶e u艣miech zago艣ci艂 na twarzach 391 dzieci.

Jak wygl膮da艂a akcja w 2023 roku?

Ju偶 od pocz膮tku listopada we wszystkich biurach 乌鸦传媒 w Polsce zach臋cali艣my pracuj膮ce u nas osoby do w艂膮czenia si臋 w dzia艂ania charytatywne. Dok艂adnie 391 dzieci z dom贸w dziecka, hospicj贸w i plac贸wek pomocowych napisa艂o do naszej firmy listy ze swoimi marzeniami na 艢wi臋ta.

W ramach inicjatywy “O choinka” nasi pracownicy i pracownice mogli zdecydowa膰 si臋 na zakup prezentu wybranemu dziecku lub tzw. prezenty zbiorowe, czyli dedykowane wi臋kszym grupom maluch贸w lub plac贸wkom.

艢mia艂o mo偶na powiedzie膰, 偶e w tym roku nie brakowa艂o wyj膮tkowego zaanga偶owania wielu os贸b. Przyk艂adowo zesp贸艂 programist贸w przygotowa艂 specjaln膮 aplikacj臋, u艂atwiaj膮c膮 pracuj膮cym u nas osobom wyb贸r prezent贸w, kt贸re chcieliby przekaza膰. W rezultacie, przez ca艂y listopad do recepcji biur 乌鸦传媒 z ca艂ej Polski nap艂ywa艂y pi臋knie zapakowane prezenty, kt贸re trafi艂y do wybranych miejsc. Po zako艅czeniu zbi贸rki na pocz膮tku grudnia z pomoc膮 wolontariuszy i wolontariuszek prezenty zosta艂y przewiezione do wspieranych o艣rodk贸w. Dzieci otworz膮 je wsp贸lnie w Wigili臋 Bo偶ego Narodzenia.

Obdarowane plac贸wki  w tym roku to:

• Dom Dziecka w K贸rniku Bninie
• Centrum Wspierania Rodzin Swoboda w Poznaniu
• Fundacja Wroc艂awskie Hospicjum dla Dzieci
• Dom im. J. Korczaka 鈥� Regionalna Plac贸wka Opieku艅czo-Terapeutyczna w Gda艅sku
• Hospicjum dla Dzieci im. Ma艂ego Ksi臋cia w Lublinie
• Plac贸wka Wsparcia Dziennego Horyzont w 呕orach
• Dom Dziecka im. Janusza Korczaka w Warszawie
• Centrum Plac贸wek Opieku艅czo-Wychowawczych Parkowa w Krakowie
• Rodzinny Dom Dziecka w Kaletach

Warto doda膰, 偶e poza paczkami, kt贸re przekazali艣my pojedynczym dzieciom, inicjatyw臋 dope艂ni艂y a偶 53 wyj膮tkowe prezenty zbiorowe w postaci klock贸w Lego, lalek, ubra艅 oraz sprz臋t贸w codziennego u偶ytku, takich jak zestaw garnk贸w, walizki, koce, po艣ciele czy innych, jak roczne subskrybcje VOD.

乌鸦传媒 przeprowadzi艂o tak偶e zbi贸rk臋 niezb臋dnych przedmiot贸w i produkt贸w dla plac贸wek, obejmuj膮c膮 suchy prowiant, s艂odycze, artyku艂y higieniczne, 艣rodki czysto艣ci, kosmetyki i wiele innych. Takcja pokaza艂a si艂臋 zaanga偶owania i empatii os贸b pracuj膮cych w 乌鸦传媒, kt贸rych wsp贸lny wysi艂ek stworzy艂 magiczne 艢wi臋ta dla wielu dzieci.

Wyniki akcji “O Choinka!” w 2023 roku to nie tylko prezenty i dary, lecz r贸wnie偶 obraz solidarno艣ci i troski o tych, kt贸rzy potrzebuj膮 wsparcia. 乌鸦传媒 Polska potwierdza, 偶e prawdziwa magia 艢wi膮t tkwi w dzieleniu si臋 i dawaniu rado艣ci innym.

The diversity of life around us adds immeasurably to our well-being. Unfortunately, the importance of biodiversity often gets overshadowed.  

With the battle against climate change demanding so much attention, many other environmental issues have landed on the back burner. This includes biodiversity and the drive to protect natural environments. Here鈥檚 the good news: compared to the complex, systemic problems governments often deal with, preserving biodiversity is often relatively straightforward. Through strategic, collaborative, and innovative initiatives, public sector organizations have a chance to achieve impressive successes. The benefits are visible every time we step outside, and they last for generations.

The spirit is willing; the strategy is weak 

A recent report by the 乌鸦传媒 Research Institute revealed a striking disconnect between awareness and action. They surveyed 1,812 executives employed at organizations across North America, Europe, and Asia-Pacific, in the public and private sectors. 91% of government leaders are aware of the importance of biodiversity to the planet. But only 21% of public sector organizations have a biodiversity strategy. This gap opens the door to five categories of risk: 

• Operational 鈥� a lack of biodiversity can bring tangible losses, such as through a  
• Reputational 鈥� consumers today put a premium on ethical behavior 
• Legal 鈥� including future legal risks, as standards and regulations progress 
• Financial 鈥� all of the above have a material impact on the bottom line 
• Societal 鈥� none of these risks are felt in isolation 

So how do we move beyond discussion, into the world of action?

Actionable steps for preserving biodiversity 

Leaders in the private and public sector will approach biodiversity differently, but their goals are ultimately the same. In each case, it pays to have a general strategy in place, which will serve as a launchpad for specific projects. The strategy should focus both on preserving native species and habitats, and on promoting sustainable resource utilization. This is also the time to consider collaborative allies 鈥� communities, scientists, business leaders and different levels of government who will help exchange knowledge, resources, and innovative solutions. 

Also crucial is a clear data and analysis plan. An effective biodiversity strategy will be quantifiable. Keep in mind that mitigation projects (ie, minimizing the negative impact of a venture), will require different metrics than improvement projects (creating new spaces, bringing back a lost species.) Data ecosystems are immensely valuable here, as they enable leaders to compare similar projects across regions and enable better predictions. 

Four ways the public sector can help 

Government can drive biodiversity goals in several ways. Regulation is the most obvious, but it鈥檚 only one tool. Procurement is another 鈥� government can selectively do business with companies that hold themselves to higher standards. Public sector workers can also be supportive in collaborative efforts, bringing together the many individuals and groups that help a project succeed. Finally, governments can provide tools that support biodiversity goals. The UK鈥檚 helps developers, businesses and citizens understand how a proposed action will affect the local biodiversity. Other organizations such as The provide resources to help public sector leaders better understand and preserve biodiversity and ecosystem services. 

When governments take the initiative, the results are striking. Let鈥檚 look at a few governments that have developed a biodiversity strategy, and at the transformative impact of their biodiversity policies. 

The return of beavers in Scotland 

400 years ago, the last Scottish beavers were hunted to extinction. The changed that, and became a sterling example of local biodiversity conservation. This project 鈥� a collaboration between the Scottish Wildlife Trust and the Royal Zoological Society of Scotland 鈥� has successfully established a population of beavers in the Knapdale Forest in Argyll.  

In addition to the growth of the beaver population and wetlands, collaboration among the government and community has also grown. What began small has blossomed into a network of over , who together have worked out a plan to support beavers for the next 20 years.  

The Green Roof Initiative in Switzerland

The biodiversity strategy in Basel, Switzerland, is on a different level. The city now mandates the installation of green roofs on all new flat-roofed buildings, providing unique habitats for various flora and fauna and contributing to the creation of an ecological network across the city. This initiative also combats rising temperatures by reducing heat island effects, while simultaneously managing stormwater and improving air quality. In the last fifteen years more than 1 million square meters of rooftops have gone green, in this unique illustration of biodiversity and urban planning coming together. 

A detailed view of the desert 

Last, but far from least, a project we鈥檙e proud to have collaborated on. Just last year, the Nevada Chapter of The Nature Conservancy collaborated with 乌鸦传媒 to conserve the Mojave using AI. 

Recently the Mojave has been under threat due to illegal off-road vehicle use. One solution 鈥� barriers 鈥� would appear simple at first glance, but with almost 47,000 square miles to cover, knowing where to place these barriers is essential. (Aside from the cost, barriers themselves pose a threat to many animals鈥� natural movements.) We solved this challenge with a specially developed tool employing computer vision, AI and machine learning to analyze satellite images, pinpointing off-road vehicle trails. This data is juxtaposed with the nesting zones of protected species, such as the Mojave desert tortoise. Through this initiative, The Nature Conservancy can now detect and quantify land degradation, strategically allocate resources based on location-specific needs, and implement safeguarding actions to conserve the territory. 

Bridging the strategy gap 

Biodiversity is integral to our health, happiness, and the health of our planet, and local governments and public sector organizations hold the power to bring about transformative change. By emulating successful models, adopting innovative strategies, fostering collaboration, and enhancing transparency, we can weave biodiversity preservation into the fabric of our organizational and societal ethos. Let鈥檚 bridge the biodiversity strategy gap, creating a resilient, sustainable future for all.

Visit the biodiversity CRI report page to access more insights.