Z Tomaszem Błaszczykiem, prezesem zarządu, Krzysztofem Szymańskim, dyrektorem ds. sprzedaży i Robertem Zającem, kierownikiem Centrum Kompetencyjnego AI/BI w spółce JSW IT Systems rozmawiam o zastosowaniu sztucznej inteligencji w Jastrzębskiej Spółce Węglowej, potencjale skalowania i komercjalizacji takich technologii w różnych branżach oraz perspektywach tworzenia bardziej zaawansowanych narzędzi.
Na początku roku rozmawialiśmy o transformacji JSW IT Systems i budowie organizacji opartej na danych. Kluczowymi elementami były wdrożenia hurtowni danych, automatyzacja procesów operacyjnych, rozwój raportowania oraz oczywiście rozwiązania oparte o sztuczną inteligencję (AI). W jaki sposób rozwija się ten ostatni wątek? Interesująco zapowiadało się wdrożenie na infrastrukturze on-premise asystenta AI do przetwarzania dokumentacji i wspierania użytkowników w dostępie do wiedzy specjalizowanej…
Tomasz Błaszczyk (T.B.): Uruchomienie produkcyjne asystenta AI przeprowadziliśmy już w czerwcu 2025 roku. Z końcem września oddaliśmy do użytku nową, rozszerzoną wersję. Wzbogaciliśmy ją o szereg funkcjonalności, takich jak generowanie streszczeń, tłumaczenie na dowolne języki, redagowanie treści, analizę załączonych plików oraz interpretowanie obrazu.
Robert Zając (R.Z.): Posiadamy na razie wstępne dane dotyczące sposobu wykorzystywania agenta. Co ważne, wszystkie nowe funkcje AI wychodziły naprzeciw oczekiwaniom użytkowników, wynikały z analizy ich wcześniejszych pytań. Oprócz wspomnianych elementów, dołożyliśmy dwie istotne funkcje, które przyniosły wartość dodaną.
Pierwsza z nich, to automatyczna aktualizacja aktów prawnych. Akty prawne wczytywane do bazy wiedzy chatbota musiały być wcześniej aktualizowane ręcznie. Skorzystaliśmy z udostępnionego API do sejmowego Internetowego Systemu Aktów Prawnych i dostosowaliśmy rozwiązanie tak, by zautomatyzować ten proces. Eliminuje to konieczność ręcznej kontroli i zmniejsza ryzyko pomyłki.
Po drugie, dokonaliśmy rozszerzenia bazy wiedzy organizacyjnej o kontakty służbowe do pracowników zatrudnionych w Grupie Kapitałowej oraz dodaliśmy szablony i wzory dokumentów używanych w różnych procesach wewnętrznych. Dotychczasowy sposób wyszukiwania osób w książce adresowej był dość uciążliwy. Teraz dotarcie do danych kontaktowych osób pełniących różne funkcje lub role w spółkach GK lub znalezienie właściwego dla danego procesu formularza jest dużo prostsze i bardziej intuicyjne.
Czy agent będzie obsługiwał też domeny bardziej specjalistyczne?
Krzysztof Szymański (K.Sz.): Tak. W bazie chatbota można zdefiniować i zasilić danymi dowolny obszar biznesowy czy techniczny – analogicznie, jak ma to już miejsce z dokumentacją prawną czy organizacyjną. Na przykład pilotażowo jest udostępniony obszar dotyczący wentylacji i przewietrzania kopalni. Wszystkie osoby techniczne mogą zaimportować własną dokumentację branżową, instrukcje stanowiskowe lub dokumentację techniczną maszyn i urządzeń, a następnie przetwarzać narzędziami dostępnymi na platformie chatbota. Jest to doskonałe narzędzie do utrwalania tzw. „pamięci organizacyjnej”. Każdy kolejny operator/administrator danej domeny może zostawić swój ślad dodając lub aktualizując kolejne dokumenty w bazie chatbota.
Mamy też zaplanowane podłączenie agenta do naszego autorskiego systemu SCADA. Dzięki temu, gdy pojawiają się alerty z urządzeń, system będzie podpowiadał, co może być przyczyną awarii i sugeruje sposób jej naprawy. Będzie to szybka podpowiedź dla służb technicznych wraz z sugestią, które przyczyny awarii weryfikować w pierwszej kolejności.
Ilu użytkowników docelowo obejmie taki system ze specjalistycznymi domenami, w jaki sposób wpływa to na wydajność narzędzi?
K.Sz.: Obecnie dostęp do systemu mają wszyscy użytkownicy naszej infrastruktury, czyli ci, którzy są w Grupie Kapitałowej zatrudniającej ponad 30 tys. osób. Dziś liczba zalogowanych użytkowników sięga 5-6 tysięcy osób. Z różnym natężeniem, codziennie systemu używa kilkaset osób. Nasze rozwiązanie prezentujemy innym spółkom z Grupy Kapitałowej oraz firmom z innych branż. Widzimy spore zainteresowanie, zwłaszcza w kontekście zagrożeń wynikających z wykorzystania rozwiązań chmurowych. Przy okazji tych spotkań pojawiają się pomysły na kolejne funkcjonalności i rozwój tego narzędzia.
R.Z.: Na bieżąco monitorujemy wydajność i optymalizujemy system starając się maksymalnie wykorzystywać posiadane zasoby sprzętowe tak, aby komfort pracy nie stanowił problemu nawet przy dużym obciążeniu.
Mamy szereg pomysłów na rozbudowę naszych systemów. Przykładem jest zapytanie z dużej korporacji budowlanej, która wykorzystuje asfalt, pochodną produkcji ropy naftowej, jako surowiec. Chodzi o wykorzystanie dostępnej już bazy wiedzy i danych do prognozowania cen.
Czy obserwujecie wśród użytkowników zjawisko porównywania jakości odpowiedzi między waszym wewnętrznym rozwiązaniem a ogólnodostępnymi usługami GenAI?
R.Z.: Robiliśmy porównania wygenerowanych odpowiedzi, ale tylko w zakresie dokumentów, które są dostępne w ogólnym czacie, czyli np. aktów i przepisów prawnych. Mogę powiedzieć, że nasze rozwiązanie jest lepiej przygotowane, a odpowiedzi bardziej precyzyjne. Wynika to z faktu, że skoncentrowaliśmy się na precyzji i weryfikowalności odpowiedzi – nasz model działa inaczej w stosunku do zwykłych dokumentów, a inaczej został dostosowany do aktów prawnych i dokumentów formalnych.
T.B.: W odpowiedziach o przepisy prawne model cytuje treści, a nie luźno je interpretuje, co jest domeną prawników. Eliminujemy zjawisko halucynacji poprzez odwołanie się stricte do aktu prawnego, a nie do tego, jak ktoś go kiedyś zinterpretował czy przetworzył. Co więcej, w sieci często dokumenty prawne są nieaktualne, a nasz model gwarantuje aktualność. Istnieje też możliwość podglądu źródła, na podstawie którego model oparł swoją odpowiedź, co pozwala na weryfikację.
Czy model bazowy był dobierany z myślą o pracy on-premise? Jakie są Wasze rekomendacje dla firm myślących o tworzeniu własnych agentów AI?
R.Z.: Nasze modele są przede wszystkim dostosowane do możliwości sprzętowych. Weryfikujemy najnowsze modele językowe, zwłaszcza open source. Obserwujemy ich rozwój, analizujemy nasze potrzeby i w odpowiednim momencie podmieniamy modele. Zestaw automatycznych testów pozwala nam zweryfikować skuteczność i jakość odpowiedzi po zmianie modelu.
Robiliśmy porównania wygenerowanych odpowiedzi, ale tylko w zakresie dokumentów, które są dostępne w ogólnym czacie, czyli np. aktów i przepisów prawnych. Mogę powiedzieć, że nasze rozwiązanie jest lepiej przygotowane, a odpowiedzi bardziej precyzyjne. Wynika to z faktu, że skoncentrowaliśmy się na precyzji i weryfikowalności odpowiedzi.
K.Sz.: Najważniejsze jest to, żeby każde rozwiązanie było testowane w otoczeniu, w którym ma działać. Specyfiką naszego otoczenia jest na przykład duża liczba wewnętrznych dokumentów. Najlepszym wyznacznikiem jest więc to, czy użytkownik jest zadowolony z jakości odpowiedzi. Dlatego etap zbierania i analizy opinii jest bardzo ważny.
R.Z.: Testowaliśmy m.in. Bielika. Z naszych obserwacji wynika, że Bielik dobrze radzi sobie ze zwykłymi dokumentami słownikowymi, ale wykazuje trudności z aktami prawnymi, gdzie mamy do czynienia ze skomplikowanymi odnośnikami lub tabelami. Przykładowo, w aktach prawnych często mamy szereg punktów ujętych w tabeli, a Bielik nie radził sobie z długimi tabelami. Modele typu Gemma czy OpenAI radzą sobie pod tym względem lepiej – prawdopodobnie dlatego, że są wytrenowane na większej skali dokumentów. Nie oznacza to, że nie wrócimy do krajowych rozwiązań, ale na ten moment wyznacznikiem jest jakość.
T.B.: Za tym wszystkim stoi zbudowanie całego procesu dynamicznej aktualizacji i stałej weryfikacji modeli.
Przejdźmy do przedsięwzięć związanych z AI w produkcji i cyberbezpieczeństwie. Jakie efekty przyniosły projekty pilotażowe z algorytmami predykcyjnymi oraz behawioralnymi do monitorowania cyberzagrożeń?
T.B.: W zakresie cyberbezpieczeństwa szeroko zaimplementowaliśmy modele wykrywania anomalii w ruchu sieciowym w projekcie Cybermine, zrealizowanym wspólnie z Politechniką Warszawską i GIG-PIB (Główny Instytut Górnictwa – Państwowy Instytut Badawczy). Ma to szczególne znaczenie w sieciach OT, które nie są tak chronione narzędziowo jak strefa IT. Cały czas rozwijamy to rozwiązanie. Chociaż nazywa się Cybermine, to ten sam model działania mógłby się nazywać CyberFactory. Rozmawiając z firmami produkcyjnymi widzimy ich zapotrzebowanie i chęć wdrożenia naszego kompleksowego podejścia do cyberbezpieczeństwa IT i OT.
K.Sz.: Dodatkowo, wdrożyliśmy narzędzie XDR na wszystkich stacjach roboczych w całej grupie. System monitoruje komputery JSW i naszych klientów, co jest podstawą tworzącego się SOC (Security Operations Center). Rozwiązanie to także wykorzystuje sztuczną inteligencję i analitykę behawioralną. W efekcie, liczba zdarzeń, które specjaliści mają do przetworzenia spadła z 2000 dziennie do 5 dziennie. To pokazuje, jak AI wspomaga pracę zespołów bezpieczeństwa. Wdrożyliśmy również dodatkowy, komercyjny system do monitorowania sieci, żeby zweryfikować, czy sprawdza się w skali przemysłowej i na ile możemy go zautomatyzować, a potem – skalować na ochronę także klientów spoza grupy.
Doświadczenia z projektów zrealizowanych wewnętrznie przełożyły się na współpracę z zewnętrznymi firmami spoza branży górniczej. W szczególności z sektorem wodociągowym, gdzie współpraca bardzo dobrze się rozwija. Wspieramy przedsiębiorstwa wodociągowe już na etapie przygotowania wniosków do programów rządowych finansujących cyberbezpieczeństwo – jak Cyberbezpieczne Wodociągi. Nasze podejście, wypracowane w Cybermine, pomaga w zabezpieczaniu i monitorowaniu całej infrastruktury wodociągowej – pompowni, przepompowni, oddalonych obiektów, a także ich systemów SCADA.
Tylko w tym roku ponad 26 spółek wodociągowych skorzystało z naszych doświadczeń – to jest około 5% wszystkich spółek wodociągowych w Polsce. Pokazujemy Zarządom tego typu organizacji, że nie trzeba od razu wydawać mnóstwa pieniędzy na bezpieczeństwo, tylko można zrobić sporo rzeczy tu i teraz, wykorzystując posiadane zasoby, a resztę zaplanować i wdrażać sukcesywnie. Powoli adaptujemy ten model również w samorządach. Pracujemy zarówno z mniejszymi samorządami, jak i z jednym z największych miast w Polsce.
Czy przy wdrażaniu systemów AI wykorzystują Państwo własne albo rynkowe ramy do analizy ryzyka tych systemów, biorąc pod uwagę np. regulacje takie jak AI Act?
T.B.: Przeprowadziliśmy analizę ryzyka związaną z funkcjonowaniem tego typu rozwiązań. Ryzyka technologiczne jesteśmy w stanie złagodzić. Natomiast największym czynnikiem ryzyka zawsze jest człowiek. Stacja robocza nie zabezpieczy przed nieświadomymi działaniami użytkowników. Próbujemy to regulować za pomocą regulaminów i procedur. W ochronie pomagają też systemy klasy DLP (Data Loss Prevention) czy XDR.
K.Sz.: Wynikiem analizy ryzyka jest właśnie model on-premise. W ramach spółki promujemy naszego agenta, ale dopuszczamy też dwa inne rynkowe modele, pod znacznymi obostrzeniami. W części analizy predykcyjnej i analizy obrazów bazujemy przede wszystkim na modelu prywatnej chmury obliczeniowej. Chodzi o to, aby nasze dane nie wyciekały i nie były używane do trenowania innych modeli.
Szkolimy też ludzi, by nie przetwarzali w AI danych strategicznych, osobowych i poufnych. Zwracamy im również uwagę, że AI to tylko podpowiedź, a każdą informację należy zweryfikować i sprawdzić.
R.Z.: Wszystkie rozwiązania AI mają być formą narzędzi pomocniczych, mają wesprzeć pracowników, ale ich nie zastąpią. Obawy, że sztuczna inteligencja nas zastąpi, są na wyrost. Brakuje jej emocji, odczuć. Chociaż AI może generować treści marketingowe czy wspierać pisanie kodu, zawsze potrzebna jest wiedza człowieka do weryfikacji, synchronizacji i uruchomienia właściwych działań.
Nasze podejście, wypracowane w Cybermine, pomaga w zabezpieczaniu i monitorowaniu całej infrastruktury wodociągowej – pompowni, przepompowni, oddalonych obiektów, a także ich systemów SCADA. Tylko w tym roku ponad 26 spółek wodociągowych skorzystało z naszych doświadczeń – to jest około 5% wszystkich spółek wodociągowych w Polsce.
Jak przebiega projekt budowy własnego rozwiązania predictive maintenance (PM) i modeli dostosowanych do specyficznych warunków eksploatacji w JSW?
T.B.: Modele dostosowane do utrzymania ruchu tak naprawdę niewiele różnią się od tych funkcjonujących w innych zakładach. Problemem w górnictwie są natomiast warunki środowiskowe, które są specyficzne i mocno wpływają na wyniki analiz. Musimy kierować się nie tylko danymi z czujników, ale uwzględniać trudne do sparametryzowania tło środowiskowe, takie jak zapylenie, wilgotność i temperatura. Na przykład w monitoringu wizyjnym, dbanie o czysty i wyraźny obraz jest dużym wyzwaniem.
K.Sz.: Dodatkowym czynnikiem są krótkie czasy eksploatacji. W innych przedsiębiorstwach są nawet kilkunastoletnie czasy eksploatacji urządzeń, więc model takiego urządzenia można odpowiednio zbudować i zoptymalizować. W naszych warunkach poszczególne rejony eksploatowane są góra kilkanaście miesięcy. Następnie urządzenia są przebudowane i pracują w innej konfiguracji, w trochę innym otoczeniu, narażone na inne parametry środowiskowe. Utrudnia to budowę skutecznych modeli.
T.B.: Pracujemy nad trzema obszarami w fazie koncepcyjno-przygotowawczej. Pierwszym jest rozwiązanie zintegrowane z kamerami do monitorowania taśmociągów w celu wyłapania uszkodzeń taśm oraz zablokowania przez niepożądane obiekty. Drugi obszar dotyczy analizy parametrów pracy silników i napędów, uwzględniając drgania i różne parametry napędów. Osobnym zagadnieniem jest monitorowanie w celu wykrywania potencjalnych zagrożeń pożarowych w obszarze górotworu.
K.Sz.: Analizy wskazują, że na początek trzeba wzmocnić utrzymanie ruchu bazujące na resursach pracy maszyn. Dlatego nasz system SCADA został rozbudowany o dodatkowe funkcjonalności, aby wykorzystać posiadane rozwiązania monitorujące. Dążymy do tego, aby umieć ocenić, że np. naprawę napędu można wydłużyć poza standardowy okres eksploatacji lub przyśpieszyć jego przegląd w czasie planowanej przerwy konserwacyjnej. Specyfika wymagań dla urządzeń pracujących pod ziemią w środowisku zagrożenia wybuchem metanu powoduje, że nawet zapewnienie odpowiednich czujników jest trudne lub bardzo kosztowe.
R.Z.: Z kolei próby z monitorowaniem pracy wentylatorów nie sprawdziły się w praktyce, bo przenoszenie drgań z zakładu przeróbczego deformowało odczyty. W górnictwie otoczenie środowiskowe jest tak niekorzystne i specyficzne, że pozyskanie wiarygodnych danych jest bardzo trudne. Obraz z kamer w warunkach laboratoryjnych jest niewspółmierny z tym, co mamy na zakładzie, gdzie wystarczy, żeby przeleciała jedna tura urobku i wszystkie urządzenia pomiarowe wymagają czyszczenia. Wspólnie z użytkownikami biznesowymi testujemy kolejne pomysły jak te specyficzne utrudnienia pokonać.
Jaki jest potencjał, aby te działania przełożyły się na odporność biznesową i ekonomiczną Grupy JSW?
K.Sz.: Budujemy organizację opartą na danych. Powstał szereg raportów z produkcji, które monitorują pracę maszyn i całych ciągów (np. kompleksy ścianowe), analizując czas dostępny, przerwy i inne wskaźniki efektywności. Centrum Zaawansowanej Analityki Danych w JSW ma narzędzia i dane, gdzie analitycy szukają możliwości, aby lepiej wykorzystać posiadane maszyny i optymalizować procesy produkcyjne. Widzimy też duży potencjał poprawy procesów przez standaryzację, automatyzację i wykorzystanie AI.
T.B.: Mamy też szereg pomysłów na rozbudowę naszych systemów. Przykładem jest zapytanie z dużej korporacji budowlanej, która wykorzystuje asfalt, pochodną produkcji ropy naftowej, jako surowiec do swoich produktów i usług. Chodzi o wykorzystanie dostępnej już bazy wiedzy i danych do prognozowania cen asfaltu, który jest pochodną ceny ropy naftowej. Klient nie potrzebuje na tym etapie bardzo wyrafinowanego modelu, tylko uporządkowania i skorelowania wiedzy, którą już ma. Dane są, ale zamiast przebijać się przez dziesiątki Exceli, zeszytów i PDF-ów, nasz klient chciałby mieć możliwość prognozowania – nawet w pewnym sensie ręcznego – tylko z wykorzystaniem danych, które ma w jednym miejscu.
Tym razem więc – przez doświadczenie rynkowe – można by pokusić się o dostarczenie strategicznego narzędzia analitycznego rodzimej Grupie.
T.B.: Przekładając to na Grupę JSW – sytuacja jest odwrotna, bo nasz właściciel i główny klient nie kupuje surowca na rynku, tylko go sprzedaje. Można więc rozważyć odwrócenie tego modelu i prognozowanie cen sprzedaży produktów grupy. Oczywiście kopalnia to nie miejsce, gdzie można łatwo dostosowywać produkcję do popytu w dużym zakresie, ale już prognozowanie na przykład wahań kursów walutowych do kontraktów długoterminowych jak najbardziej może mieć znaczenie.
