Blog /AI

Chcesz nadążać za zmianami, jakie sztuczna inteligencja wprowadza do tworzenia i zarządzania stronami internetowymi? W tej kategorii znajdziesz przystępne materiały o AI — od chatbotów i narzędzi generujących treści, przez moduły AI w Drupalu, po wyjaśnienia kluczowych pojęć, które ułatwią Ci świadome korzystanie z nowych technologii.

Publikujemy zarówno artykuły z przykładami wdrożeń w realnych projektach, jak i praktyczne wskazówki dotyczące wykorzystania AI do poprawy doświadczeń użytkowników czy automatyzacji pracy zespołów. Jeśli chcesz lepiej rozumieć aktualne trendy i szukasz pomysłów na usprawnienia swoich cyfrowych rozwiązań, ta kategoria dostarczy Ci inspiracji i aktualnej wiedzy.

Wyszukiwanie informacji, pisanie treści, korekta, optymalizacja SEO, przygotowywanie tagów - to wszystko pochłania znaczną część czasu redakcji. A co, gdyby dużą część tych zadań mogła wykonać sztuczna inteligencja bezpośrednio w systemie Drupal? W artykule przedstawiam praktyczne rozwiązanie umożliwiające automatyczne wyszukiwanie informacji na podstawie tytułu, generowanie tagów, tworzenie treści i pobieranie szczegółowych danych. Wszystko to bezpośrednio w CMS-ie, bez konieczności przełączania się między różnymi narzędziami. Zapraszam do przeczytania wpisu lub obejrzenia odcinka z cyklu Nowoczesny Drupal.

Przetwarzanie dokumentów AI zmienia sposób zarządzania treścią w Drupalu. Dzięki integracji z AI Automators, Unstructured.io i modelami GPT, zespoły redakcyjne mogą zautomatyzować żmudne zadania jak ekstrakcja metadanych, dopasowywanie taksonomii i generowanie streszczeń. To case study pokazuje, jak BetterRegulation wdrożyło automatyzację dokumentów AI na platformie Drupal 11, osiągając ponad 95% dokładności i 50% oszczędności czasu pracy redakcyjnej.

Piątek, godzina 14:00. Nowy developer, bug na produkcji. Coś nie działa z custom queue workerem. Dawniej oznaczało to szukanie poprzedniego developera, konsultacje, tracenie czasu – wszystko w piątek. Teraz? Developer pyta sztuczną inteligencję i AI odpowiada sensownie, bo zna projekt. Jak? Wystarczy jeden plik: AGENTS.md.

Attu to potężne narzędzie, które znacznie upraszcza pracę z wektorową bazą danych Milvus. Zamiast pisać kod Python lub używać API, możesz zarządzać kolekcjami, wyszukiwać wektory i monitorować system za pomocą intuicyjnego interfejsu graficznego. Dzięki Attu praca z Milvus staje się dostępna nie tylko dla doświadczonych programistów, ale także dla analityków danych i osób zarządzających projektami AI.

Współczesne intranety firmowe przechowują ogromne ilości dokumentów, procedur, instrukcji i wiedzy organizacyjnej. Tradycyjne wyszukiwanie oparte na słowach kluczowych często zawodzi, gdy użytkownik szuka informacji, używając innych terminów niż te, które występują w dokumentach. Problem: pracownik szuka "jak skonfigurować dostęp do systemu płatności", ale dokument zawiera frazę "konfiguracja integracji płatniczej". Rozwiązanie: RAG (ang. Retrieval-Augmented Generation) z wektorową bazą danych, które umożliwia wyszukiwanie semantyczne. 

Wektorowe bazy danych (ang. Vector Databases) stały się kluczowym elementem nowoczesnych aplikacji AI w Drupalu. Dzięki integracji z modułem AI Search, umożliwiają one semantyczne wyszukiwanie treści, redukcję halucynacji w chatbotach AI oraz implementację zaawansowanych funkcji RAG (ang. Retrieval Augmented Generation). Wybór odpowiedniego dostawcy VDB może znacząco wpłynąć na wydajność, koszty i skalowalność rozwiązania AI w Twoim projekcie na Drupalu.

Twój chatbot AI działa idealnie — wyszukuje odpowiednie dokumenty, ocenia ich jakość i generuje trafne odpowiedzi. Jednak miesięczny rachunek OpenAI wynosi 3000 USD, a analiza logów ujawnia niepokojącą tendencję: 30% zapytań to proste pytania, takie jak „Czym jesteś?” lub „Witaj”, które uruchamiają cały kosztowny proces RAG. Każde „Cześć” kosztuje 0,05 USD i zajmuje 25 sekund, aby przetworzyć pełne wyszukiwanie wektorowe, ocenę dokumentu i generację LLM dla powitania.

Twój zespół marketingowy właśnie opublikował ważną aktualizację zasad. Dwie godziny później użytkownik pyta chatbota AI o nową politykę, a ten z przekonaniem podaje wyjaśnienia ze starej wersji, zupełnie nieświadomy, że coś się zmieniło. Zdezorientowany użytkownik, który właśnie przeczytał na stronie coś innego, zgłasza się do pomocy technicznej z pytaniem, dlaczego chatbot „nie działa”. Twój zespół wyjaśnia, że wymaga on ręcznego indeksowania, a to odbędzie się dopiero w nocy. Zaufanie użytkownika do systemu AI znacznie spada.

Rozpoczynasz nowy projekt RAG i stoisz przed decyzją, która będzie miała wpływ na najbliższe 6–12 miesięcy: skorzystać z frameworka takiego jak LangChain czy budować bezpośrednio z wykorzystaniem API OpenAI? W Internecie można znaleźć sprzeczne porady. W wątkach na X LangChain jest określany jako „przesadny” i „zbyt abstrakcyjny”. W postach blogowych autorzy chwalą jego dojrzałe wzorce i ekosystem. Twój zespół jest podzielony między opcją „działajmy szybko z frameworkiem” a „powinniśmy kontrolować nasz własny kod”?

Zaczyna się tak: użytkownik wpisuje „Jak zresetować hasło?” i czeka… 25 sekund… 30 sekund… po czym rezygnuje i wysyła wiadomość e-mail do pomocy technicznej. Za kulisami chatbot AI ma właściwą odpowiedź, ale jest zbyt wolny, zbyt kosztowny, a użytkownicy odchodzą. Najnowszy rachunek za API? 5000 dolarów, głównie za wielokrotne odpowiadanie na te same kilkanaście pytań.

MG 1202 Blur

Porozmawiajmy o Twoich projektach