Wyzwanie: Technologiczne wyzwanie zarządzania rozproszoną wiedzą
Współpraca z Fundacją Rozwoju Systemu Edukacji (FRSE), która jako Narodowa Agencja zarządza programem Erasmus+ w Polsce, postawiła przed nami ambitne zadanie: jak skutecznie zarządzać ogromnym, rozproszonym ekosystemem wiedzy, który musi być dostępny dla tysięcy beneficjentów w czasie rzeczywistym? Problem nie leżał tylko w objętości danych, ale w ich strukturze. „Przewodnik po programie” musiał współistnieć z dynamicznymi aktualnościami, a system musiał bezbłędnie odróżniać terminy naborów historycznych od nadchodzących. Z perspektywy inżynierskiej stanęliśmy przed wyzwaniem stworzenia rozwiązania, które wyeliminuje szum informacyjny, zapewni wysoką precyzję odpowiedzi (grounding) i będzie w pełni skalowalne.
Decyzja: Inżynieria inteligentnej architektury
Zamiast budować prostą nakładkę na model językowy, zaprojektowaliśmy kompleksową architekturę opartą na podejściu RAG (Retrieval-Augmented Generation). Jako Wise People, naszą strategią nie było jedynie „wdrożenie AI”, ale zbudowanie bezpiecznego, przewidywalnego i audytowalnego silnika wiedzy.
- Zaprojektowaliśmy system oparty na stosie Laravel i Livewire, co pozwoliło na stworzenie wydajnego panelu zarządzania wiedzą. Dane przechowujemy w architekturze hybrydowej: PostgreSQL pełni rolę silnika relacyjnego, natomiast Qdrant działa jako wysoce wydajna baza wektorowa. Do orkiestracji procesów ETL wdrożyliśmy n8n, który odpowiada za automatyczną ekstrakcję treści, segmentację dokumentów na fragmenty i ich indeksowanie.
- Zaimplementowaliśmy mechanizm hierarchii wiedzy. „Przewodnik po programie” stanowi dla systemu źródło nadrzędne, podczas gdy aktualności i newsy czy kalendarium wydarzeń pełnią rolę uzupełniającą. Dzięki temu system unika sprzecznych komunikatów i zawsze stawia zasady formalne ponad bieżącymi ogłoszeniami.
- Zaprojektowaliśmy system tak, aby użytkownik nie musiał znać urzędowej nomenklatury (np. numerów akcji), aby otrzymać precyzyjną odpowiedź. Nasz silnik semantyczny tłumaczy potoczne zapytania na precyzyjne operacje w dokumentacji, co drastycznie obniża barierę wejścia dla nowych wnioskodawców.
- Wykorzystaliśmy bezpieczny i wydajny model OpenAI (GPT-4) z rygorystycznymi instrukcjami systemowymi. Wprowadziliśmy mechanizmy chronologiczne, które weryfikują aktualność dat, odcinając nieaktualne komunikaty od bieżących naborów.
Rezultat: Skalowalny system klasy Enterprise
Dzięki naszemu rozwiązaniu, FRSE zyskało narzędzie, które wykracza poza standardowe możliwości chatbotów:
- Transparentność operacyjna: Wdrożony panel administracyjny daje pełny wgląd w oceny jakości rozmów przez użytkowników, oceny odpowiedzi oraz, co kluczowe w projektach AI, wbudowaną analitykę kosztów. Zespół FRSE ma pełną kontrolę nad budżetem operacyjnym modelu.
- Redukcja obciążenia zespołu: Użytkownicy otrzymują zwięzłe, ustrukturyzowane odpowiedzi z odnośnikami do źródeł, co ogranicza liczbę zapytań trafiających do obsługi manualnej.
- Spójność komunikacji: Mechanizmy doboru kontaktów (np. rozróżnienie akcji KA1/KA2) automatycznie kierują użytkownika do odpowiedniego pracownika merytorycznego, usprawniając proces wsparcia.
Kluczową kwestią we współpracy było zrozumienie potrzeb klienta oraz dostosowanie podejścia technologicznego do uwarunkowań organizacji z tysiącami dokumentów bazowych, o europejskiej rozpoznawalności. Było to na pewno wyzwanie, ale dzięki wysiłkom obu zespołów osiągnęliśmy efekt, który doceni każdy student korzystający z nowego chatbota AI Erasmus+.
Robert Szarata, CEO Wise People
FAQ
Wdrożenie sztucznej inteligencji w instytucji publicznej zarządzającej tysiącami stron regulacji wymagało znacznie więcej niż prostej integracji z modelem LLM. Poniżej odpowiadamy na pytania o kulisy technologiczne projektu dla FRSE: od eliminacji halucynacji poprzez architekturę RAG, przez hierarchię źródeł wiedzy, aż po pełną kontrolę kosztów i transparentność działania systemu klasy Enterprise.
Fundacja Rozwoju Systemu Edukacji (FRSE) to instytucja pełniąca rolę Narodowej Agencji Programu Erasmus+ i Europejskiego Korpusu Solidarności w Polsce. Zarządza ogromnym budżetem i setkami procesów rocznie. Wdrożenie AI było niezbędne, aby zapewnić dostępność informacji 24/7 dla tysięcy beneficjentów oraz odciążyć pracowników od powtarzalnych pytań, pozwalając im skupić się na wsparciu merytorycznym projektów.
Standardowe chatboty AI są podatne na „halucynacje” (zmyślanie faktów). Podejście RAG (Retrieval-Augmented Generation) zmusza system do przeszukania wyłącznie dostarczonych przez FRSE dokumentów przed sformułowaniem odpowiedzi. Dzięki temu każda odpowiedź jest „uziemiona” (grounded) w konkretnych przepisach Erasmus+, co gwarantuje 100% rzetelności merytorycznej.
W projektach typu enterprise kluczem nie jest sam model AI, lecz zarządzalność ekosystemem wiedzy. Z naszego doświadczenia wynika, że o sukcesie decydują trzy filary:
- Wiarygodność danych (Grounding): AI musi operować wewnątrz „bezpiecznej piaskownicy” dostarczonych dokumentów. Bez rygorystycznego systemu RAG (Retrieval-Augmented Generation), który wymusza na modelu cytowanie źródeł, organizacja traci kontrolę nad przekazem.
- Transparentność architektury: Organizacje potrzebują kontroli nad tym, skąd AI czerpie wiedzę i jak kosztowne są jej operacje. Wdrożenie autorskiego panelu administracyjnego (jak ten dla FRSE) pozwala na monitorowanie, ocenę jakości odpowiedzi i zarządzanie budżetem, co zmienia AI z „czarnej skrzynki” w przewidywalne narzędzie biznesowe.
- Kontekstowa użyteczność: Najlepsze wdrożenia to takie, które rozumieją intencje użytkownika, nawet jeśli nie używa on specjalistycznego żargonu. Skuteczne wdrożenie AI to takie, które „tłumaczy” skomplikowaną wiedzę organizacyjną na język potrzeb użytkownika, nie wymagając od niego wiedzy eksperckiej.
