AI-SCI Lokalne LLM • RAG • Edge AI
O mnie

Witold Ściuk – inżynierskie podejście do AI

Łączę ponad 30 lat doświadczenia w programowaniu i optymalizacji z praktycznym wdrażaniem lokalnych modeli AI, automatyzacji dokumentów i edge AI.

Założyciel AI-SCI

Technologia ma rozwiązywać problem, a nie tylko dobrze wyglądać na prezentacji.

Nazywam się Witold Ściuk. Jestem programistą i inżynierem oprogramowania, a AI-SCI stworzyłem jako miejsce dla praktycznych wdrożeń sztucznej inteligencji: lokalnych modeli językowych, pracy z dokumentami, automatyzacji procesów oraz rozwiązań edge AI.

Przez lata zajmowałem się systemami, w których liczą się wydajność, poprawność i przewidywalne działanie. To samo podejście stosuję do AI: najpierw analizuję proces i ograniczenia, potem dobieram model, architekturę i sposób wdrożenia.

Nie proponuję AI tam, gdzie prostsza automatyzacja, wyszukiwarka albo klasyczny algorytm będzie tańszy i bardziej niezawodny.

Doświadczenie i specjalizacja

Na czym opieram projekty AI-SCI

Inżynieria oprogramowania

Wieloletnia praca z C++, programowaniem wielowątkowym, algorytmami równoległymi i optymalizacją wydajności nauczyła mnie patrzeć na rozwiązanie jako całość: od danych i architektury po testy, utrzymanie i koszty działania.

Lokalne AI i dokumenty

Projektuję środowiska z lokalnymi modelami LLM, systemy RAG oraz procesy analizy i generowania dokumentów. Szczególną wagę przykładam do prywatności danych, jakości odpowiedzi i możliwości działania bez pełnego uzależnienia od zewnętrznej chmury.

Edge AI i analiza obrazu

Rozwijam także rozwiązania działające blisko źródła danych, między innymi systemy wizyjne wykorzystujące Raspberry Pi i akceleratory AI. Pozwala to analizować obraz lokalnie, z krótkim czasem reakcji i większą kontrolą nad nagraniami.

Szkolenia i konsultacje

Przekładam złożone zagadnienia na decyzje, które można zastosować w firmie. Szkolenia i konsultacje obejmują zarówno podstawy AI dla biznesu, jak i techniczne aspekty LLM, RAG, architektury, bezpieczeństwa oraz wydajności.

Praktyczne zaplecze

Własne środowisko testowe

Rozwiązania sprawdzam na własnej infrastrukturze obejmującej stacje GPU, serwery obliczeniowe oraz platformy edge AI. Dzięki temu mogę porównywać modele, mierzyć wydajność, testować pracę na języku polskim i oceniać ograniczenia przed uruchomieniem rozwiązania u klienta.

  • lokalne modele językowe i środowiska on-premise,
  • przetwarzanie PDF, DOCX i firmowych baz wiedzy,
  • testy RAG, jakości odpowiedzi i wydajności,
  • edge AI, kamery i akceleratory sprzętowe.
Sposób pracy

Najpierw sens, potem technologia

  1. Analiza problemuProces, dane, ograniczenia i oczekiwany rezultat.
  2. Mały demonstratorSprawdzenie jakości oraz ryzyk bez budowania od razu dużego systemu.
  3. Pomiary i testyOcena wyników, wydajności, kosztów i stabilności.
  4. Pilotaż i wdrożenieIntegracja z rzeczywistą pracą użytkowników i dalszy rozwój.
Dalszy krok

Chcesz przejść do kolejnego kroku?

Przejdź do kontaktu i opisz krótko, czego potrzebujesz. Przygotuję sensowny kierunek działania.

Kontakt