Właśnie tam pojawia się CAISE – polska platforma chmurowa rozwijana na Politechnice Gdańskiej w ramach projektu Cloud Artificial Intelligence Service Engineering. Stojący za nią pomysł jest dość prosty: stworzyć środowisko, w którym można projektować, trenować, wdrażać i skalować usługi oparte na sztucznej inteligencji, szczególnie dla tych obszarów, w których dane są wrażliwe, dokumenty bywają skomplikowane, a odpowiedzialność za decyzje nie znika tylko dlatego, że pojawił się algorytm.
Mam wrażenie, że właśnie w takich projektach najłatwiej odróżnić modę na AI od realnej pracy technologicznej. Moda lubi efektowne demonstracje. Realna praca zaczyna się tam, gdzie trzeba połączyć chmurę obliczeniową, bezpieczeństwo danych, język polski, dokumenty prawne, obrazy medyczne, edukację, systemy produkcyjne i jeszcze zadbać o to, by całość dało się rozwijać bez uzależnienia od jednego zamkniętego dostawcy.
Czym właściwie jest platforma CAISE?
CAISE można najprościej opisać jako zintegrowane środowisko chmurowe do tworzenia inteligentnych usług. W praktyce oznacza to zestaw infrastruktury, narzędzi i usług bazowych, które pozwalają firmom, instytucjom i zespołom badawczo-wdrożeniowym budować rozwiązania wykorzystujące sztuczną inteligencję bez zaczynania za każdym razem od zera.
W klasycznym, bardzo uproszczonym scenariuszu wygląda to tak: ktoś ma problem do rozwiązania, na przykład tysiące dokumentów medycznych, prawnych albo edukacyjnych, które trzeba przetworzyć, uporządkować i zrozumieć. Do tego potrzebne są dane, modele AI, miejsce do ich trenowania, narzędzia programistyczne, bezpieczne repozytoria, środowisko testowe, mechanizmy wdrożenia, monitorowanie jakości i sposób udostępniania gotowej usługi. Każdy z tych elementów można próbować składać osobno, ale wtedy łatwo powstaje informatyczna mozaika: trochę chmury od jednego dostawcy, trochę narzędzi od drugiego, dane w kilku miejscach, modele w kolejnych, a odpowiedzialność rozmywa się między systemami.
CAISE ma ten proces uporządkować. Platforma integruje infrastrukturę chmurową, zasoby obliczeniowe wysokiej wydajności, narzędzia DevOps, analitykę danych, komponenty AI, orkiestrację usług i gotowe mechanizmy do pracy z modelami. Brzmi gęsto, ale w popularnonaukowym skrócie można powiedzieć: chodzi o cyfrowe zaplecze, które pozwala przejść od eksperymentu do działającej usługi.
To ważne, bo w sektorze publicznym sam eksperyment rzadko wystarcza. Szpital, sąd, szkoła, urząd czy wydawnictwo edukacyjne nie potrzebują efektownej zabawki, którą da się pokazać na konferencji i odłożyć do szuflady. Potrzebują rozwiązania, które działa przewidywalnie, można je kontrolować, rozwijać, audytować i wdrożyć w realnym procesie.
Chmura, która ma być bliżej danych
Słowo chmura przez lata nabrało dziwnej lekkości. Kojarzy się z czymś niematerialnym, unoszącym się gdzieś nad nami, tymczasem chmura zawsze znajduje się na czyimś serwerze, w konkretnej serwerowni, pod określonym reżimem prawnym i organizacyjnym. W przypadku danych publicznych, medycznych czy prawnych to szczegół, którego nie da się pominąć.
CAISE jest rozwijana w oparciu o TASKcloud, czyli chmurę obliczeniową Centrum Informatycznego TASK Politechniki Gdańskiej. Platforma ma korzystać również z zasobów wysokowydajnych obliczeń, w tym infrastruktury superkomputera Kraken. Dla czytelnika spoza branży może to brzmieć jak kolejny techniczny ozdobnik, ale moc obliczeniowa ma tu bardzo konkretne znaczenie. Modele głębokiego uczenia potrzebują ogromnych zasobów, zwłaszcza wtedy, gdy analizują duże zbiory dokumentów, obrazów lub danych mieszanych. Bez odpowiedniego zaplecza takie projekty albo działają zbyt wolno, albo zostają w fazie prototypu.
Lokalność infrastruktury nie jest tu dodatkiem wizerunkowym. Jeśli dane pozostają w europejskiej przestrzeni prawnej, łatwiej kontrolować, kto ma do nich dostęp, gdzie są przetwarzane i na jakich zasadach. W świecie, w którym coraz więcej instytucji uzależnia się od globalnych usług technologicznych, takie projekty są częścią szerszej rozmowy o suwerenności cyfrowej. Myślę, że w Polsce zbyt długo traktowaliśmy ją jak hasło z dokumentów strategicznych. Dopiero przy AI widać, że chodzi o bardzo praktyczne pytanie: czy potrafimy budować własne narzędzia do pracy z danymi, których nie chcemy oddawać poza własną kontrolę?
Dokument jako pole bitwy dla sztucznej inteligencji
CAISE koncentruje się szczególnie na inteligentnym przetwarzaniu dokumentów cyfrowych w języku polskim. Administracja publiczna, zdrowie, edukacja czy wymiar sprawiedliwości funkcjonują na dokumentach. Nie na modnych dashboardach, nie na prezentacjach o transformacji cyfrowej, ale na opisach, formularzach, aktach, notatkach, decyzjach, raportach, skanach, obrazach diagnostycznych i hybrydowych plikach, w których tekst miesza się z obrazem.
Dla człowieka dokument jest czymś oczywistym. Patrzymy na stronę i widzimy tytuł, tabelę, podpis, wykres, listę zadań, fragment opisu, pieczątkę. Dla komputera to często zbiór pikseli, znaków i układów, które trzeba dopiero zinterpretować. Sztuczna inteligencja może pomóc w tej interpretacji, ale sama nie wystarczy. Potrzebne są modele, dane treningowe, mechanizmy oceny jakości, API, środowisko wdrożeniowe i integracja z systemami, których instytucje już używają.
Przykłady usług rozwijanych na platformie dobrze pokazują ten kierunek. Jedna z nich analizuje notatki medyczne i przekształca je w graf wiedzy, czyli strukturę pokazującą relacje między chorobami, lekami, objawami, procedurami i wskaźnikami medycznymi. W praktyce taka usługa może pomóc porządkować nieustrukturyzowaną dokumentację, porównywać różne przypadki, wychwytywać zależności i analizować większe zbiory danych. Nie zastępuje lekarza, i dobrze, że tego nie obiecuje. Jej rola jest inna: wydobyć z tekstu to, co w natłoku dokumentacji może umykać lub wymagać żmudnej pracy człowieka.
Inny demonstrator zrealizowany na platformie CAISE dotyczy pseudoanonimizacji plików DICOM, czyli obrazów medycznych używanych między innymi w tomografii komputerowej i rezonansie magnetycznym. Chodzi o zastąpienie wrażliwych danych pacjenta pseudoidentyfikatorami, tak aby można było prowadzić badania, rozwijać narzędzia AI lub przetwarzać obrazy bez niepotrzebnego odsłaniania danych osobowych.
Prawo, edukacja i medycyna – trzy światy z podobnym problemem
Na pierwszy rzut oka sąd, szkoła i szpital mają niewiele wspólnego. W praktyce wszystkie trzy obszary toną w dokumentach i wszystkie potrzebują narzędzi, które potrafią lepiej rozumieć język, strukturę i kontekst.
W obszarze prawa CAISE rozwija usługi NLP, czyli przetwarzania języka naturalnego, pozwalające wydobywać z dokumentów prawnych czynności, role podmiotów, stany i powtarzalne schematy. Dla legislatorów może to oznaczać łatwiejsze porównywanie regulacji i wykrywanie niespójności. Dla prawników oraz instytucji – szybszą analizę obowiązków, uprawnień i procesów ukrytych w gęstym języku przepisów.
W edukacji przykładem jest analiza układu dokumentu, na przykład strony podręcznika. System może rozpoznawać elementy takie jak tekst, obraz, tabele czy listy zadań, a następnie opisywać ich położenie. Dla ucznia to brzmi może abstrakcyjnie, ale dla wydawnictwa lub twórców e-learningu może być początkiem automatycznego przekształcania statycznych materiałów w bardziej interaktywne zasoby cyfrowe. Podręcznik przestaje być tylko skanem strony, a zaczyna być zbiorem danych, który można przeszukiwać, adaptować i udostępniać w różnych formach.
W ochronie zdrowia stawką jest z kolei połączenie analizy tekstu z bezpieczeństwem danych i obrazowaniem medycznym. Tu trzeba zachować szczególną ostrożność. AI w medycynie zbyt łatwo bywa opowiadana językiem cudownego przyspieszenia diagnostyki. Bardziej przekonuje mnie spokojniejsza perspektywa: narzędzia tego typu mogą wspierać porządkowanie dokumentacji, przygotowanie danych do badań, wspomaganie tworzenia notatek medycznych, wykrywanie nieznaych relacji i ochronę informacji wrażliwych.
Dlaczego otwarte oprogramowanie i brak vendor lock-in są tu tak istotne?
Jednym z ważnych założeń CAISE jest korzystanie z otwartego oprogramowania i ograniczanie ryzyka vendor lock-in, czyli uzależnienia od jednego dostawcy technologii. To pojęcie często pojawia się w branżowych rozmowach, ale jego konsekwencje są bardzo życiowe. Gdy instytucja buduje system wyłącznie wokół zamkniętego ekosystemu, z czasem może się okazać, że zmiana dostawcy jest zbyt droga, migracja zbyt trudna, a rozwój ograniczony przez decyzje biznesowe podejmowane poza tą instytucją.
W sektorze publicznym taki powyższy scenariusz bywa szczególnie problematyczny. Dane nie są zwykłym zasobem firmowym, a usługi publiczne nie powinny być zakładnikiem licencji, cenników i infrastruktury, nad którą państwo lub instytucja nie ma realnej kontroli. Otwartość nie rozwiązuje wszystkich problemów, ale daje większą przejrzystość, możliwość audytu, elastyczność i szansę na budowanie kompetencji lokalnie.
CAISE idzie w stronę platformy, na której można tworzyć własne modele AI, dostrajać istniejące rozwiązania, pracować z lokalnymi modelami fundacyjnymi, zarządzać kodem i kontenerami, prowadzić automatyczne testy oraz wdrożenia. Od strony użytkownika końcowego może to pozostać niewidoczne. Od strony instytucji i firm, które mają budować usługi, jest to różnica między jednorazowym zamkniętym narzędziem a środowiskiem stopniowego rozwoju.
Projekt CAISE jako most między nauką a wdrożeniem
Platforma powstaje w ramach projektu CAISE realizowanego na Politechnice Gdańskiej przy udziale Centrum Informatycznego TASK i Wydziału Elektroniki, Telekomunikacji i Informatyki. W przedsięwzięcie zaangażowani są również partnerzy reprezentujący obszary, w których usługi mają być sprawdzane w praktyce: ochronę zdrowia, wymiar sprawiedliwości i oświatę.
Dobrze zaprojektowana platforma AI nie może powstawać wyłącznie przy biurku informatyków. Potrzebuje danych sektorowych, realnych przypadków użycia, testów, informacji zwrotnej i zderzenia z codziennością instytucji. Dokument medyczny, akt prawny czy podręcznik szkolny mają własną logikę, słownictwo, wyjątki i pułapki. Model, który świetnie radzi sobie z ogólnym tekstem, niekoniecznie poradzi sobie z epikryzą, skanem strony albo przepisem, w którym jedno zdanie potrafi zawierać kilka warunków i wyjątków.
Projekt CAISE ma więc znaczenie nie tylko technologiczne, ale też organizacyjne. Łączy zespoły badawcze, infrastrukturę obliczeniową, firmy i sektorowe potrzeby. Prace prowadzone są konsekwentnie, zgodnie z założonymi etapami, z prezentacją demonstratorów usług, realizacją procedur walidacyjnych i mają być ukończone już w październiku tego roku. To mniej efektowne niż premiera aplikacji z gotowym przyciskiem dla każdego użytkownika, ale właśnie tak zwykle wygląda tworzenie technologii, która ma działać w miejscach, gdzie pomyłka kosztuje więcej niż zły wynik wyszukiwania.
Po co to komu, skoro mamy globalne chmury?
To pytanie pewnie pojawi się szybko, bo globalne chmury już istnieją, mają ogromne zasoby, gotowe narzędzia i budżety, z którymi trudno konkurować. Odpowiedź nie polega jednak na udawaniu, że Polska czy Europa zbudują z dnia na dzień alternatywę dla całego świata big techu. Chodzi raczej o to, by w wybranych, strategicznych obszarach mieć własne kompetencje, własną infrastrukturę i własne środowiska tworzenia usług.
Sektor publiczny nie jest typowym klientem technologii. Musi myśleć o ciągłości działania, bezpieczeństwie, zgodności z prawem, przejrzystości i kontroli nad danymi. Musi też obsługiwać język polski, lokalne procedury, lokalne dokumenty i systemy, które często mają długą historię. Uniwersalne narzędzie z globalnej półki może być świetne do wielu zastosowań, ale nie zawsze wystarczy tam, gdzie trzeba rozumieć kontekst instytucjonalny i prawny, czy uwzględnić jego specyfikę.
CAISE nie jest więc odpowiedzią na wszystkie problemy cyfryzacji. Takie zdanie byłoby zbyt łatwe i zbyt gładkie. Bardziej uczciwie brzmi: to próba zbudowania zaplecza, dzięki któremu polskie instytucje i firmy będą mogły tworzyć usługi AI bliżej własnych danych, własnego języka i własnych regulacji. A to już sporo, zwłaszcza w czasie, gdy sztuczna inteligencja coraz wyraźniej staje się częścią infrastruktury państwa, a nie tylko dodatkiem do wyszukiwarki, ale to jeszcze za mało dla konkretnych złożonych realizacji przedsięwzięć.
Cicha infrastruktura może zmienić więcej niż głośne aplikacje
W technologii często bardziej pamiętamy nazwy aplikacji niż nazwy platform, na których te aplikacje działają. To zrozumiałe. Użytkownik widzi interfejs, przycisk, wynik analizy, wygenerowane podsumowanie. Rzadziej widzi serwerownię, repozytorium danych, proces trenowania modelu, kontrolę jakości, automatyczne testy, API czy mechanizmy bezpieczeństwa. A jednak bez tej warstwy cała reszta jest dekoracją.
CAISE należy właśnie do tej mniej widocznej, ale bardzo ważnej warstwy. Ma dawać środowisko do tworzenia usług, które mogą pomóc w analizie dokumentów medycznych, ochronie danych obrazowych, porządkowaniu treści edukacyjnych, interpretacji dokumentów prawnych i budowaniu kolejnych narzędzi dla sektora publicznego. Popularnonaukowo można powiedzieć, że to cyfrowe laboratorium i warsztat w jednym: miejsce, gdzie AI nie jest tylko modelem, ale częścią większego procesu.
Nie każdy projekt chmurowy odmieni administrację. Nie każda usługa AI skróci kolejki, uporządkuje dokumenty i naprawi procedury. Technologia zawsze trafia w konkretną organizację, z jej przyzwyczajeniami, ograniczeniami i budżetami. Ale trudno nie zauważyć, że nowy kierunek rozwoju jest potrzebny. Jeśli sztuczna inteligencja ma realnie wspierać sektor publiczny, musi wyjść poza poziom efektownych demonstracji i wejść w miejsca, gdzie pracuje się na trudnych danych, wymaga się odpowiedzialnych decyzjach i poprawnej interpretacji dokument, od których naprawdę wiele zależy.
CAISE pokazuje, że polska odpowiedź na AI może zaczynać się od infrastruktury, narzędzi i usług budowanych z myślą o konkretnych problemach. Przyszłość cyfrowego państwa nie rozstrzygnie się wyłącznie w rozmowie z algorytmem. Rozstrzygnie się także w tym, kto ma dostęp do danych, gdzie są one przetwarzane, jak powstają modele i czy potrafimy zbudować technologię, której nie tylko używamy, ale którą naprawdę rozumiemy.
