Programistka.
Inżynier AI.

Nie — i to jest właśnie jedna z pierwszych rzeczy, którą ustalamy. Są dane, które spokojnie mogą trafić do API zewnętrznego modelu. Są też takie, które nie powinny opuścić firmy. Mam doświadczenie w trzech podejściach: modele lokalne na Twoich maszynach (pełna prywatność, wyższy koszt infrastruktury), warstwa semantyczna odfiltrowująca dane wrażliwe przed wysłaniem do dostawcy AI, albo dedykowane środowisko chmurowe (np. Azure OpenAI, Vertex AI) z umową gwarantującą brak trenowania modeli na Twoich danych. Który setup jest właściwy — zależy od skali, budżetu i rodzaju danych. Mogę przeprowadzić Cię przez każdy z nich.

Nie automatycznie — i to jest najczęstszy błąd. AI wyjęte z pudełka i wdrożone bez refleksji może naruszać RODO. Każdy przypadek jest inny: inne dane, inny dostawca, inny proces. Wszystkie systemy, które buduję, projektuje z myślą o prywatności od samego początku — nie jako poprawkę na końcu. To nie jest przypadek: moje tło zawodowe to cyberbezpieczeństwo i ochrona danych, więc compliance to dla mnie naturalny element architektury, nie checkbox do odhaczenia.

Zależy od zakresu zadania. Małe, dobrze zdefiniowane zadania — tak, agent radzi sobie autonomicznie. Złożone procesy — zwykle zaczynam od nadzorowanego trybu, gdzie człowiek zatwierdza kluczowe kroki, zanim system przejdzie do pełnej automatyzacji. Ważne: "AI" to często nie sam model, ale harness — skrypty, guardrails, mechanizmy retry i walidacji otaczające model. To one decydują o niezawodności. Human-in-the-loop to nie słabość systemu — to świadoma decyzja architektoniczna.

W dużym uproszczeniu: model językowy to ogromna maszyna statystyczna, wytrenowana na miliardach tekstów, która oblicza, które słowo najczęściej padało w danym kontekście — i to słowo wybiera jako następne. Brzmi banalnie, ale skala sprawia, że efekt jest zdumiewający.

Technicznie: to sieć neuronowa (architektura transformer) przetwarzająca tekst jako tokeny — fragmenty słów, nie litery. Każdy token zamieniony jest na embedding, czyli wektor liczb opisujący jego znaczenie. Mechanizm uwagi (attention) pozwala modelowi ważyć, które fragmenty kontekstu są istotne dla kolejnego tokenu.

Stąd biorą się zarówno możliwości, jak i ograniczenia: model nie "pamięta" — on widzi okno kontekstu. Nie "myśli" — on przewiduje kolejny token. Temperature kontroluje losowość tych przewidywań. To dlatego te same pytania dają różne odpowiedzi.

Halucynacje to nie błąd — to cecha modelu, który optymalizuje spójność tekstu, nie prawdziwość faktów. Wiedząc to, wiem gdzie stawiać guardrails i jak projektować systemy, które nie zawodzą w produkcji.

Słuszne pytanie — takich osób jest teraz mnóstwo. Różnica jest prosta: ja piszę kod, który trafia na produkcję. 15 lat jako programistka — systemy MES dla L'Oréal, rozszerzenia przeglądarki używane przez ponad 100 milionów ludzi w Big Tech, publikacje na Google Chrome Developers Blog. Jestem programistką, która niejeden kod napisała.

W swojej firmie jestem osobą odpowiedzialną za wprowadzanie AI w zespołach programistów — na co dzień rozwijam kolejne rozwiązania z udziałem AI i w oparciu o AI.

Moje systemy już działają na produkcji. Jestem AI Native — nie testuję, nie "eksploruję potencjału", po prostu buduję.

Szaman z LinkedIn nie wyjaśni Ci, jakie problemy może nieść za sobą dane rozwiązanie — bo nigdy go w praktyce nie zbudował.

Tak — i to jest jeden z pierwszych kroków, który rozpatruję. Nie ma sensu budować czegoś od zera, jeśli AI można podłączyć do istniejącego stosu: CRM, helpdesk, Slack, wewnętrzna baza wiedzy, Jira. Protokół MCP (Model Context Protocol) pozwala modelom bezpiecznie czytać i zapisywać dane w Twoich narzędziach bez konieczności wysyłania wszystkiego do jednego systemu. Buduję i wdrażam takie serwery MCP produkcyjnie.

Sporo rzeczy — i dlatego ograniczanie uprawnień agentów to kluczowy element mojej architektury. Agent z dostępem do sieci może nieumyślnie wysłać dane na zewnątrz. Agent z prawem zapisu może nadpisać dane. Model może się pomylić i nikt tego nie zauważy przez tydzień. Projektuję systemy z zasadą minimalnych uprawnień, mechanizmami zatwierdzania krytycznych akcji i logowaniem, które pozwala wykryć anomalie zanim staną się problemem.