Od FileMaker do chmury: jak SchallOS łączy oprogramowanie biznesowe ze sztuczną inteligencją, środowiskiem uruchomieniowym i aktualizacjami

SchallOS – inteligentna platforma aplikacyjna

Podczas tworzenia aplikacji biznesowej na początku skupia się na zadaniach widocznych na pierwszy rzut oka. Tworzy się tabele, definiuje relacje, projektuje formularze wprowadzania danych i automatyzuje procesy operacyjne. Gdy tylko pierwsi użytkownicy mogą zacząć korzystać z rozwiązania, wydaje się, że znaczna część projektu została zakończona. Jednak w praktyce rozpoczyna się wtedy faza, która w dłuższej perspektywie jest bardziej wymagająca. Aplikacja biznesowa wymaga konserwacji, rozbudowy i dostosowywania do nowych wymagań. Zmiany muszą być dokumentowane, nowe wersje wdrażane, a istniejące dane bezpiecznie przenoszone. Do tego dochodzą różne uprawnienia użytkowników, tworzenie kopii zapasowych danych, analiza błędów oraz kwestia wyboru, czy rozwiązanie ma być uruchamiane lokalnie, na własnym serwerze, czy w chmurze.

Wiele platform programistycznych skupia się przede wszystkim na tworzeniu samej aplikacji. W późniejszym etapie dodaje się dodatkowe narzędzia i indywidualne procedury dotyczące aktualizacji, dokumentacji, wdrażania i eksploatacji. Z czasem powstaje środowisko techniczne złożone z wielu oddzielnych elementów, których spójność można utrzymać jedynie przy znacznym nakładzie pracy. Dlatego SchallOS stosuje bardziej kompleksowe podejście. Platforma ma towarzyszyć aplikacji biznesowej nie tylko na etapie jej powstawania, ale przez cały jej cykl życia: od rozwoju, przez dokumentację i wdrożenie, aż po aktualizacje i długoterminową eksploatację.

Czytaj więcej

Od eksportu danych ChatGPT do własnej wiedzy AI: krok po kroku z Ollama i Qdrant

Droga do własnej pamięci AI

W pierwszej części tej serii artykułów zobaczyliśmy, że eksport danych ChatGPT to znacznie więcej niż tylko funkcja techniczna. Eksportowane dane zawierają zbiór myśli, pomysłów, analiz i rozmów, które gromadziły się przez długi czas. Ale dopóki dane te są przechowywane tylko jako archiwum na dysku twardym, pozostają tylko tym: archiwum. Kluczowym krokiem jest ponowne wykorzystanie tych informacji. To właśnie tutaj zaczyna się rozwój osobistej sztucznej inteligencji.

Pomysł jest w rzeczywistości zaskakująco prosty: sztuczna inteligencja powinna nie tylko pracować z wiedzą ogólną, ale także mieć dostęp do własnych danych. Powinna przeszukiwać poprzednie rozmowy, znajdować odpowiednie treści i włączać je do nowych odpowiedzi. W ten sposób zwykła sztuczna inteligencja staje się rodzajem cyfrowej pamięci. Jest to druga część serii artykułów, w której przyjrzymy się teraz praktycznej stronie rzeczy.

Czytaj więcej

RAG z Ollama i Qdrant jako uniwersalna wyszukiwarka własnych danych

Rozszerzenie lokalnej sztucznej inteligencji o bazy danych przy użyciu RAG, Ollama i Qdrant

W coraz bardziej zagmatwanym świecie informacji coraz ważniejsze staje się umożliwienie przeszukiwania własnych baz danych w ukierunkowany sposób - nie poprzez klasyczne wyszukiwanie pełnotekstowe, ale poprzez semantycznie istotne odpowiedzi. Właśnie w tym miejscu do gry wkracza baza danych RAG - rozwiązanie wyszukiwania wspierane przez sztuczną inteligencję, składające się z dwóch centralnych komponentów:

Czytaj więcej

Ollama spotyka Qdrant: lokalna pamięć dla sztucznej inteligencji na Macu

Pamięć dla lokalnej sztucznej inteligencji z Ollama i Qdrant

Lokalna sztuczna inteligencja z pamięcią - bez chmury, bez subskrypcji, bez przekierowań

W poprzednie artykuły Wyjaśniłem, jak skonfigurować Ollama na Macu install. Jeśli wykonałeś już ten krok, masz teraz potężny lokalny model językowy - taki jak Mistral, LLaMA3 lub inny kompatybilny model, do którego można się odwołać za pośrednictwem interfejsu API REST.

Model „wie“ jednak tylko to, co znajduje się w bieżącej podpowiedzi. Nie pamięta poprzednich rozmów. Brakuje tylko pamięci.

Czytaj więcej