Soflab

Zapraszamy na Observability Poland organizowane przez Omnilogy. Porozmawiamy o tym, czy nowy model LLM rzeczywiście poprawia wyniki Twojego biznesu. 📅 22 października | Browary Warszawskie W agendzie znajdziecie dwie prelekcje ekspertów Soflab: 🕛 12:00–12:30 | Patryk Gudalewicz „Czy nowy model LLM jest lepszy dla Twojego biznesu? Obserwowalność AI w świecie agentów” Patryk pokaże, jak oceniać wpływ zmiany modelu na jakość, koszt i skuteczność całego procesu, a nie tylko pojedynczej odpowiedzi. 🕞 15:30–16:00 | Emilia Rucińska „Test, który się nie kończy. Sprawdzanie jakości, gdy aplikacja sama korzysta z AI – na przykładzie botów i voicebotów” Zajrzyjcie też na stoisko Soflab. Będzie okazja porozmawiać o jakości AI, automatyzacji testów i observability. Do zobaczenia w Browarach Warszawskich! Jeśli nie możecie dotrzeć, dostępny będzie również udział online 🔗 https://lnkd.in/dZ4h4PAt #ObservabilityPoland #AI #Observability #TestowanieOprogramowania #Soflab #Omnilogy

Test, który nigdy się nie kończy? Wystarczy jedna zmiana modelu lub bazy wiedzy, by aplikacja AI, która wczoraj odpowiadała poprawnie, dziś zaczęła wprowadzać użytkowników w błąd. Opowie o tym Emilia Rucińska podczas Observability Poland 2026, organizowanym przez Omnilogy. Na przykładzie naszej aplikacji Botrate pokaże, jak automatyzować testy asystentów AI, sprawdzając pojedyncze odpowiedzi, całe rozmowy i działania agentów. 📅 22 października | Browary Warszawskie W agendzie znajdziecie dwie prelekcje ekspertów Soflab: 🕛 12:00–12:30 | Patryk Gudalewicz „Czy nowy model LLM jest lepszy dla Twojego biznesu? Obserwowalność AI w świecie agentów” 🕞 15:30–16:00 | Emilia Rucińska „Test, który się nie kończy. Sprawdzanie jakości, gdy aplikacja sama korzysta z AI – na przykładzie botów i voicebotów” Zapraszamy również na nasze stoisko. Porozmawiamy o jakości AI, automatyzacji testów i observability. Do zobaczenia na miejscu! Dla osób, które nie mogą dotrzeć, dostępny będzie również udział online.

Zapraszamy na Observability Poland 2026, organizowane przez Omnilogy, które odbędzie się 22 października. W tym roku Soflab jest partnerem merytorycznym wydarzenia. Na scenie wystąpią Emilia Rucińska i Patryk Gudalewicz, którzy podzielą się praktycznym doświadczeniem w obszarze testowania AI i observability. Więcej szczegółów znajdziecie w wydarzeniu.

Nie haker. Jedno kliknięcie. 🖱️ Blisko 1,5 tys. cyberataków na sektor ochrony zdrowia – a 80% z nich wynika z błędów ludzkich: phishingu, słabych haseł i błędnej konfiguracji. Podczas CYBERSEC - European Cybersecurity Forum 2026 Krzysztof Brud w rozmowie z Rzeczpospolitą opowiadał o tym, dlaczego można wydać fortunę na technologię, a mimo to przegrać z czynnikiem ludzkim. 🔗 Cała rozmowa na kanale ‪Rzeczpospolita na YouTube

90% poprawnych odpowiedzi nie zawsze oznacza dobrego asystenta AI. 90% poprawnych odpowiedzi może na pierwszy rzut oka wyglądać jak dobry wynik. Problem pojawia się wtedy, gdy przyjrzymy się pozostałym 10%. Jeżeli asystent odpowiada na 100 pytań – 90 razy poprawnie i 10 razy błędnie to ogólna statystyka wygląda dobrze. Ale co, jeśli te 10 błędów dotyczy: 🟠 opłat, 🟠 terminów, 🟠 danych liczbowych, 🟠 informacji, na podstawie których użytkownik podejmuje decyzję? Wtedy sam procent poprawnych odpowiedzi nie mówi nam wystarczająco dużo o jakości asystenta. W testach AI szczególnie istotne są scenariusze krytyczne – takie, w których błędna odpowiedź może prowadzić do realnych konsekwencji biznesowych lub złej decyzji użytkownika. Dlatego warto patrzeć nie tylko na ogólny wynik jakości, ale również na rodzaj błędów, ich wpływ biznesowy, obszary, w których występują oraz wyniki dla scenariuszy krytycznych. Bo nie każdy 1% błędów kosztuje tyle samo. I właśnie dlatego 90% poprawnych odpowiedzi to za mało informacji, żeby ocenić jakość asystenta AI 🎯

30 dni do produkcyjnego wdrożenia asystenta AI to ostatni moment, żeby wychwycić ryzyka, które ujawnią się dopiero u użytkowników. Ta lista pomoże zadać zespołowi właściwe pytania jeszcze przed startem. 📋 Sprawdź checklistę i zobacz, ile punktów możesz dziś odhaczyć: 1️⃣ Fakty – czy zweryfikowaliście odpowiedzi zawierające liczby, daty, kwoty i inne informacje, które muszą być bezbłędne? 2️⃣ Powtarzalność – czy zadaliście to samo pytanie 10 razy i sprawdziliście, ile odpowiedzi się różniło? 3️⃣ Rola – czy asystent konsekwentnie trzyma się roli określonej w promptcie systemowym? 4️⃣ Granice – czy próbowaliście skłonić go do odpowiedzi wykraczających poza jego zakres? 5️⃣ Język – czy zmiana języka nie powoduje pominięcia zasad działania? 6️⃣ Prompt injection – czy testowaliście próby obejścia instrukcji systemowych? 7️⃣ Nietypowe pytania – czy sprawdziliście pytania niejednoznaczne, graniczne i manipulacyjne? 8️⃣ Czas – czy asystent poprawnie interpretuje wyrażenia typu „w ten weekend” lub „jutro”? 9️⃣ Stabilność po zmianach – czy macie sposób na wykrycie spadku jakości po aktualizacji modelu przez dostawcę LLM? 🔟 Dowody zamiast wrażeń – czy oceniacie jakość na podstawie serii testów, a nie pojedynczych poprawnych odpowiedzi? Jeżeli którykolwiek punkt budzi wątpliwości, lepiej znaleźć lukę teraz niż po wdrożeniu. Dowiedz się, jak testujemy asystentów AI i na co zwrócić uwagę przed wdrożeniem 🔗 https://lnkd.in/dV36eXz5