Podejmując decyzję o wdrożeniu rozwiązań sztucznej inteligencji duże przedsiębiorstwa stają przed dylematem: czy warto zainwestować w start-up AI na początkowym etapie rozwoju zamiast rozwijać daną funkcjonalność/kompetencję in-house? Analiza na podstawie baz danych o inwestycjach w start-upy, materiałów prasowych i własnych obserwacji rynkowych (rozmowy z head of AI dużych korporacji). Przedstawione zostaną wnioski: w jakich branżach korporacje najczęściej inwestują w start-upy AI, jak wyglądają trendy odnośnie wielkości inwestycji, jakie kompetencje AI duże organizacje najchętniej „insourcują”. Dane zostaną przedstawione w podziale na kilka rynków geograficznych (np. Polska, DACH, Skandynawia). Zaprezentowane zostaną zarówno historie sukcesów jak i nietrafionych inwestycji.

Podejście agentowe posiada swoje ogranicznie, dlatego warto myśleć o złożonych systemach korzystających z GenAI w inny sposób. Uczestnicy dowiedzą się jak wykorzystywać abstrakcje takie jak workflow, do wstrzykiwania do systemów korzystających z AI wiedzy domenowej, jak odkrywać nowe procesy w organizacji z wykorzystaniem AI i jak pół-automatyzować je w sytuacjach, gdy nie są one w pełni statyczne. Omówione zostaną sprawdzone w XTBs sposoby angażowania ekspertów domenowych i usamodzielnania ich w pracy nad automatyzacją z wykorzystaniem znajomości LLM-ów.

Omówienie w jaki sposób Akt o Usługach Cyfrowych (DSA) i Akt o Sztucznej Inteligencji (AI Act) wspólnie tworzą kompleksowy system regulacji dla wykorzystania AI na platformach internetowych. Przedstawione zostaną komplementarne role obu unijnych aktów – DSA jako narzędzie zapewniające odpowiedzialność i przejrzystość platform, oraz AI Act jako akt regulujący konkretne ryzyka związane z systemami AI. W prezentacji poruszony zostanie temat praktycznych wymogów dla platform w zakresie należytej staranności, transparentności algorytmicznej czy klasyfikacji systemów wysokiego ryzyka oraz wpływu regulacji na innowacje i prawa użytkowników.

Kluczową umiejętnością śledczego jest analiza faktów: znajdowania powiązań, analogii i odbiegających od normy szczegółów. Na filmach często widzimy dokumenty i zdjęcia połączone przez detektywów czerwoną włóczką (tzw. murder board), co ma na celu ułatwienie wyciągnięcia wniosków. Networks Notebook to narzędzie, które powstało z inspiracji tym systemem. Wspiera analizę danych śledczych z wykorzystaniem grafów wiedzy i generatywnej AI. Łączy precyzję zapytań grafowych z interpretacyjną mocą modeli językowych, umożliwiając wykrywanie wzorców i formułowanie hipotez. System automatycznie przekształca dane tekstowe i wizualne w spójny graf, który można eksplorować w języku naturalnym. Działanie Networks Notebook zostanie przedstawione na przykładzie analizy powieści kryminalnej oraz zastosowania w pracy dziennikarskiej. System jest wykorzystywany do wsparcia pracy dziennikarzy śledczych w Ringier Axel Springer Polska.

Case study wdrożenia Asystenta AI - narzędzia AI dla wszystkich pracowników PZU. Historia od małoskalowych eksperymentów, poprzez zaawansowany pilotaż dla 1000 osób, po produkcyjne wdrożenie dla 12,5 tys. pracowników. Kluczowym aspektem prezentacji jest “ludzka strona zmiany”, tj. budowa świadomości, identyfikacja potrzeb oraz edukacja i wspieranie rozwoju kompetencji w codziennym używaniu GenAI w pracy.

Dane treningowe stanowią bardzo ważny element w kontekście trenowania modeli/systemów sztucznej inteligencji. W art. 10 (2) AI Act wskazano, że zbiory danych treningowych, walidacyjnych i testowych podlegają praktykom w zakresie zarządzania danymi stosownym do przeznaczenia danego systemu AI wysokiego ryzyka. Prezentacja będzie dotyczyła potencjalnych ryzyk prawnych związanych z danymi treningowymi, w tym w szczególności z danymi syntetycznymi.

Usprawnienie pracy analityków hurtowni danych w spółce Skarbu Państwa dzięki inicjatywie opartej na zaangażowaniu zespołu i eksploracji sztucznej inteligencji (w tym polskiego modelu językowego Bielik). Prezentacja obejmuje przede wszystkim rozwiązywanie problemów w procesie zarządzania zmianą, które były zgłaszane w rozmowach z analitykami i deweloperami ETL. Pokazany zostanie krok po kroku proces zmiany: jak wdrożone innowacje przyniosły poprawę efektywności i otworzyły nowe, nieprzewidziane możliwości wykorzystania AI w organizacji, inspirując do dalszej transformacji cyfrowej.

Podróż związana z wdrażaniem generatywnej sztucznej inteligencji, która rewolucjonizuje globalne strategie marketingowe w skali przedsiębiorstwa. Rzeczywiste przypadki użycia, takie jak: diagnostyka oparta na sztucznej inteligencji, precyzyjne planowanie mediów, zautomatyzowane generowanie wniosków i dynamiczne monitorowanie efektywności marki. Słuchacze dowiedzą się, jak poradzić sobie z zarówno z krytycznymi wyzwaniami technicznymi (m.in. przygotowanie danych, luka w umiejętnościach i dotrzymywanie kroku szybko rozwijającemu się ekosystemowi AI) oraz wyzwaniami biznesowymi (m.in. zarządzanie zmianami organizacyjnymi, zapewnienie płynnego przyjęcia AI i dostosowanie interesariuszy w zespołach globalnych).

Dziesięcioletnia historia projektu Migam AI – systemu tłumaczenia języka migowego w czasie rzeczywistym, który wykorzystuje awatara 3D i technologię AI do przełamywania barier komunikacyjnych między osobami słyszącymi a społecznością Głuchych. Od prototypów, przez porażki, aż po pierwsze skuteczne wdrożenia i awatara, który tłumaczy tekst i dźwięk na język migowy z 97% skutecznością i integruje się z platformami jak Zoom czy Microsoft Teams.

Prezentacja kluczowych zasad odpowiedzialnego wykorzystania generatywnej sztucznej inteligencji (GenAI) w administracji publicznej z naciskiem na przewodnią rolę człowieka. Przedstawienie praktycznego podejścia do wdrażania AI w urzędzie, które wspiera zarówno pracowników w ich codziennych zadaniach, jak i zachowuje dostęp mieszkańców do bezpośredniego kontaktu z urzędnikami. Uczestnicy poznają konkretne przykłady zastosowań AI, które zwiększają efektywność pracy przy jednoczesnym utrzymaniu ludzkiego wymiaru usług publicznych oraz mechanizmy zapewniające, że technologia nie zastępuje, ale wzmacnia relacje między administracją a obywatelami.

Z jednej strony: SnowFlake, OpenAI czy ElevenLabs to firmy stworzone lub współtworzone z dużym udziałem Polaków. Z drugiej: powstają jednak poza Polską, z niewielkim udziałem polskiego kapitału. Czyli mamy talenty technologiczne na światowym poziomie, ale nie tworzymy na tej podstawie biznesu. Czy Polska może stać się istotnym graczem w świecie AI? Czy AI może stać się tym, czym Skype był dla Estonii: znakiem rozpoznawczym i kołem zamachowym dla różnych projektów i gospodarki? Co zrobić, żeby to się udało w Polsce? Skąd powinien iść impuls rozwojowy: od państwa, czy z sektora prywatnego?

Dynamiczny rozwój różnego rodzaju systemów AI przekłada się na FOMO – Fear Of Missing Out, czyli poczucie, że trzeba wdrażać szybko. Kolejne wdrożenia pokazują, że rezultaty są bardzo różne: od świetnych, które pozwalają na optymalizację kosztową lub czasową procesu o kilkadziesiąt procent, po przeciętne, aż po takie, gdzie korzyści brak. Zasadne jest w takim razie pytanie: czy każda firma musi wdrażać i rozwijać narzędzi sztucznej inteligencji? Największa skala korzyści jest do uzyskania w dużych organizacjach, gdzie optymalizacja procesów nawet o kilka procent przekłada się na wielomilionowe oszczędności. A co z mniejszymi organizacjami? A może nie wszyscy potrzebują AI?

Wiele osób z branży technologicznej zarzuca unijnym regulatorom, że EU AI Act blokuje rozwój sztucznej inteligencji i powoduje, że zarówno USA, ale również Chiny rozwijają się w tym obszarze nieporównywalnie szybciej. Ale jest i głos przeciwny: tych, którzy uważają, że brak ograniczeń w rozwoju technologii to duże zagrożenie dla ludzkości i krok w stronę państwa totalitarnego. Gdzie znaleźć optymalny punkt pomiędzy zapewnieniem bezpieczeństwa i wolności obywatelskich, a potrzebą rozwoju technologii i biznesu?

W krajach niedemokratycznych systemy do zapewnienia bezpieczeństwa publicznego rozwijają się bardzo dobrze. Nikt nie przejmuje się prywatnością obywateli, państwo zbiera dane jakie chce i analizuje je w dowolny sposób. Przykładem może być chiński „social index” do profilowania obywateli. W krajach demokratycznych nakładamy na takie systemy ograniczenia – nie chcemy być inwigilowani. Ale musimy też odpowiadać na wyzwania związane z bezpieczeństwem: ataki terrorystyczne przeprowadzane przez niezrównoważone osoby, działania obcych wywiadów, napięta sytuacja geopolityczna, konflikty hybrydowe poniżej progu wojny kinetycznej – to wszystko już się dzieje. Czy da się zapewnić dzięki AI bezpieczeństwo, ale z poszanowaniem prywatności obywateli? W jaki sposób AI może zwalczać nowe zagrożenia? I czy AI może być źródłem takiej przewagi strategicznej, jaką w XX wieku była bomba atomowa?

Wraz z popularyzacją zastosowań dużych modeli językowych (LLM) ataki takie jak prompt injection pozwalają na niebezpieczne manipulowanie działaniem chatbotów, kradzież danych czy zniszczenie reputacji marki. Przykłady oraz eksperymenty pokazujące jak podatne są współczesne modele AI na takie zagrożenia oraz jakie konsekwencje mogą ponieść firmy lekceważące to ryzyko. Omówione zostaną też praktyczne metody zabezpieczeń, dzięki którym narzędzia AI mogą być skutecznie zabezpieczone przed atakami innych modeli AI. Uczestnicy dowiedzą się, jak skutecznie chronić kluczowe systemy przed manipulacją i zapewnić bezpieczeństwo w erze sztucznej inteligencji.

Kluczowym czynnikiem sukcesu w zarządzaniu danymi jest utrzymanie dobrej jakości katalogu danych. Jest to czasochłonne zadanie, które nie tylko obciąża osoby zarządzające danymi, ale też utrudnia ich zrozumienie. Prezentacja na temat skutecznego rozwiązania wykorzystującego agentów AI do automatyzacji i ulepszania dokumentacji danych dla katalogu danych, bezpośrednio odpowiadając na zapotrzebowanie na praktyczne i wpływowe aplikacje AI. Przedstawione zostanie w jaki sposób agenci inteligentnie pozyskują metadane, wzbogacają je o wykorzystujące sztuczną inteligencję spostrzeżenia dotyczące opisów i egzekwują przestrzeganie standardów dokumentacji danych. Na praktycznych przykładach, również dzięki integracji z wewnętrznymi platformami, pokazane zostanie, w jaki sposób to podejście usprawnia katalogowanie danych, poprawia ich wykrywalność i ułatwia organizacji lepiej zrozumieć dane, zapewnić zgodność, i finalnie pozwala czerpać korzyści płynące ze sztucznej inteligencji w zarządzaniu danymi.

Jeszcze dekadę temu startupy warte miliard dolarów budowały kilkusetosobowe zespoły. Dziś? Widzimy firmy, które osiągają 100 milionów dolarów przychodu rocznie... mając zaledwie 15, 30, a czasem tylko 3 osoby! Dzięki sztucznej inteligencji każdy proces – od sprzedaży, przez marketing, po obsługę klienta – może zostać zautomatyzowany. Zespoły nie muszą już rosnąć, by skalować się. Mogą być zwinne, lekkie i szybkie. Takie firmy już istnieją: ElevenLabs, Lovable, Curser, Meror... A to dopiero początek. Podczas prezentacji zostanie omówione w jaki sposób działają tego typu firmy i omówienie kolejnej fali: hiper-jednorożców, czyli startupów osiągających miliardową wycenę w zaledwie 6 miesięcy od startu.

Przykłady firm, które wprowadziły programy przekwalifikowania na stanowiska data scientists.    Programy są tworzone dla osób posiadających różnorodne wykształcenie, w tym humanistyczne i średnie. Jest to potwierdzeniem tezy, że rola data scientist jest wielowymiarowa. może sprawiać, że Dzięki temu nawet osoby o nietypowym wykształceniu, ale o silnie rozwiniętych umiejętnościach analitycznych oraz umiejętności dokonywania syntezy przeanalizowanego materiału, po przeszkoleniu mogą być bardzo dobrymi kandydatami na to stanowisko. To atrakcyjna alternatywa dla firm w stosunku do droższych kandydatów z rynku. Uczestnicy dowiedzą się jakich cechy warto poszukiwać u kandydatów i w jakich grupach można je znaleźć.