Polska nie powinna tylko korzystać z AI. Powinna też umieć tworzyć własne modele i zabezpieczenia.
Sztuczna inteligencja zmienia sposób, w jaki pracujemy, uczymy się i podejmujemy decyzje. Wraz z jej rozwojem rośnie potrzeba tworzenia zabezpieczeń, które pozwolą organizacjom korzystać z AI świadomie, odpowiedzialnie i skutecznie ograniczać związane z nią ryzyka.
Wraz z wejściem w życie kolejnych regulacji, takich jak AI Act, bezpieczeństwo AI staje się fundamentem odpowiedzialnego wdrażania tej technologii.
Nie chcieliśmy, aby Polska była wyłącznie odbiorcą zagranicznych rozwiązań bezpieczeństwa AI. Dlatego postanowiliśmy zbudować własny model.
Baszta powstała z potrzeby budowania polskich kompetencji w AI.
Naszą przewagą jest połączenie kompetencji badawczych i prawnych, doświadczenia inżynierskiego oraz znajomości języka polskiego. Zamiast konkurować rozmiarem z największymi modelami, postawiliśmy na specjalizację.
Naszym celem nie było stworzenie kolejnego klasyfikatora. Chcieliśmy pokazać, że Polska może budować własne, wyspecjalizowane rozwiązania AI - również w obszarze bezpieczeństwa.
Pokazujemy proces, nie tylko wynik.
Nie opisujemy wyłącznie tego, co się udało. Pokazujemy również eksperymenty, które nie przyniosły oczekiwanych rezultatów, ograniczenia modelu i założenia, które musieliśmy po drodze zweryfikować.
Wierzymy, że polski ekosystem AI rozwija się szybciej, gdy zespoły dzielą się nie tylko wynikami, ale również wiedzą zdobytą po drodze. Jeśli któryś z polskich modeli AI odniesie sukces, będzie to sukces całego ekosystemu. Baszta jest naszym wkładem w rozwój polskich kompetencji w obszarze bezpiecznej sztucznej inteligencji.
Adam GórskiMateusz JąkalakRafał JakubowskiKrystian KoziełPaweł Wcisło
Lepsze dane okazały się ważniejsze niż większy model
Największą poprawę wyników przyniosła nie kolejna zmiana architektury, lecz lepsze dopasowanie danych. Dane syntetyczne odzwierciedlające nowe sposoby formułowania szkodliwych treści pomogły Baszcie lepiej radzić sobie z przykładami, których wcześniej nie widziała.
Model powinien wiedzieć, kiedy nie jest pewny
Model może poprawnie rozpoznawać zagrożenia, a jednocześnie być zbyt pewny swoich odpowiedzi na danych innych niż te, które znał z treningu. Dlatego jednym z ważnych elementów prac nad Basztą była kalibracja - dopasowanie deklarowanej pewności modelu do jego rzeczywistej skuteczności.
Od wyników laboratoryjnych do realnego świata
Badaliśmy skuteczność Baszty nie tylko na znanych przykładach, ale również w nowych scenariuszach użycia. Wszystko po to, by lepiej zrozumieć, w czym model radzi sobie dobrze i gdzie wymaga dalszego rozwoju.
