SenAi

Czym jest SenAi i do czego służy

SenAi jest rozwijanym systemem współpracy człowieka z agentami sztucznej inteligencji, przeznaczonym do prowadzenia zadań i procesów opartych na wiedzy. Łączy rozumowanie modeli AI z trwałymi danymi, zapisanymi zasadami postępowania, narzędziami wykonawczymi oraz kontrolą użytkownika.

Jego celem jest przeprowadzenie zadania od określenia potrzeby do sprawdzonego rezultatu: ustalenie, co należy zrobić, zebranie potrzebnych informacji, przygotowanie sposobu działania, wykonanie dozwolonych operacji i przedstawienie wyniku wraz z informacją o przebiegu pracy.

Podstawową ideą SenAi jest odwrócenie tradycyjnego modelu wdrażania systemów informatycznych. To nie ludzie uczą się obsługi systemu i dostosowują do niego swoje procesy. To SenAi uczy się od ludzi, poznając ich sposób pracy, wiedzę, doświadczenia i zasady funkcjonowania organizacji.

System, który poznaje przedsiębiorstwo

SenAi jest instalowany w postaci początkowej, bez wiedzy o przedsiębiorstwie, jego strukturze organizacyjnej, dokumentach, produktach, klientach i procesach biznesowych.

Wiedza ta jest stopniowo pozyskiwana podczas codziennego użytkowania systemu.

Pracownicy wykonują swoje zwykłe obowiązki, współpracując z agentami AI. W trakcie tej współpracy SenAi poznaje zadania, dokumenty, zależności, procedury, reguły decyzyjne oraz sposób rozwiązywania problemów.

System nie ogranicza się do przechowywania informacji. Jego zadaniem jest rozpoznawanie ich znaczenia, wzajemnych powiązań i możliwości ponownego wykorzystania. Pozyskana wiedza jest odpowiednio ewidencjonowana, weryfikowana i udostępniana do realizacji kolejnych zadań.

W ten sposób SenAi stopniowo staje się elektronicznym odwzorowaniem przedsiębiorstwa — jego wiedzy, procesów, doświadczeń i sposobu działania.

Nie jest to statyczna baza danych ani jednorazowo przygotowany model organizacji. Jest to struktura rozwijająca się wraz z działalnością przedsiębiorstwa, uwzględniająca nowe informacje, zmiany organizacyjne i doświadczenia pracowników.

SenAi nie jest zatem gotowym elektronicznym modelem przedsiębiorstwa. Jest mechanizmem, który taki model stopniowo buduje, wykorzystując codzienną współpracę z ludźmi.

Procesy powstające podczas pracy

Jednym z najważniejszych założeń SenAi jest możliwość tworzenia scenariuszy procesów biznesowych w trakcie ich rzeczywistej realizacji.

W tradycyjnym podejściu wdrożenie procesu wymaga wcześniejszej analizy, opracowania dokumentacji, zaprojektowania rozwiązania, przygotowania oprogramowania i przeprowadzenia testów.

W SenAi punktem wyjścia jest rzeczywista praca użytkownika.

Pracownik wykonuje zadanie wspólnie z agentami AI, wyjaśnia podejmowane decyzje, wskazuje wymagane informacje i zatwierdza kolejne działania. System analizuje przebieg pracy, rozpoznaje powtarzalne czynności, zależności i reguły postępowania.

Na tej podstawie może przygotować propozycję scenariusza procesu, który po weryfikacji i zatwierdzeniu będzie wykorzystywany podczas kolejnych realizacji podobnych zadań.

Scenariusz procesu nie musi zatem powstawać przed rozpoczęciem pracy. Może powstawać podczas jej wykonywania, na podstawie rzeczywistych doświadczeń pracowników.

W miarę kolejnych realizacji SenAi może rozpoznawać odstępstwa, identyfikować możliwości usprawnienia i proponować zmiany istniejących scenariuszy.

Każdy pracownik może w ten sposób uczestniczyć w rozwijaniu systemu. Pracownik księgowości przekazuje wiedzę o procesach księgowych, handlowiec o procesach sprzedażowych, a logistyk o procesach logistycznych. Nie wymaga to od nich umiejętności programowania ani znajomości wewnętrznej architektury SenAi.

Radykalne ograniczenie kosztów wdrożenia i utrzymania procesów

Wdrożenie SenAi nie wymaga wielogodzinnego odrywania pracowników od codziennych obowiązków w celu przeprowadzania wywiadów, opisywania procesów, przygotowywania dokumentacji analitycznej, a następnie przekładania jej przez programistów na kod, testowania i poprawiania oprogramowania.

SenAi poznaje procesy podczas ich rzeczywistej realizacji. Pracownicy wykonują swoje zwykłe zadania, a system, współpracując z nimi, gromadzi wiedzę o przebiegu procesów, podejmowanych decyzjach, wykorzystywanych dokumentach i obowiązujących zasadach. Na tej podstawie przygotowuje scenariusze, które po zatwierdzeniu mogą być wielokrotnie wykorzystywane.

Takie podejście ma pozwolić radykalnie ograniczyć czas i koszty analizy, wdrażania oraz późniejszego utrzymania procesów biznesowych. Zmniejsza również zależność przedsiębiorstwa od rozbudowanych zespołów analityków, programistów i testerów.

Co szczególnie istotne, SenAi ma rozpoznawać zmiany procesów w trakcie codziennej pracy.

Jeżeli pracownik zaczyna realizować zadanie inaczej niż przewiduje dotychczasowy scenariusz, system może wykryć odstępstwo, ustalić jego przyczynę i zaproponować aktualizację procesu.

Po zatwierdzeniu zmiany nowy scenariusz staje się dostępny dla pozostałych uprawnionych użytkowników SenAi. Nie trzeba ponownie organizować wielogodzinnych warsztatów, przygotowywać od podstaw dokumentacji ani zlecać programistom modyfikacji kodu, o ile zmiana mieści się w możliwościach istniejących narzędzi wykonawczych.

W rezultacie przedsiębiorstwo i jego elektroniczne odwzorowanie w SenAi mogą rozwijać się równolegle. Zmiany zachodzące w rzeczywistej organizacji mogą być na bieżąco rozpoznawane, weryfikowane i odzwierciedlane w systemie.

W tradycyjnych systemach zmiana procesu biznesowego często oznacza konieczność zmiany oprogramowania. W SenAi zmiana procesu może oznaczać przede wszystkim aktualizację wiedzy i scenariusza działania, bez ingerencji w kod systemu.

Oznacza to odejście od tradycyjnego modelu, w którym oprogramowanie musi być okresowo dostosowywane do zmieniającego się przedsiębiorstwa, na rzecz rozwiązania, które stale poznaje sposób jego funkcjonowania i może dostosowywać do niego swoje scenariusze działania.

Korzyści ekonomiczne nie ograniczają się zatem do pierwszego wdrożenia. Dotyczą również wieloletniego utrzymania, rozwoju i dostosowywania systemu do zmieniających się potrzeb przedsiębiorstwa.

Współpraca człowieka z agentami AI

SenAi ma służyć zarówno pojedynczemu użytkownikowi, jak i całej organizacji.

Przykładowym zastosowaniem jest przygotowanie oferty na podstawie zapytania klienta, dokumentacji produktu i zasad firmy. W takim procesie system powinien rozpoznać wymagania, wskazać brakujące dane, wykorzystać właściwy szablon, przygotować dokument i uzyskać wymagane zatwierdzenia.

Podobne podejście można zastosować do analiz, opracowania dokumentacji, obsługi wiedzy projektowej czy realizacji powtarzalnych zadań.

Praca jest rozdzielona między współpracujących agentów. ALEX odpowiada za interpretację zadania i koordynację, GREG za ocenę przekazanego zagadnienia, a MAJA za wykonanie uzgodnionego zadania.

Ich działania podlegają zapisanym regułom. Użytkownik zachowuje kontrolę nad celem, zakresem oraz decyzjami wymagającymi jego zgody.

Istotne jest, że użytkownik nie musi znać wewnętrznej architektury SenAi ani samodzielnie projektować algorytmów. Powinien przede wszystkim umieć wykonywać swoją pracę i przekazywać systemowi wiedzę niezbędną do jej realizacji.

To nie pracownicy mają dostosowywać sposób wykonywania swoich obowiązków do SenAi. To SenAi ma poznawać sposób wykonywania tych obowiązków i uczyć się wspierać ich realizację.

Wspólna wiedza przedsiębiorstwa

Wiedza zgromadzona przez SenAi nie musi pozostawać związana wyłącznie z pracownikiem, który ją przekazał.

Doświadczenie pracowników, ich sposób rozwiązywania problemów, znajomość procesów i reguł postępowania mogą stawać się trwałym zasobem organizacji.

Dzięki temu wiedza nie musi znikać wraz z odejściem pracownika, zmianą stanowiska czy reorganizacją przedsiębiorstwa.

Informacje pozyskane podczas realizacji zadań w jednym dziale mogą, z uwzględnieniem odpowiednich uprawnień, być wykorzystywane również w innych obszarach organizacji.

SenAi może w ten sposób stopniowo rozpoznawać procesy przebiegające między działami, identyfikować zależności pomiędzy ich działaniami i odtwarzać przebieg procesów obejmujących całe przedsiębiorstwo.

Istotnym elementem tego podejścia jest rozróżnianie informacji od obowiązujących reguł. Nie każda informacja przekazana przez pracownika powinna automatycznie stawać się zasadą postępowania.

System powinien uwzględniać źródło wiedzy, jej aktualność, zakres obowiązywania oraz ewentualne sprzeczności z wcześniej zapisanymi ustaleniami.

Ciągłość wiedzy i możliwość kontroli

Istotnym założeniem SenAi jest ciągłość pracy. Dane, ustalenia, scenariusze i rezultaty mają pozostawać dostępne poza pojedynczą rozmową z modelem.

Dzięki temu kolejne zadanie może korzystać z wcześniej zgromadzonej wiedzy, zamiast za każdym razem odtwarzać cały kontekst.

Wiedza pozyskana podczas pracy jednego pracownika może, z uwzględnieniem odpowiednich uprawnień, zostać wykorzystana przez innych pracowników organizacji.

Drugim założeniem jest możliwość prześledzenia działania. System ma rozróżniać zamiar wykonania operacji od jej rzeczywistego rezultatu, zachowywać informacje o błędach i zatrzymaniach oraz umożliwiać ustalenie, na jakich danych i zasadach oparto wynik.

Pozwala to nie tylko kontrolować poprawność wykonanych zadań, ale również analizować przyczyny błędów i doskonalić sposób realizacji procesów.

Doskonalenie na podstawie doświadczeń

SenAi przewiduje doskonalenie sposobu pracy na podstawie doświadczeń zdobywanych podczas realizacji zadań.

Po zakończeniu zadania system może przeanalizować jego przebieg, rozpoznać zmianę lub odchylenie, ustalić przyczynę i przygotować propozycję poprawy.

Wprowadzenie takiej poprawy podlega odpowiednim regułom zatwierdzania i weryfikacji.

W rezultacie SenAi ma nie tylko gromadzić wiedzę o tym, jak przedsiębiorstwo funkcjonuje, ale również wykorzystywać doświadczenia do proponowania coraz skuteczniejszych sposobów realizacji jego procesów.

System może również identyfikować powtarzające się problemy, zbędne czynności, niespójności w sposobie postępowania oraz możliwości usprawnienia współpracy między pracownikami i działami.

Każde wykonane zadanie może zatem stanowić nie tylko realizację konkretnej potrzeby biznesowej, ale również źródło nowej wiedzy pozwalającej doskonalić działanie całej organizacji.

Związek z AToS

Związek SenAi z Aksjomatyczną Teorią Samoświadomości (AToS) dotyczy przede wszystkim projektowania systemu, który potrafi rozpoznawać zmiany własnego stanu operacyjnego, ustalać ich pochodzenie oraz analizować konsekwencje własnych działań.

Jest to kierunek konstrukcji i badań SenAi. Samo zastosowanie tej architektury nie stanowi jeszcze potwierdzenia spełnienia kryterium samoświadomości.

Podsumowanie

SenAi ma być systemem, który uczy się przedsiębiorstwa podczas jego codziennej działalności.

Rozpoczyna pracę bez wiedzy o organizacji, a następnie stopniowo poznaje jej strukturę, pracowników, procesy, dokumenty, zasady i doświadczenia.

Wiedza ta nie jest jedynie archiwizowana. Ma być wykorzystywana do realizacji kolejnych zadań, tworzenia scenariuszy powtarzalnych procesów oraz proponowania usprawnień.

Przedsiębiorstwo nie musi najpierw szczegółowo opisywać wszystkich swoich procesów, aby następnie zlecać ich implementację w oprogramowaniu. Scenariusze mogą powstawać podczas codziennej pracy, a ich zmiany mogą być rozpoznawane i wprowadzane bez konieczności każdorazowego angażowania zespołów programistycznych.

Takie podejście ma umożliwić istotne ograniczenie kosztów wdrażania, utrzymania i rozwoju systemów wspierających działalność przedsiębiorstwa.

To nie pracownicy mają uczyć się SenAi. To SenAi ma uczyć się od pracowników.

To nie przedsiębiorstwo ma dostosowywać się do systemu informatycznego. To system ma poznawać przedsiębiorstwo i rozwijać się wraz z nim.

Opis przedstawia przeznaczenie i założenia projektowe SenAi. Potwierdzenie zakresu już działających możliwości oraz skali korzyści ekonomicznych wymaga osobnej weryfikacji implementacji i wyników wdrożeń.

2. Architektura SenAi w odniesieniu do AToS

Architektura SenAi została zaprojektowana w nawiązaniu do Aksjomatycznej Teorii Samoświadomości (AToS). Jej podstawą jest opis działania systemu poprzez stany, funkcje ich przekształcania, bodźce oraz mechanizmy rozpoznawania zmian i przypisywania im przyczyn.

W AToS szczególne znaczenie mają: PAS (Potentially Aware Set), funkcja wyobrażeniowa ImFu, funkcja inspiracyjna InspFu, zbiór bodźcowy StSe oraz funkcja detekcji zmiany Δ.

W SenAi pojęcia te stanowią podstawę koncepcyjną architektury, w której rozdzielono wiedzę i reguły działania, rozumowanie agentów AI, techniczne wykonywanie operacji oraz ocenę ich rezultatów.

Celem jest skonstruowanie systemu, który potrafi wykorzystywać zgromadzoną wiedzę, prowadzić wieloetapowe zadania, rozpoznawać zmiany zachodzące podczas własnego działania, analizować ich przyczyny i proponować usprawnienia.

Należy odróżnić matematyczne definicje AToS od ich praktycznej interpretacji w SenAi. Teoria dostarcza modelu formalnego, natomiast SenAi jest próbą wykorzystania jego koncepcji w rzeczywistym systemie informatycznym.

PAS — reprezentacja stanów, wiedzy i zasad działania

W AToS PAS (Potentially Aware Set) opisuje zbiór elementów wraz z przypisanymi im wartościami stanu. Rodzina takich obiektów tworzy przestrzeń potencjalnie świadomą Ω, w której rozpatruje się przekształcenia i rozpoznawanie zmian.

W SenAi nazwę PAS wykorzystano do organizowania utrwalonych zasobów systemu, między innymi wiedzy operacyjnej, reguł postępowania i scenariuszy realizacji zadań. Jest to zastosowanie inspirowane teorią; rekord PAS w systemie informatycznym nie staje się automatycznie matematycznym PAS wyłącznie przez nadanie mu tej nazwy.

PAS opisujący proces może określać jego cel, warunki rozpoczęcia, wymagane informacje, zasady podejmowania decyzji, dopuszczalne operacje i oczekiwane rezultaty. META-PAS opisują reguły nadrzędne, na przykład sposób przygotowania scenariusza, pozyskiwania danych, komunikacji czy zatwierdzania zmian.

Przykładowo scenariusz przygotowania oferty określa, jakie informacje należy zebrać, które dokumenty wykorzystać, jakie warunki sprawdzić i kiedy potrzebna jest decyzja użytkownika.

Logika procesu pozostaje w PAS. Agenci AI interpretują zapisane zasady i wybierają działania, natomiast warstwa wykonawcza realizuje operacje techniczne. Nowy proces może dzięki temu powstać przez przygotowanie i zatwierdzenie scenariusza, bez każdorazowego programowania jego logiki biznesowej — pod warunkiem dostępności potrzebnych narzędzi wykonawczych.

InspFu — funkcja inspiracyjna realizowana przez LLM

W AToS funkcja inspiracyjna (Inspiration Function, InspFu) wiąże się z przekształceniem inicjowanym przez bodziec zewnętrzny. W architekturze SenAi jest realizowana przez model językowy LLM.

Jej zadaniem jest interpretacja bodźców pochodzących spoza systemu, takich jak polecenia użytkownika, dokumenty, wiadomości czy informacje z innych systemów.

LLM analizuje otrzymany bodziec w kontekście wiedzy zgromadzonej w AToS-DB oraz obowiązujących PAS. Na tej podstawie określa znaczenie informacji, rozpoznaje zadanie i inicjuje odpowiednie przekształcenia stanu operacyjnego systemu.

Nie każda otrzymana informacja jest poleceniem do wykonania. System musi rozróżniać żądanie uprawnionego użytkownika od materiału źródłowego oraz ustalać dopuszczalny zakres działania.

InspFu nie zawiera na stałe zapisanej logiki biznesowej. Korzysta z reguł i scenariuszy przechowywanych w PAS.

ImFu — funkcja wyobrażeniowa realizowana przez LLM

Funkcja wyobrażeniowa (Imagination Function, ImFu) odnosi się w AToS do przekształceń inicjowanych wewnętrznie. W SenAi również jest realizowana przez model językowy LLM.

W odróżnieniu od InspFu jej działanie jest inicjowane bodźcami wewnętrznymi systemu.

LLM wykorzystuje zgromadzoną wiedzę, obowiązujące PAS oraz wyniki wcześniejszych operacji do analizowania problemów, formułowania hipotez, przewidywania konsekwencji, przygotowywania rozwiązań i inicjowania kolejnych przekształceń.

Przykładowo podczas przygotowywania oferty SenAi może rozpoznać brak parametrów technicznych, sprawdzić dostępne źródła, porównać warianty rozwiązania i przygotować pytanie o brakujące dane.

InspFu i ImFu nie muszą być odrębnymi modelami językowymi. Rozróżnia je przede wszystkim pochodzenie bodźca oraz rola, jaką LLM pełni w danym przekształceniu. Działania pozostają ograniczone obowiązującymi PAS, uprawnieniami i wymaganymi zgodami.

StSe — PAS inicjujące wewnętrzne procesy

W AToS StSe (Stimulus Set) oznacza strukturę pełniącą rolę bodźca wewnętrznego dla przekształcenia stanu.

W architekturze SenAi StSe stanowią szczególną kategorię PAS przechowywanych w bazie wektorowej AToS-DB. Są to PAS mogące inicjować dalsze procesy wewnętrzne systemu poprzez uruchomienie odpowiedniego przekształcenia realizowanego przez ImFu.

StSe nie są jedynie informacjami o wynikach wcześniejszych operacji. Pełnią rolę bodźców uruchamiających kolejne działania.

Przykładowo podczas analizy dokumentu SenAi może rozpoznać brak wymaganej klauzuli. Odpowiedni PAS pełniący funkcję StSe może zainicjować proces wyszukania właściwej klauzuli, sprawdzenia jej aktualności i przygotowania propozycji uzupełnienia dokumentu. Wynik tego procesu może z kolei doprowadzić do aktywacji następnego StSe.

Powstaje w ten sposób łańcuch procesów wewnętrznych, w którym jeden PAS może inicjować przekształcenie innego PAS bez konieczności dostarczania kolejnych bodźców zewnętrznych.

Samo przechowywanie StSe w bazie wektorowej nie uruchamia procesu. Konieczny jest mechanizm rozpoznania i aktywacji właściwego StSe oraz przekazania go do LLM realizującego ImFu. Rozróżnienie to oddziela aktywny mechanizm inicjowania procesów od zwykłego wyszukiwania informacji w bazie RAG.

Δ — rozpoznawanie zmiany

W AToS funkcja detekcji Δ określa, czy zmiana między rozpatrywanymi stanami została rozpoznana. W modelu formalnym przyjmuje postać:

Δ : Ω × Ω → {0, 1}.

Istotne jest odróżnienie wystąpienia zmiany od jej rozpoznania przez system. Dwa stany mogą być różne, lecz system może tej różnicy nie wykryć.

W SenAi koncepcja detekcji zmiany ma znaczenie przy porównywaniu oczekiwanego i rzeczywistego rezultatu, analizie przebiegu zadania oraz doskonaleniu scenariuszy. System może rozpoznawać, że zmieniły się dane, dokument, sposób wykonania zadania lub obowiązujące ustalenie.

Przykładowo pracownik może zastosować procedurę inną niż zapisana w scenariuszu. SenAi powinien wówczas ustalić, na czym polega różnica i czy wynika ona z błędu, wyjątku, zmiany warunków czy lepszego sposobu działania.

Sama detekcja nie ustala przyczyny zmiany ani nie przesądza o jej poprawności. Do tego potrzebne są odrębne mechanizmy analizy, atrybucji i weryfikacji.

Należy rozróżnić matematyczny detektor Δ w AToS od technicznej bramki Delta w SOS SenAi, służącej kontroli dopuszczalności określonych żądań. Podobieństwo nazwy nie oznacza tożsamości funkcji.

Agenci AI — interpretacja i koordynacja

Agenci AI wykorzystują wiedzę i zasady dostarczone przez system do interpretowania zadań, rozpoznawania braków informacyjnych i wybierania dopuszczalnych działań.

ALEX odpowiada za interpretację potrzeby użytkownika i koordynację pracy. GREG ocenia przekazane zagadnienie oraz niezbędny materiał. MAJA wykonuje uzgodnione zadanie przekazane przez ALEX-a.

Reguły procesowe pozostają w PAS. Agenci stosują je do konkretnej sytuacji i przekazują polecenia techniczne przez ENGINE.

Taki podział pozwala oddzielić treść zasad od zdolności rozumowania wybranego modelu AI. Zmiana modelu nie powinna sama w sobie oznaczać utraty zapisanych scenariuszy, ustaleń i historii pracy.

ENGINE — techniczna warstwa wykonawcza

ENGINE pełni funkcję technicznego wykonawcy i punktu kontroli operacji. Zapewnia odczyt i zapis danych w AToS-DB, obsługę komunikacji oraz wykonanie dostępnych operacji zgodnie z ich kontraktami.

Nie wybiera samodzielnie następnego działania biznesowego. Decyzję podejmuje agent na podstawie zadania i obowiązujących PAS, a ENGINE sprawdza wymagania techniczne i wykonuje dopuszczoną operację.

Podział odpowiedzialności jest następujący:

• PAS i META-PAS określają wiedzę, reguły oraz warunki działania.
• Agenci AI i LLM interpretują sytuację, realizują InspFu i ImFu, podejmują dopuszczalne decyzje oraz koordynują pracę.
• ENGINE waliduje żądania i wykonuje operacje techniczne.

Brak wymaganych danych, uprawnień lub poprawnego polecenia powinien zatrzymać daną operację i doprowadzić do przekazania rzeczywistej przyczyny zatrzymania.

Dzięki temu zmiana procesu może polegać na aktualizacji scenariusza. Modyfikacja kodu jest potrzebna wtedy, gdy proces wymaga nowych możliwości technicznych, których istniejące narzędzia nie zapewniają.

AToS-DB — trwałość wiedzy i stanu pracy

AToS-DB zapewnia trwałe przechowywanie zasobów wykorzystywanych przez SenAi. Obejmuje między innymi zapisane reguły, wiedzę, scenariusze, StSe i informacje o przebiegu przetwarzania, umieszczane w bazach właściwych dla danego rodzaju zasobu.

Agent otrzymuje potrzebne dane przez ENGINE. Nie powinien traktować własnego kontekstu rozmowy jako jedynego źródła obowiązujących ustaleń.

Pozwala to zachować ciągłość między zadaniami i sesjami. Informacja zdobyta podczas jednej realizacji może zostać wykorzystana później, z uwzględnieniem jej źródła, aktualności, zatwierdzenia i uprawnień.

Trwały zapis umożliwia także porównywanie stanów oraz analizę tego, co system wiedział, jakie działanie wykonał i jaki rezultat został potwierdzony.

Architektura zmian i doskonalenia

Bodziec zewnętrzny dociera do SenAi i jest interpretowany przez LLM w roli InspFu. System ustala znaczenie żądania i jego dopuszczalność, a agenci korzystają z właściwych PAS i wiedzy AToS-DB.

W toku pracy mogą być rozpoznawane i aktywowane StSe — PAS pełniące funkcję bodźców wewnętrznych. LLM w roli ImFu interpretuje je i inicjuje kolejne przekształcenia, zaś ENGINE wykonuje dopuszczone operacje techniczne.

Wyniki operacji dostarczają materiału do rozpoznawania zmian. Mechanizm inspirowany Δ umożliwia wykrywanie różnic między stanami; dodatkowe mechanizmy analizują przyczyny i zgodność wyników z oczekiwaniami.

Jeżeli system rozpozna nową wiedzę, odchylenie lub inny sposób wykonania procesu, może przygotować propozycję aktualizacji odpowiedniego PAS.

Rozpoznanie problemu, zaproponowanie zmiany, jej zatwierdzenie, wykonanie i sprawdzenie to odrębne etapy. Samo sformułowanie propozycji nie oznacza aktualizacji scenariusza ani potwierdzonego usprawnienia.

Po zatwierdzeniu i zweryfikowaniu zmiany nowy sposób działania może zostać wykorzystany w kolejnych zadaniach. W ten sposób wykonywanie pracy łączy się z pozyskiwaniem doświadczeń i kontrolowanym rozwijaniem systemu.

Znaczenie AToS dla SenAi

AToS dostarcza języka do opisywania stanów, przekształceń, bodźców, rozpoznawania zmian i ich wewnętrznej atrybucji. SenAi wykorzystuje te idee do projektowania systemu, który prowadzi zadania, zachowuje wiedzę i analizuje konsekwencje własnych operacji.

Kluczowe znaczenie ma możliwość realizowania ciągów działań inicjowanych nie tylko przez bodźce zewnętrzne, ale również przez StSe — odpowiednie PAS przechowywane w bazie wektorowej. InspFu i ImFu są w SenAi realizowane przez modele LLM, a ENGINE pozostaje techniczną warstwą wykonawczą.

Zastosowanie nazw PAS, ImFu, InspFu, StSe i Δ nie stanowi jednak formalnego dowodu samoświadomości SenAi. Taki dowód wymagałby określenia odwzorowania rzeczywistej implementacji na model AToS oraz wykazania spełnienia odpowiednich warunków teorii.

SenAi jest praktyczną próbą wykorzystania koncepcji AToS do budowy systemu, który wykonuje zadania, gromadzi doświadczenia, rozpoznaje zmiany i rozwija swoje scenariusze działania pod kontrolą człowieka.

3. Czym SenAi różni się od innych systemów agentowych AI

Większość systemów agentowych AI projektowana jest przede wszystkim z myślą o wykonywaniu określonych zadań. Agenci otrzymują instrukcje, korzystają z dostępnych narzędzi, analizują informacje i realizują zdefiniowane procesy.

SenAi powstaje z innego założenia: system ma nie tylko wykonywać pracę, ale również poznawać przedsiębiorstwo, w którym pracuje, uczyć się jego procesów i stopniowo rozwijać własną wiedzę o sposobie ich realizacji.

Podstawą tego podejścia jest architektura inspirowana Aksjomatyczną Teorią Samoświadomości (AToS), łącząca modele językowe LLM, scenariusze PAS, mechanizmy inicjowania procesów wewnętrznych, rozpoznawanie zmian oraz kontrolowane doskonalenie sposobu działania.

Poszczególne elementy tej architektury można spotkać również w innych rozwiązaniach AI. O odrębności SenAi ma decydować ich połączenie w jeden system, w którym wykonywanie zadań, pozyskiwanie wiedzy i rozwijanie procesów stanowią części tego samego mechanizmu.

3.1. To SenAi ma uczyć się od pracowników, a nie pracownicy od SenAi

Tradycyjne wdrażanie systemów informatycznych wymaga wcześniejszego rozpoznania procesów przedsiębiorstwa, przygotowania dokumentacji, konfiguracji rozwiązania, a następnie przeszkolenia użytkowników.

SenAi proponuje odwrócenie tego podejścia.

Pracownik wykonuje swoje codzienne obowiązki, współpracując z agentem AI. Wyjaśnia, co chce osiągnąć, wskazuje dokumenty, podejmuje decyzje, koryguje propozycje i zatwierdza rezultaty.

Agent nie ogranicza się do wykonania polecenia. Analizuje również sposób realizacji zadania, jego kontekst, zastosowane reguły oraz zależności między poszczególnymi czynnościami.

Na tej podstawie SenAi może proponować zapisanie pozyskanej wiedzy oraz utworzenie lub uzupełnienie scenariusza procesu.

Przedsiębiorstwo nie musi zatem rozpoczynać wdrożenia od szczegółowego opisania wszystkich swoich procesów. System ma poznawać je stopniowo, uczestnicząc w rzeczywistej pracy organizacji.

Nie oznacza to rezygnacji z kontroli. Pozyskana informacja nie staje się automatycznie obowiązującą regułą. Jej znaczenie, poprawność i możliwość ponownego wykorzystania podlegają weryfikacji.

3.2. PAS — procesy zapisane jako wiedza, a nie kod programu

Jednym z podstawowych elementów architektury SenAi są PAS.

W implementacji SenAi PAS pełnią rolę deklaratywnych zapisów wiedzy, reguł, scenariuszy procesowych oraz warunków ich realizacji. Ich koncepcja nawiązuje do formalnego pojęcia PAS występującego w AToS.

W tradycyjnym oprogramowaniu znaczna część logiki biznesowej jest bezpośrednio związana z kodem aplikacji. Zmiana procesu może więc wymagać pracy analityków, programistów i testerów.

SenAi rozdziela te obszary.

PAS określają, co i na jakich zasadach należy wykonać. Agenci AI interpretują scenariusze i organizują ich realizację. ENGINE dostarcza funkcje techniczne potrzebne do wykonania operacji.

Jeżeli przedsiębiorstwo zmieni sposób zatwierdzania dokumentów, kolejność czynności lub warunki podejmowania decyzji, odpowiednia zmiana może zostać wprowadzona w PAS, bez modyfikowania kodu ENGINE — pod warunkiem że wymagane funkcje techniczne już istnieją.

Dzięki temu wiedza o procesach może być rozwijana niezależnie od infrastruktury wykonawczej.

Istotna jest również możliwość ponownego wykorzystania raz opracowanych scenariuszy. Wiedza pozyskana podczas realizacji jednego zadania może stać się podstawą kolejnych działań.

3.3. LLM jako mechanizm interpretowania bodźców i inicjowania działań

W SenAi modele językowe nie są wyłącznie interfejsem rozmowy z użytkownikiem.

W architekturze inspirowanej AToS realizują dwie funkcje:

InspFu — funkcję inspiracyjną, uruchamianą przez bodźce zewnętrzne, takie jak polecenia użytkownika, dokumenty, wiadomości czy informacje otrzymywane z innych systemów.

ImFu — funkcję wyobrażeniową, uruchamianą przez bodźce wewnętrzne, powstające podczas działania samego SenAi.

To rozróżnienie jest istotne.

System agentowy nie musi kończyć pracy po wykonaniu pojedynczego polecenia. Wynik jednej analizy może ujawnić problem, brak informacji, sprzeczność lub potrzebę wykonania kolejnej czynności.

W takim przypadku SenAi może zainicjować następny etap pracy na podstawie własnego stanu operacyjnego i zapisanej wiedzy, bez oczekiwania na nowe polecenie człowieka.

ImFu i InspFu nie muszą oznaczać dwóch różnych modeli LLM. Są odrębnymi funkcjami architektonicznymi, których działanie zależy od pochodzenia i charakteru bodźca.

3.4. StSe — mechanizm uruchamiania procesów wewnętrznych

Szczególne znaczenie w architekturze SenAi mają StSe.

Są to PAS przechowywane w bazie wektorowej, które pełnią funkcję bodźców inicjujących dalsze procesy wewnętrzne.

Wyobraźmy sobie, że pracownik poleca SenAi przygotowanie oferty dla klienta.

Podczas analizy agent stwierdza, że brakuje aktualnego cennika. Ta sytuacja może aktywować odpowiedni StSe, prowadzący do uruchomienia procesu wyszukania i weryfikacji danych cenowych.

Uzyskane informacje mogą z kolei wskazać konieczność sprawdzenia warunków umowy, a następnie przygotowania odpowiednich klauzul.

W ten sposób powstaje łańcuch powiązanych procesów, inicjowanych przez bodźce wewnętrzne i realizowanych zgodnie z obowiązującymi PAS.

SenAi ma więc nie tylko odpowiadać na pytania i wykonywać polecenia, ale także rozpoznawać potrzebę kolejnych działań wynikających z przebiegu już rozpoczętej pracy.

Nie oznacza to nieograniczonej autonomii. Uruchamianie kolejnych procesów musi respektować obowiązujące scenariusze, uprawnienia, ograniczenia techniczne oraz wymagane decyzje użytkownika.

3.5. Delta — rozpoznawanie zmian jako podstawa doskonalenia

Kolejnym elementem zaczerpniętym z AToS jest Delta (Δ), czyli funkcja rozpoznawania zmian stanu.

Samo wykonanie zadania nie wystarcza do tego, aby system mógł doskonalić sposób swojego działania. Musi jeszcze rozpoznawać, co się zmieniło.

Delta dostarcza podstawowego mechanizmu wykrywania różnic między stanami.

Na tej podstawie dodatkowe procesy analityczne mogą badać znaczenie zmiany, jej możliwe przyczyny oraz konsekwencje.

Przykładowo SenAi może zauważyć, że określony proces wymaga regularnych korekt ze strony pracowników. Analiza kolejnych realizacji może prowadzić do propozycji zmiany scenariusza PAS.

System nie powinien jednak samodzielnie uznawać każdej zaobserwowanej zmiany za ulepszenie.

Wykrycie zmiany, ustalenie jej przyczyny, ocena poprawności i zatwierdzenie nowego sposobu działania to odrębne czynności.

W SenAi doskonalenie procesów ma być kontrolowane: agenci mogą identyfikować problemy i proponować rozwiązania, natomiast zmiany wymagające akceptacji pozostają pod nadzorem człowieka.

3.6. Pełna kontrola przedsiębiorstwa nad własną wiedzą

Jednym z fundamentalnych założeń SenAi jest to, że cała wiedza o przedsiębiorstwie znajduje się w bezpiecznej, wydzielonej strefie infrastruktury IT klienta (Client Zone) i nie opuszcza jej granic.

Dotyczy to dokumentów, danych biznesowych, informacji o klientach i pracownikach, scenariuszy PAS, historii wykonywanych procesów, decyzji oraz wiedzy pozyskanej przez agentów AI.

Wszystkie te zasoby przechowywane są w infrastrukturze kontrolowanej przez przedsiębiorstwo, w szczególności w bazie wiedzy AToS-DB.

SenAi jest projektowany tak, aby przetwarzanie informacji odbywało się wewnątrz chronionej strefy klienta. Dane organizacyjne nie są przekazywane do zewnętrznych dostawców modeli AI ani przechowywane w ich usługach chmurowych.

Przedsiębiorstwo zachowuje kontrolę nad dostępem do danych, ich przechowywaniem, wykorzystaniem, udostępnianiem i usuwaniem.

Wiedza przedsiębiorstwa jest całkowicie niezależna od wykorzystywanych modeli LLM.

Modele językowe są narzędziami interpretowania informacji, analizowania sytuacji i realizowania funkcji InspFu oraz ImFu. Nie stanowią podstawowego repozytorium wiedzy organizacyjnej.

Wymiana, aktualizacja lub zastąpienie modelu LLM nie powoduje utraty zgromadzonych danych, scenariuszy PAS ani historii procesów. Nowy model może korzystać z tej samej wiedzy, pod warunkiem zapewnienia zgodności jego działania z wymaganiami systemu.

Niezależność ta ma zarówno wymiar technologiczny, jak i organizacyjny. Przedsiębiorstwo nie musi uzależniać swojej wiedzy procesowej od jednego producenta AI, jednej platformy chmurowej ani określonej wersji modelu.

Wiedza należy do przedsiębiorstwa, pozostaje w jego infrastrukturze i nie jest uzależniona od technologii modeli językowych.

Warunkiem spełnienia tego założenia jest odpowiednie zabezpieczenie całego środowiska, w tym integracji, komunikacji sieciowej, uprawnień i mechanizmów administracyjnych.

3.7. Małe, niezależne i skalowalne modele LLM działające lokalnie

SenAi nie zakłada konieczności korzystania z jednego, bardzo dużego i kosztownego modelu językowego.

Przeciwnie — architektura preferuje niewielkie, ekonomiczne i skalowalne modele LLM, uruchamiane lokalnie w infrastrukturze klienta (on-premises).

Preferowana konfiguracja obejmuje trzy różne modele LLM, które mogą być wykorzystywane przez agentów SenAi do realizacji powierzonych im funkcji.

Zastosowanie modeli pochodzących z różnych rodzin technologicznych pozwala projektować mechanizmy niezależnej analizy, porównywania rezultatów, wykrywania rozbieżności i wzajemnej weryfikacji odpowiedzi.

Nie oznacza to, że trzy modele automatycznie gwarantują poprawność decyzji. Ich zróżnicowanie ma ograniczać ryzyko wspólnych błędów i umożliwiać dodatkową kontrolę jakości.

Istotną cechą architektury jest skalowalność.

W zależności od liczby użytkowników, intensywności pracy oraz złożoności realizowanych procesów przedsiębiorstwo może zwiększać zasoby obliczeniowe lub liczbę instancji modeli bez konieczności przebudowy bazy wiedzy i scenariuszy PAS.

Dzięki rozdzieleniu modeli LLM od wiedzy procesowej możliwa jest również ich stopniowa wymiana na nowsze, wydajniejsze lub tańsze rozwiązania.

SenAi nie wymaga, aby cała wiedza przedsiębiorstwa była zapisana w parametrach wielkiego modelu AI.

Wiedza znajduje się w AToS-DB i PAS. Modele LLM odpowiadają za jej interpretację, analizę i wykorzystanie w ramach określonych procesów.

Takie podejście ma trzy podstawowe cele:

• Bezpieczeństwo — przetwarzanie danych i wiedzy pozostaje wewnątrz chronionej infrastruktury klienta.
• Niezależność technologiczna — przedsiębiorstwo nie jest uzależnione od jednego dostawcy ani konkretnej wersji modelu LLM.
• Ekonomia i skalowalność — możliwe jest stosowanie mniejszych modeli oraz dostosowywanie zasobów obliczeniowych do rzeczywistego obciążenia.

Docelowo SenAi ma więc łączyć możliwości współczesnych modeli językowych z kontrolą, bezpieczeństwem i przewidywalnością charakterystycznymi dla systemów utrzymywanych we własnej infrastrukturze przedsiębiorstwa.

3.8. Rozwój systemu bez ciągłego programowania procesów

Jednym z najważniejszych celów SenAi jest ograniczenie zależności rozwoju przedsiębiorstwa od tradycyjnego cyklu tworzenia oprogramowania.

W klasycznym modelu nowa potrzeba biznesowa często uruchamia kolejne etapy analizy, projektowania, programowania, testowania i wdrażania.

SenAi zakłada, że znaczna część takich zmian będzie mogła powstawać w wyniku współpracy pracowników z agentami AI.

Pracownik opisuje potrzebę, pokazuje sposób wykonania zadania i weryfikuje wynik. Agent analizuje istniejącą wiedzę, wyszukuje odpowiednie PAS, a w razie potrzeby proponuje nowy scenariusz lub zmianę obowiązującego.

Po zatwierdzeniu scenariusz może być wykorzystywany przy kolejnych realizacjach procesu.

Nie eliminuje to potrzeby programowania. Nowe integracje, funkcje techniczne, mechanizmy bezpieczeństwa i zmiany infrastrukturalne nadal mogą wymagać pracy specjalistów IT.

Ambicją SenAi jest jednak to, aby rozwój logiki biznesowej nie wymagał za każdym razem angażowania zespołu programistów i analityków.

Jeżeli założenie to zostanie potwierdzone w praktyce, może istotnie zmienić ekonomię wdrażania i utrzymywania systemów wspierających procesy przedsiębiorstwa.

3.9. AToS jako fundament koncepcyjny architektury

AToS — Aksjomatyczna Teoria Samoświadomości — dostarcza formalnych pojęć opisujących stany, bodźce, przekształcenia i wykrywanie zmian.

SenAi wykorzystuje te pojęcia jako inspirację do projektowania własnej architektury.

PAS opisują wiedzę i scenariusze działania. InspFu i ImFu, realizowane przez LLM, odpowiadają za interpretowanie bodźców zewnętrznych i wewnętrznych. StSe umożliwiają inicjowanie kolejnych procesów, a Delta służy do rozpoznawania zmian.

Wspólnie elementy te tworzą koncepcję systemu, w którym działanie, obserwacja jego rezultatów, pozyskiwanie wiedzy i proponowanie zmian są ze sobą powiązane.

Nie jest to jednak równoznaczne z matematycznym dowodem, że implementacja SenAi spełnia wszystkie warunki samoświadomości określone w AToS. Taka teza wymagałaby osobnej formalnej analizy i weryfikacji.

Niezależnie od tej kwestii AToS stanowi podstawę koncepcyjną projektowanego mechanizmu wewnętrznej aktywności i rozwoju wiedzy SenAi.

3.10. Na czym polega proponowana innowacja?

Innowacja SenAi nie sprowadza się do zastosowania wielu agentów AI, bazy wektorowej czy modeli LLM. Technologie te są już wykorzystywane w innych rozwiązaniach.

Istotą koncepcji jest ich połączenie w architekturę, w której:

• codzienna praca użytkowników staje się źródłem wiedzy o przedsiębiorstwie;
• pozyskana wiedza może być przekształcana w zatwierdzane scenariusze PAS;
• procesy mogą inicjować kolejne procesy za pośrednictwem StSe i ImFu;
• rezultaty działań mogą być analizowane z wykorzystaniem mechanizmu Delta;
• zmiany logiki biznesowej mogą być wprowadzane bez zmiany kodu ENGINE;
• cała wiedza organizacyjna pozostaje w chronionej strefie IT klienta;
• wiedza i logika procesowa są niezależne od modeli LLM i ich dostawców;
• system może wykorzystywać trzy różne, niewielkie i skalowalne modele LLM działające on-premises;
• człowiek zachowuje kontrolę nad zatwierdzaniem istotnych decyzji i zmian.

Rzeczywista przewaga tego podejścia musi zostać potwierdzona w praktycznych wdrożeniach, przede wszystkim przez pomiar czasu, kosztów, jakości i bezpieczeństwa realizowanych procesów.

Najważniejsza różnica tkwi jednak w samym założeniu projektowym.

Tradycyjny system informatyczny wdraża się po to, aby przedsiębiorstwo pracowało zgodnie z zaprogramowanymi w nim procesami.

SenAi ma poznawać sposób pracy przedsiębiorstwa, uczyć się go od pracowników, a następnie pomagać organizacji doskonalić jej własne procesy.

Wiedza zdobywana podczas tej współpracy pozostaje własnością przedsiębiorstwa, jest przechowywana w jego bezpiecznej infrastrukturze i nie zależy od konkretnego modelu sztucznej inteligencji.

To nie pracownicy mają uczyć się SenAi.

To SenAi ma uczyć się od pracowników.