Praca Architekta AI: projekty, wyzwania i rozwój

Wraz z rosnącą rolą AI/ML w biznesie oraz większym zainteresowaniem wykorzystaniem AI, organizacje coraz częściej potrzebują osób, które potrafią połączyć technologię, dane i cele biznesowe w spójną i efektywną architekturę systemów AI, ale również programować i wdrażać rozwiązania w praktyce oraz zadbać o ich optymalizację.

W tym wywiadzie rozmawiamy z Alanem, Architektem AI/ML w Sii Warszawa, który od lat projektuje i wdraża rozwiązania AI/ML, GenAI oraz systemy data-driven w środowiskach produkcyjnych. Jeśli ten obszar jest kierunkiem, w którym i Ty chcesz się rozwijać, sprawdź aktualne oferty pracy w Sii. 

Kim jest Architekt AI/ML?  

Jak w kilku zdaniach opisałbyś swoją rolę?  

Architekt AI/ML to rola, która w praktyce wykracza poza samo projektowanie architektury systemów i używanie narzędzi opartych na sztucznej inteligencji. W zależności od projektu łączy kompetencje tech leada, software developera, DevOpsa, a czasem także analityka danych. Ja postrzegam ten temat zgodnie z definicją Gartnera, czyli architekt IT odpowiada za projektowanie rozwiązań łączących potrzeby biznesowe z możliwościami technologicznymi.

Architekt AI/ML patrzy na system całościowo, kierując się swoim doświadczeniem w projektowaniu i wdrażaniu, podejmuje decyzje technologiczne i bierze odpowiedzialność za ich długofalowe konsekwencje. Niezbędna jest do tego duża wiedza techniczna. Kluczowe jest również balansowanie pomiędzy kodem, danymi, architekturą oraz biznesem. Nawet najlepsze rozwiązanie AI bez wdrożenia produkcyjnego pozostaje jedynie proof of concept.  

Jak wygląda Twój typowy dzień pracy? Co w tej roli bywa frustrujące? 

Nie ma jednego „typowego” dnia pracy, ponieważ moja rola łączy elementy architektury, software developmentu, pracy z danymi oraz współpracy z biznesem. Część dnia to spotkania projektowe, konsultacje z zespołami ML, data engineeringu czy DevOps, a część to projektowanie architektury systemów AI/ML oraz przeglądy techniczne.

W praktyce dużo czasu zajmuje podejmowanie decyzji, które mają długofalowe konsekwencje dla całego ekosystemu software’owego – od wyboru technologii, przez sposób przetwarzania danych, po strategię wdrożenia modeli AI/ML na produkcję.

Co mnie frustruje? Ilość spotkań i czasem sztywność procesów, nie każdy projekt musi wyglądać tak samo. Jednak aktywnie pracujemy nad tym, żeby to zmieniać.  

Jakie kompetencje są kluczowe dla tego stanowiska AI? 

Umiejętność adaptacji i znajomość wielu technologii, bo to pozwala porozumieć się z innymi zespołami i architektami przy wypracowywaniu wspólnych rozwiązań.

Kilka rad dla aspirujących architektów: ucz się szeroko, nie tylko głęboko, dotykaj różnych technologii. Zrozum cały cykl życia projektu, od danych, przez model, po deployment i monitoring. Naucz się czytać cudzy kod, będziesz więcej czytać niż pisać. I szukaj projektów, gdzie możesz wziąć odpowiedzialność end-to-end. Nie bój się mówić “nie wiem”. Popełniaj błędy, ale wyciągaj z nich wnioski. 

 Jakie umiejętności poza techniczne są ważne w tej roli? 

Przez lata musiałem wypracować całe spektrum kompetencji miękkich. Organizacja pracy i zarządzanie czasem. Prowadzenie konstruktywnych dyskusji. Negocjacje i radzenie sobie w sytuacjach konfliktowych. Umiejętność pracy z różnymi ludźmi, z odmiennych dziedzin i kultur, rozumienie ich perspektyw. Szczególnie ważna jest komunikacja, czyli umiejętność tłumaczenia technicznego na biznesowe i vice versa, po to, żeby obie strony naprawdę się rozumiały. Przekonywanie innych do swojego pomysłu to nie manipulacja – to wyjaśnianie i wspólne odkrywanie rozwiązań, a aktywne słuchanie, empatia i zdolność do adaptacji do różnych stylów komunikacji w zespole, to fundamenty budowania zaufania.

Można być genialnym programistą, ale jeśli nie umiesz rozmawiać z ludźmi i przedstawiać swojego pomysłu, to ciężko będzie przekonać innych, żeby poszli za Tobą. Umiejętności poza techniczne to nie dodatek, to rdzeń warsztatu architekta. Bez nich nawet najlepsze decyzje techniczne mogą się nie zmaterializować w rzeczywistych rozwiązaniach. To też jest to, co wyróżnia architektów, którzy realnie wpływają na organizację, od tych, którzy zostają na etapie propozycji.  

Jakie cechy osobowości pomagają, a które utrudniają bycie dobrym architektem?  

Co pomaga: ciekawość, cierpliwość (nad którą nadal pracuję), empatia i umiejętność słuchania.

Co przeszkadza? Perfekcjonizm – nie da się zrobić wszystkiego idealnie i trzeba się z tym pogodzić, bo zawsze pojawiają się kompromisy.  

Czym różni się Architekt AI/ML od Data Scientista i AI Engineera?  

Data Scientist oraz AI Engineer koncentrują się na konkretnych obszarach, takich jak analiza danych, trenowanie modeli czy budowa pipeline’ów ML. Architekt AI/ML łączy te perspektywy i projektuje cały ekosystem AI – od danych, przez modele, po integrację z systemami biznesowymi. Kluczowa jest umiejętność „łączenia kropek” pomiędzy systemami AI/ML oraz zrozumienie wpływu jednego komponentu na cały software ecosystem.

Na początku projektu zadaję pytania, które pomagają nakreślić problem i określić jego ramy: Jaki jest horyzont czasowy? Czy rozwiązanie będzie działać, gdy load wzrośnie kilkukrotnie? Co się stanie, gdy dane się zmienią? Jak je monitorować? Te pytania to dopiero początek, ale pozwalają one zrozumieć z czym mamy do czynienia i w jakim kierunku iść dalej.  

Projektowanie systemów AI/ML  

Jak wygląda proces projektowania architektury AI/ML?  

Zaczynam zawsze od danych. Oceniam skąd pochodzą, jakiej są jakości, jak są przechowywane oraz jak wygląda ich realny przepływ w organizacji. Kluczowe jest zrozumienie nie tego, jak procedura mówi, że powinno działać, ale jak naprawdę to działa. Często okazuje się, że dane funkcjonują częściowo poza systemami – w Excelach, dokumentach czy manualnych procesach. To ma ogromny wpływ na to, czy projekt AI/ML w ogóle ma szansę powodzenia.

Kolejny krok to zrozumienie problemu biznesowego: Co dokładnie chcemy osiągnąć? Jak zmierzymy sukces? Czy rzeczywiście potrzebujemy modelu językowego, czy wystarczy prostsze rozwiązanie?

Dopiero później przychodzi czas na decyzje architektoniczne i technologiczne. Każdy projekt jest inny, więc i podejście musi być dostosowane do sytuacji. Każdy projekt bazujący na AI wymaga także nie tylko pracy z modelami, ale również solidnej inżynierii systemowej. 

Jakie decyzje architektoniczne są kluczowe w projektach AI/ML?  

W projektach AI/ML podejmujemy wiele decyzji, które mają długofalowe konsekwencje. Musimy sobie odpowiedzieć na pytania: Czy budować własne rozwiązanie, czy użyć gotowego? Jak dane mają przepływać w procesie i gdzie będą przechowywane? Ile złożoności dodać teraz, a ile zostawić na później? Czy przetwarzać na bieżąco czy hurtowo?

Jest jedna pułapka, na którą szczególnie uważam: wybór technologii bazowej za wcześnie. Często z wybraną technologią zostajemy na dłużej. Ta decyzja podjęta zbyt szybko potrafi ciągnąć się przez cały projekt i zacząć stwarzać problemy. Przy każdym pomyśle staram się zastanowić: czy możemy tego rozwiązania opartego na sztucznej inteligencji użyć ponownie w innym miejscu? Czy czegoś podobnego już nie robimy w innym systemie? Jak ograniczyć pracę, żeby nie duplikować wysiłku? Staram się widzieć połączenia między systemami, których inni mogą nie zauważyć.  

AI w biznesie  

Dlaczego firmy coraz częściej inwestują w AI/ML?  

Firmy wdrażają rozwiązania AI/ML od lat, jednak popularyzacja GenAI i modeli takich jak ChatGPT sprawiła, że sztuczna inteligencja stała się bardziej zrozumiała i dostępna dla biznesu. Technologia jest namacalna dla każdego, ale jednocześnie pojawiła się tendencja do wykorzystywania jej tam, gdzie nie zawsze jest to uzasadnione. Rola Architekta polega również na tym, aby jasno powiedzieć, kiedy AI/ML ma sens biznesowy, a kiedy klasyczne podejście będzie skuteczniejsze. Dobrze zaprojektowane rozwiązania AI/ML mogą jednak realnie zwiększać ROI i automatyzować procesy.  

Jak godzisz wymagania biznesowe z ograniczeniami technicznymi?  

Staram się szukać rozwiązań zamiast mówić, że czegoś się nie da. Czasem realizacja wymaga więcej czasu, zmian w procesach albo innego podejścia niż zakładano. Jeśli coś jest niemożliwe w danym momencie, proponuję alternatywę: na przykład rozpoczęcie zbierania danych i powrót do tematu za kilka miesięcy. W komunikacji z klientem biznesowym unikam żargonu technicznego, używam za to analogii i przykładów, które pokazują skalę problemu. Chodzi o wspólne zrozumienie ograniczeń, a nie o udowadnianie racji.  

Jakie ryzyka najczęściej pojawiają się w projektach AI? Możesz podać przykład?  

W projektach AI pojawia się mnóstwo problemów, a ich identyfikacja i zarządzanie wymaga dojrzałego podejścia. Wymienię kilka obszarów, które najczęściej obserwuję: braki w architekturze systemów, niedoinwestowanie w infrastrukturę, niedostateczne planowanie capacity.

Jednak to problem z danymi pozostaje najczęstszym, najbardziej powszechnym i niedocenianym ryzykiem w całej branży AI, praktycznie wszechobecnym wyzwaniem, które dotyka większość projektów. Firmy zbierają dane latami, ale bez spójnych zasad. Brak informacji o tym, kto zmieniał dane i kiedy, utrata ważnych informacji podczas migracji, lub dane, które w ogóle niczego nie reprezentują i są pełne szumu albo brakuje im jakiejkolwiek konsekwencji logicznej.

Dodatkową złożoność wprowadza skala i rozproszenie danych. Pracujemy z bazami zawierającymi setki tysięcy rekordów, pochodzą one z kilkunastu różnych systemów i aplikacji, każdy z własnym formatem, kodowaniem i słownikiem pojęć. Brakuje informacji o zmianach, pojawia się szum, niespójności, migracje niszczą część historii.

Przykład z mojej praktyki: proces zakładał jeden template dokumentu do wprowadzania danych. Przez lata ten dokument sam ewoluował, był modyfikowany podczas wypełniania, tworzone były alternatywne wersje. Skończyliśmy z kilkoma tysiącami wersji „tego samego” dokumentu. Niby mamy dane, ale wyciągnięcie z nich wspólnych wniosków jest bardzo trudne. Na początku projektu sprawdzamy: co jest w danych, jak wyglądają, czego brakuje i zderzamy to z procesem oraz rzeczywistym przepływem informacji. Obecnie pomaga nam też w tym GenAI, niektóre problemy można łatwiej zaadresować.  

W jaki sposób oceniasz, czy rozwiązanie AI faktycznie wnosi wartość biznesową?  

Patrzę na wartość bezpośrednią: oszczędność czasu, redukcję kosztów, automatyzację procesów. Ale wartość to także rozwój kompetencji zespołu i poprawa jakości danych w całym ekosystemie. Jeden projekt AI może pozytywnie wpłynąć na wiele innych systemów.  

AI Engineer – jakie technologie wykorzystuje?  

Jakie technologie są najważniejsze w Twojej pracy? Co jest przereklamowane, a co niedoceniane?  

Kluczowe kryterium przy wyborze narzędzi to dojrzałość, czyli aktywna społeczność, uznanie na rynku, realne wdrożenia produkcyjne. GenAI wywraca sytuację do góry nogami. Kiedyś łatwo było zidentyfikować wartościowe biblioteki – kilkaset do kilku tysięcy gwiazdek na GitHub, aktywny rozwój. Teraz coś nowego pojawia się i w ciągu kilku tygodni ma kilkanaście tysięcy gwiazdek tylko dlatego, że jest związane z GenAI. Widać w tym brak dojrzałości. Nowe narzędzia pojawiają się błyskawicznie i zdobywają popularność, ale nie zawsze idzie za tym stabilność.

Co jest przereklamowane? Przekonanie, że GenAI rozwiąże każdy problem. Czasem wystarczy prosty algorytm albo odpowiedni regex. RAG to świetna technologia, ale do konkretnych zastosowań, nie jako uniwersalne rozwiązanie na wszystko.

Co jest niedoceniane? Monitoring i observability w ML. Proste heurystyki i rule-based systems. Data governance. A jeśli już używamy LLM, to przygotowanie odpowiednich danych oraz systematyczna ewaluacja wyników z modeli.  

Jak wygląda współpraca z innymi zespołami?  

Projekty AI/ML często angażują kilka zespołów: badawczy, aplikacyjny, backendowy, MLOps. W naszym zespole łączymy te role, ale współpracujemy również z integracją, infrastrukturą, front-endem i QA.  

Jak podchodzisz do MLOps i monitorowania modeli?  

Monitoring to podstawa utrzymania modeli na produkcji. Zbieramy logi, ustawiamy alerty na błędy, śledzimy latency i obciążenie endpointów. Monitorujemy też metryki biznesowe, liczbę użytkowników, jakość odpowiedzi. Dzięki temu, gdy użytkownik zgłosi problem, możemy prześledzić co się stało na każdym etapie procesu. Mamy zautomatyzowany CI/CD. Wraz ze wzrostem liczby zależnych aplikacji potrzebne jest odpowiednie planowanie wdrożeń. Monitoring pozwala też na automatyzację retrainingu, możemy wykryć dryft danych i zweryfikować, że model się degraduje lub wyniki nie spełniają już naszych oczekiwań. Wtedy wiemy, że czas na przetrenowanie.  

Doświadczenie i ścieżka kariery  

Jak wyglądała Twoja droga do roli Architekta AI/ML?  

Moja droga nie była zaplanowana. Zaczynałem jako C++ developer w telekomunikacji. Pythona poznałem przypadkiem, kolega pokazał mi go podczas prac hobbistycznych, zakochałem się od samego początku i szybko stał się moim głównym narzędziem. Python wydaje się prostym językiem, ale żeby wykorzystać jego pełny potencjał, trzeba mocno się w niego wgryźć. Potem zostałem zaproszony do projektu ML jako wsparcie, bo znałem Pythona i C++. Wtedy zobaczyłem świat data science.

Miałem też epizod w banku przy Big Data i Spark, co dało mi dużo wiedzy o innym podejściu do przetwarzania danych. Zawsze byłem ciekawy, jak systemy działają od początku do końca. Poznawałem wiele różnych perspektyw. Byłem zaangażowany, udzielałem się i dostałem szansę poprowadzenia całego projektu. Wtedy zrozumiałem, że to jest kierunek, w którym chcę się rozwijać.

Na koncie mam wdrożone rozwiązania AI na produkcję dla klientów z branży telekomunikacyjnej i bankowej, a w samym Sii kilka dużych projektów AI oraz kilkanaście mniejszych, które powstały często na bazie lub z wykorzystaniem wcześniej już wdrożonych przez nas systemów oraz rozwiązań. Nie jestem architektem „z definicji”, raczej łączę wiele ról w jednej osobie. Obecny rynek oczekuje właśnie takiego szerszego poglądu.  

Czy developer lub data scientist może płynnie przejść do roli architekta?  

Może, ale wymaga to zmiany perspektywy. Obu grupom często brakuje spojrzenia na to, że AI/ML to nie tylko model czy kod. To interesariusze, procesy biznesowe, utrzymanie i rozwój. Kluczowe jest zrozumienie, że nawet najlepszy model, którego nie da się udostępnić użytkownikowi i wpiąć w proces, pozostaje tylko modelem. Świetny kod, który nie rozwiązuje realnego problemu albo go utrudnia, też nie jest rozwiązaniem.  

Kultura pracy i rozwój  

Jak Sii wspiera rozwój pracowników?  

Sii wspiera rozwój pracowników bardzo szeroko. Mamy liczne szkolenia organizowane wewnętrznie oraz możliwość udziału w szkoleniach zewnętrznych. Istnieje też możliwość realizowania certyfikacji. Wewnątrz Sii działa wiele inicjatyw – różnego rodzaju communities, meetupy i spotkania. Mamy również możliwość uczestniczenia w konferencjach. Co istotne, Sii wspiera nie tylko rozwój technologiczny. Inicjatywy takie jak sponsoring pasji pracowników czy sponsoring akcji wolontariackich są równie ważne. Możliwości rozwoju jest wiele, wszystko zależy od Twojego zaangażowania i chęci.  

Jak wygląda wymiana wiedzy między zespołami?  

Mamy stały kontakt, rozmawiamy o podejściach i dyskutujemy o rozwiązaniach. Na przykład odbywają się cykliczne spotkania wszystkich architektów. Ta wymiana wiedzy nie ogranicza się jednak tylko do architektów ani wyłącznie do obszaru AI. Wchodząc w nową technologię, warto skonsultować się z osobami, które mają doświadczenie w danym obszarze – zarówno architektami, jak i inżynierami. 

Czy jest przestrzeń na eksperymentowanie?  

Moja pasja i hobby to nowe technologie, dlatego często eksperymentuję z nowymi bibliotekami, rozwiązaniami i podejściami. Mamy dostęp do najnowszych modeli i przestrzeń na eksperymentowanie. Terminy są napięte i pracy jest dużo, ale zawsze znajduję przestrzeń na rozwój i testowanie nowych rozwiązań. Bez tego nie ma innowacji, a ja stawiam właśnie na innowacje. Może dana koncepcja nie od razu nadaje się do produkcji, ale część pomysłów można wykorzystać w obecnych rozwiązaniach lub przy rozwijaniu nowych. Dlatego uważam, że eksperymentowanie jest istotną częścią naszej pracy.  

AI Developer – zarobki i motywacja  

Od czego zależą zarobki Architekta AI/ML?  

Od wielu czynników – doświadczenia, historii zawodowej i zrealizowanych projektów. Czasem również od firmy, jej możliwości finansowych oraz złożoności projektu. Dużo zależy też od samej osoby. Jedna będzie bardziej nastawiona na częste zmiany i mniejszą stabilność, ale wyższe zarobki. Innej może zależeć na stabilności kosztem nieco niższego wynagrodzenia. Trudno jednoznacznie odpowiedzieć, ale znajomość wielu technologii i różnych obszarów na pewno nie zaszkodzi.  

Jak postrzegasz zarobki na tym stanowisku w kontekście rynku IT?  

Znam technologie, w których zarabia się dużo więcej, ale znam też takie, gdzie zarabia się dużo mniej. Przez obecny hype wynagrodzenia w obszarze AI w dużej mierze wyrównały się do średniej w bardziej dojrzałych technologiach. Uważam, że zarobki na tym stanowisku nie są złe, ale trzeba pamiętać, że dobry specjalista będzie odpowiednio wynagrodzony niezależnie od technologii.  

Co jest większym motywatorem: zarobki czy wpływ na projekty?  

Każdy skłamie, jeśli twierdzi, że zarobki nie wpływają na motywację. Ale w pewnym momencie pieniądze przestają być najważniejsze. Często dużo większe znaczenie ma sprawczość, docenienie, realna możliwość kształtowania procesów oraz rozwój w obszarze własnych zainteresowań. Dla mnie ważne jest to, że mam realny wpływ i jestem za to doceniany.  

Przyszłość machine learning 

Jakie trendy technologiczne wpłyną na pracę Architekta AI/ML?  

W najbliższych latach trendem będzie rozwijanie rozwiązań AI, które faktycznie rozwiązują problemy i przynoszą realny zysk, a nie są pustym buzzwordem, którym ktoś pobawi się przez kilka dni i o nim zapomni. Na rynku powstaną bardziej dojrzałe narzędzia, frameworki i modele. Nie chcę jednak bawić się w futurologa. Kiedyś można było zastanawiać się, co będzie za 2, 3 czy 5 lat. Teraz częściej zastanawiamy się, co przyniesie kolejny kwartał. Rynek bardzo przyspieszył, a horyzont planowania skrócił się z lat do kwartałów. Najbliższe lata przyniosą weryfikację tego, co daje realne zyski, a co jest zwykłym marnotrawstwem. W niektórych obszarach AI może bardzo pomóc, w innych rozczarować. Nie jestem ani sceptykiem, ani bezkrytycznym optymistą – czas pokaże.

Uważam, że rola architekta będzie coraz bardziej potrzebna i kluczowa. Nie tylko jako „Architekta AI” w wąskim rozumieniu, ale jako osoby, która widzi szerzej i zna się na więcej niż jednym elemencie całego ekosystemu. Mocno niedocenianym trendem jest bezpieczeństwo w odniesieniu do AI/ML. Już widzimy nowe wektory ataków na systemy oparte na GenAI i widać, że bezpieczeństwo AI staje się nową gałęzią specjalizacji w cyberbezpieczeństwie.  

Czy GenAI zmienia sposób projektowania architektury?  

Tak i można to rozbić na wiele czynników. Z jednej strony GenAI i duże modele językowe mocno przyspieszyły pracę. Łatwiej przejść przez rozwiązania, wyszukiwać informacje w dokumentacji czy przedyskutować podejście. Często pomaga mi to w pogłębieniu tematu, którego wcześniej nie znałem. Ale wiąże się to również z ryzykiem – halucynacjami modeli, błędnymi informacjami czy syndromem potwierdzenia. Jeśli źle podejdziemy do rozmowy z LLM, możemy dostać odpowiedzi, które będą przytakiwać nawet najgorszemu pomysłowi. I w tym widzę realne zagrożenie.

Czasem role mogą się odwrócić, czyli zamiast weryfikować, myśleć i dyskutować, stajemy się osobami akceptującymi wygenerowane rozwiązania. Można to porównać do sytuacji, w której ktoś napisał za Ciebie pracę. Co z tego, że dostałeś piątkę, skoro później, gdy ktoś zada Ci pytanie, to nie potrafisz odpowiedzieć?

Używam różnych modeli i aplikacji do różnych problemów, bo pozwala mi to przyspieszyć pracę i skupić się na ważniejszych rzeczach zamiast na powtarzalnych czynnościach. Kluczowe jest jednak to, by nie wyłączać krytycznego i kreatywnego myślenia. Te narzędzia mają nam pomagać, a nie myśleć za nas.  

Jakie wyzwania regulacyjne i etyczne pojawiają się w projektach AI?  

To temat, który rośnie z każdym rokiem. Trzeba pamiętać o AI Act, o RODO, o etyce w kontekście wykorzystywania modeli oraz o tym, gdzie i jak przechowujemy oraz przetwarzamy dane. Praktycznych pytań jest mnóstwo: od tego, gdzie przechowywać dane treningowe, przez anonimizację danych, po dokumentowanie decyzji podejmowanych przez model. Regulacje porządkują rynek i wymuszają myślenie o rzeczach, które i tak powinniśmy brać pod uwagę.  

Praca Architekta AI/ML w Sii Warszawa  

Czym wyróżnia się praca w Sii na tle innych firm?  

Mogę mówić tylko za siebie, bo w każdym zespole może to wyglądać inaczej. Ale jedno jest wspólne, jeśli masz pasję i chęć, to Sii zapewnia Ci środowisko do rozwoju. Pracuję tu już 9 lat. Miałem szczęście trafić na świetnych menedżerów, którzy widzieli we mnie potencjał i inwestowali czas w mój rozwój.  

Jakiego rodzaju projekty AI realizujecie?  

Sii składa się z różnych Centrów Kompetencyjnych (Competency Centers) – w tym CC AI, które współpracują z wieloma klientami, więc portfolio projektów w całej firmie jest bardzo szerokie. W naszym zespole realizujemy spektrum projektów programistycznych IT z wykorzystaniem AI: od NLP, przez Computer Vision i systemy rekomendacyjne, po obszary GenAI i uczenie maszynowe, włącznie z systemami agentowymi. Mamy kilka dużych projektów AI oraz kilkanaście mniejszych. 

Jak oceniasz dojrzałość projektów AI w Sii?  

W Sii realizujemy projekty AI od wielu lat. Wiele z nich jest wdrażanych na środowiska produkcyjne, a obecnie obserwujemy dynamiczny rozwój rozwiązań opartych na narzędziach GenAI. Część projektów pozostaje w fazie PoC, kiedy okazuje się, że technologia nie jest jeszcze wystarczająco dojrzała lub dane nie odpowiadają na zadawane pytania. Jednak cały czas pojawiają się nowe możliwości. Nieustannie się rozwijamy, a obszar AI/ML zmienia się bardzo dynamicznie.  

Co najbardziej cenisz w pracy w Sii?  

Ludzi, którzy tu pracują i atmosferę. Po tylu latach wiem, że to nie są puste słowa. Zaczynałem jako C++ developer, teraz jestem AI Architect. Ta droga była możliwa, bo ktoś dał mi szansę i przestrzeń do nauki. Choć firma mocno urosła od czasu mojego dołączenia, atmosfera i podejście do ludzi się nie zmieniły.  

Jak jednym zdaniem podsumowałbyś, dlaczego warto być Architektem AI/ML w Sii?  

To wymagająca rola pełna wyzwań, która daje ogromną satysfakcję, jeśli masz motywację i naprawdę pasjonuje Cię to, co robisz.