Projekty, które dowieźliśmy

Problem

Zespół rekrutacyjny spędzał godziny na czytaniu CV i formatowaniu raportów dla klientów. Publiczne narzędzia AI nie wchodziły w grę: dane kandydatów są poufne, a zdania „wkleiliśmy to do chatbota” nikt nie chce wypowiadać podczas audytu.

Co zrobiliśmy

Aplikacja na lokalnym modelu językowym, która robi to, co eksperci robili ręcznie: wyciąga z CV kluczowe informacje, przygotowuje wstępne rekomendacje kandydatów i pisze krótkie podsumowania. Działa na infrastrukturze klienta, więc dane nigdy nie opuszczają firmy.

Problem

Znalezienie precyzyjnej informacji w gąszczu przepisów wymagało czasu i wiedzy eksperckiej. A w prawie chatbot, który tylko brzmi przekonująco, jest gorszy niż żaden.

Co zrobiliśmy

Chatbot oparty na RAG: najpierw znajduje właściwe przepisy i podaje je modelowi razem z pytaniem (trochę magii, głównie matematyka). Przepisy pochodzą z dopracowanych grafów wiedzy, czyli mapy tego, który przepis łączy się z którym. Dzięki temu każda odpowiedź opiera się na rzeczywistych aktach prawnych, a system sprawdza, czy organizacja spełnia dane wymaganie.

Dlaczego to zbudowaliśmy

Większość projektów AI wygrywa albo przegrywa na integracji, a nie na modelu. Dlatego zbudowaliśmy agenta głosowego, który musi współpracować z czymś bezlitosnym: prawdziwą linią telefoniczną.

Co robi

Odbiera połączenia, rozmawia z dzwoniącym i udziela informacji. Gdy rozmowę powinien przejąć człowiek, wysyła mailem podsumowanie, żeby ktoś mógł oddzwonić.

Co dalej

Planujemy umieścić jego numer na tej stronie, żeby dało się do niego zadzwonić tak samo, jak pisze się z asystentem na stronie głównej.

Problem

Decyzja o przedłużeniu kampanii była mieszanką doświadczenia, arkuszy kalkulacyjnych i przeczucia.

Co zrobiliśmy

Model predykcyjny, który analizuje wpływ kampanii na współczynnik klikalności (CTR) i pokazuje, które kampanie warto przedłużyć.

Problem

Duża ilość papierowej dokumentacji pracowniczej musiała stać się cyfrowa i użyteczna, a nie tylko zeskanowana do folderu, którego nikt nie otwiera.

Co zrobiliśmy

Odczyt tekstu ze skanów (OCR) połączony z modelem, który rozpoznaje typ każdego dokumentu. Dzięki temu każdy plik trafia we właściwe miejsce, a jego kluczowe dane są od razu wyciągnięte.

Problem

Kampanie potrzebowały wielu grafik w wielu wariantach, a brand book zostawiał niewiele miejsca na twórcze wypadki przy pracy.

Co zrobiliśmy

Generator realistycznych grafik, który ściśle trzyma się brand booka klienta.

Pytanie

RAG jest tak dobry, jak to, co znajdzie. Gotowe retrievery gubią się w specjalistycznych dziedzinach, a poza angielskim gubią się szybciej. Oznaczonych danych, żeby to naprawić, zwykle brakuje. Bez solidnej metryki „halucynuje mniej” to tylko wrażenie.

Co zrobiliśmy

Trenowaliśmy retrievery po angielsku, polsku i niemiecku metodą GPL (generative pseudo labeling): model sam pisze pytania treningowe do nieoznaczonych dokumentów i na nich uczy się dziedziny, więc nikt nie musi ręcznie oznaczać tysięcy przykładów. Zbudowaliśmy narzędzia do trenowania i zbiory danych, ewaluowaliśmy modele, mierzyliśmy poziom halucynacji i badaliśmy same metryki. Przy okazji pracowaliśmy nad sterowalną generacją tekstu.