Narzędzia wspomagające (AI)

1. Anonimizator Offline

Narzędzie do anonimizacji jest kontrolowanym systemem przetwarzania danych wrażliwych, którego zadaniem jest wykrywanie i maskowanie chronionych informacji…

Więcej

2. Kontekstowy System
Rekomendacyjny

System został zaprojektowany jako narzędzie rekomendacyjne, a nie decyzyjne. Model operuje na zamkniętym zbiorze danych…

Więcej

3. Automatyczny
Monitoring Zamówień

Platforma wykorzystująca sztuczną inteligencję do ciągłego monitorowania portali przetargowych…

Więcej

1. Anonimizator Offline

Narzędzie do anonimizacji jest kontrolowanym systemem przetwarzania danych wrażliwych, którego zadaniem jest wykrywanie i maskowanie chronionych informacji w tekście, zdjęciach oraz dokumentach PDF. Nie działa jak typowy chatbot czy asystent AI — użytkownik uruchamia jedynie konkretny proces anonimizacji dla wskazanego pliku lub tekstu.

1a. Bezpieczeństwo systemu

1

System działa w modelu zadaniowym, a nie konwersacyjnym — użytkownik przekazuje materiał do anonimizacji, a system zwraca jedynie zanonimizowany wynik.

2

Takie podejście znacząco ogranicza powierzchnię ataku w porównaniu z systemami czatowymi.

3

Narzędzie nie generuje dowolnych treści, nie wykonuje kodu użytkownika i nie pozwala sterować logiką aplikacji, co zmniejsza ryzyko nadużyć (np. prompt injection).

4

Architektura przewiduje pracę offline, czyli przetwarzanie danych wyłącznie w infrastrukturze klienta, bez wysyłania ich do zewnętrznych usług.

5

Modele AI pełnią ograniczoną rolę analityczną (wykrywanie danych), natomiast sama anonimizacja jest wykonywana przez aplikację.

1b. Obsługa dokumentów PDF i obrazów (zdjęć)

System analizuje obrazy i dokumenty PDF, identyfikując wrażliwe elementy takie jak:

  • twarze,
  • tablice rejestracyjne,
  • dane osobowe znajdujące się w treści dokumentów.

W przypadku PDF lub zdjęć proces przebiega etapowo:

  1. identyfikacja potencjalnie wrażliwych obszarów (np. OCR dla tekstu),
  2. weryfikacja wykrytych danych,
  3. techniczna anonimizacja (np. maskowanie lub rozmycie fragmentów).

Wynikiem jest gotowy zanonimizowany dokument PDF, obraz lub tekst, bez dodatkowych opisów czy treści generowanych przez AI.

1c. Kluczowa cecha architektury

System może działać całkowicie w zamkniętym środowisku organizacji, co minimalizuje ryzyko wycieku danych.

Opcjonalnie można podłączyć modele online lub rozwiązania hybrydowe, ale jest to decyzja konfiguracyjna klienta.

2. Kontekstowy System Rekomendacyjny

System został zaprojektowany jako narzędzie rekomendacyjne, a nie decyzyjne. Model operuje na zamkniętym zbiorze danych, nie posiada dostępu do systemów zewnętrznych ani możliwości wykonywania kodu. Interfejs użytkownika to formularz, a nie otwarty czat, co drastycznie redukuje powierzchnię ataku. Co kluczowe – model przetwarza wyłącznie te dane, do których użytkownik i tak posiada pełny dostęp w systemie źródłowym.

Zastosowane zabezpieczenia opierają się na sprawdzonych standardach klasy Enterprise (izolacja, walidacja, autoryzacja), eliminując potrzebę wdrażania skomplikowanych i kosztownych zewnętrznych systemów ochrony AI.

2a. Doprecyzowanie mechanizmów monitoringu i zabezpieczeń dla danych wejściowych i wyjściowych

Stosujemy ścisłą sanityzację wejścia (limit znaków, whitelist znaków alfanumerycznych, usuwanie znaczników HTML/skryptów) oraz neutralizację wyjścia (renderowanie odpowiedzi jako „plain text” z usuwaniem ewentualnego kodu HTML/JS). Monitoring obejmuje metryki techniczne (czas odpowiedzi, liczba zapytań) oraz biznesowe (wskaźnik dopasowania similarity score), co pozwala na wykrycie anomalii bez konieczności pełnej inspekcji treści przez człowieka.

2b. Czy zostaną zastosowane natywne rozwiązania, czy zewnętrzne dodatkowe komponenty?

Stosujemy architekturę całkowicie zamkniętą (on-premise), co gwarantuje, że żadne dane nie opuszczają infrastruktury firmy.
Rozwiązanie opiera się na trzech ściśle zintegrowanych, wewnętrznych warstwach:

Warstwa Aplikacyjna

Natywne mechanizmy Omnitrackera odpowiadają za interfejs i wstępną walidację (wykorzystujemy istniejące, sprawdzone środowisko).

Warstwa Orkiestracji

Dedykowana usługa wewnętrzna (middleware), która izoluje logikę biznesową RAG od reszty systemu.

Warstwa Obliczeniowa

Modele językowe uruchamiane są lokalnie na wydzielonych zasobach sprzętowych (serwery GPU), odseparowanych od internetu.

Nie wykorzystujemy zewnętrznych API (jak OpenAI) ani chmurowych komponentów bezpieczeństwa. Całość przetwarzania odbywa się wewnątrz sieci (LAN), co eliminuje ryzyko wycieku danych do dostawców trzecich.

2c. Walidacja danych wejściowych (filtrowanie, prompt injection, rate limiting).

Zabezpieczenie opiera się na fakcie, że użytkownik wypełnia standardowy formularz biznesowy, a nie prowadzi rozmowy z botem.

Ograniczenie ryzyka

Użytkownik nie ma możliwości wydawania poleceń modelowi AI (brak bezpośredniego „promptowania”).

Mechanizm

System przetwarza tylko określone pola tekstowe (np. opis ryzyka/działania mitygującego). Przed wysłaniem do analizy treść jest automatycznie czyszczona z ewentualnego kodu oraz ze znaków specjalnych i formatowania.

Efekt

Eliminuje to ryzyko tzw. Prompt Injection, ponieważ model otrzymuje jedynie czyste dane do porównania, a nie instrukcje do wykonania.

2d. Monitoring wyjścia (filtrowanie treści, harmful content)

Generatywność modelu jest ściśle ograniczona (tzw. grounded generation) i osadzona w kontrolowanym procesie przetwarzania.

Zasada działania

Proces składa się z trzech kroków: wyszukiwania wektorowego w zamkniętej bazie, precyzyjnego rerankingu (sortowania) wyników, a następnie wygenerowania przez LLM krótkiego uzasadnienia (1-3 zdania).

Bezpieczeństwo

Model AI nie tworzy dowolnych treści kreatywnych. Jego zadaniem jest jedynie zsyntetyzowanie wyjaśnienia, dlaczego wybrany z bazy rekord pasuje do opisu użytkownika.

Kontrola

Model operuje wyłącznie na dostarczonym mu kontekście (znaleziony rekord + wpis użytkownika). Jeśli nie znaleziono dopasowania w bazie, model nie generuje żadnej odpowiedzi, co eliminuje ryzyko halucynacji i tworzenia treści spoza domeny biznesowej.

2e. Logowanie i integracja z SIEM

Traktujemy interakcje z AI jak każde inne zdarzenie w systemie Omnitracker, co ułatwia audyt. Logi te są zapisywane w standardowym formacie, łatwym do monitorowania i odczytywania przez inne systemy, w tym SIEM.

2f. Monitoring i zabezpieczenie bazy wektorowej

Baza danych zawierająca wzorce ryzyk/działań mitygujących znajduje się na dedykowanym serwerze wewnętrznym, a użytkownicy nie mają do niej bezpośredniego dostępu. Komunikacja systemu z bazą realizowana jest w przyjętym standardzie, czyli za pomocą dedykowanego konta serwisowego.

2g. Integracja z AD/SSO

System dziedziczy model uprawnień z Omnitrackera. Użytkownik jest uwierzytelniany przez AD przy logowaniu do aplikacji. Zapytania do modelu AI są realizowane w tle, w kontekście bezpiecznego konta serwisowego, co zapewnia pełną izolację modelu od bezpośredniego dostępu użytkownika.

2h. Sanityzacja w Omnitrackerze i bezpieczeństwo komunikacji z LLM

Sanityzacja polega na traktowaniu odpowiedzi modelu jako płaskiego tekstu. Zarówno dane wejściowe (tekst wprowadzony przez użytkownika), jak i wyjściowe z modelu traktowane są jako dane potencjalnie niebezpieczne – są one czyszczone z ewentualnego kodu oraz znaczników mogących sugerować jego użycie.

W efekcie Omnitracker nie wykonuje żadnego kodu (JS, SQL) ani nie renderuje HTML zawartego w odpowiedzi.

Ponadto komunikacja jest jednokierunkowa (Backend -> LLM -> Backend) i bezstanowa. LLM nie ma możliwości inicjowania połączeń zwrotnych (callbacks) ani dostępu do bazy danych aplikacji.

2i. Podsumowanie

W tym rozwiązaniu AI nie jest systemem decyzyjnym ani wykonawczym. Funkcjonuje jako zaawansowany silnik rekomendacji, który wskazuje i krótko uzasadnia wybór, pozostając osadzonym w ściśle kontrolowanym procesie Omnitrackera.

Zastosowane zabezpieczenia są adekwatne do realnego modelu zagrożeń – zapewniają pełną kontrolę wejścia, wyjścia, tożsamości użytkownika i logów, bez nadmiernego komplikowania architektury rozwiązaniami nieadekwatnymi do tego przypadku użycia.

3. Automatyczny Monitoring Zamówień

Monitorowanie portali przetargowych

Platforma wykorzystująca sztuczną inteligencję do ciągłego monitorowania portali przetargowych i automatycznego identyfikowania nowych możliwości biznesowych. System na bieżąco przeszukuje wiele źródeł publikujących ogłoszenia o zamówieniach publicznych i komercyjnych, analizując ich treść przy użyciu algorytmów przetwarzania języka naturalnego (NLP).

Automatyczna klasyfikacja i filtrowanie

Narzędzie automatycznie klasyfikuje i filtruje ogłoszenia, dopasowując je do zdefiniowanych kryteriów wyszukiwania, takich jak branża, zakres usług, słowa kluczowe, lokalizacja czy specyficzne wymagania przetargowe. Dzięki analizie semantycznej system potrafi wykrywać również ogłoszenia powiązane tematycznie, nawet jeśli nie zawierają dokładnie tych samych fraz co zapytanie użytkownika.

Eliminacja ręcznego przeszukiwania

Platforma eliminuje konieczność ręcznego przeszukiwania wielu portali i dokumentów przetargowych. Użytkownicy otrzymują w jednym miejscu uporządkowaną listę dopasowanych ogłoszeń, co pozwala szybciej identyfikować interesujące projekty i podejmować decyzje o udziale w postępowaniu.

Wzrost skuteczności monitorowania

Dzięki automatyzacji procesu wyszukiwania przetargów organizacje mogą skuteczniej monitorować rynek, zwiększać liczbę identyfikowanych okazji sprzedażowych oraz koncentrować się na przygotowaniu konkurencyjnych ofert zamiast na czasochłonnym przeglądaniu źródeł informacji.