Platforma analityczna AI

Problem: Uruchomienie systemu RAG w wersji demonstracyjnej jest stosunkowo proste. Sprawienie, by działał on niezawodnie w środowisku produkcyjnym — z realnymi użytkownikami, rzeczywistymi zapytaniami, zmienną jakością danych i wymogiem precyzyjnych, w pełni opartych na źródłach odpowiedzi — jest znacznie trudniejsze.

Rozwiązanie: Warstwa wyszukiwania danych korzysta z GCP Discovery Engine — zarządzanej przez Google Cloud usługi wyszukiwania wektorowego i analizy dokumentów. Odpowiedzi z ankiet są indeksowane jako ustrukturyzowane dokumenty, co umożliwia wyszukiwanie semantyczne na ogromną skalę. Primotly utrzymuje proces indeksowania oraz warstwę zapytań. Krok syntezy LLM wykorzystuje duży model językowy do generowania podsumowania z pobranego kontekstu. Odpowiednia inżynieria promptów (prompt engineering) gwarantuje, że podsumowania bazują wyłącznie na faktycznie pobranych danych i nie generują informacji, które nie mają pokrycia w ankietach (eliminacja halucynacji).

Efekt: użytkownicy otrzymują odpowiedzi, które można powiązać z konkretnymi wypowiedziami z ankiet, z wyraźnie widocznym przypisaniem do marek i słów kluczowych w zestawie wyników.

Problem: Platforma była osadzona w wewnętrznym systemie legacy, który zgromadził liczne ograniczenia techniczne. Cała aplikacja — a nie tylko sam frontend — musiała zostać przeniesiona na nowy stack technologiczny bez przerywania działania istniejącego procesu danych AI oraz bez zakłóceń dla aktywnych użytkowników.

Rozwiązanie: Zamiast stopniowej migracji, Primotly realizuje kompletną przebudowę systemu od podstaw. Frontend powstaje w Angularze, a backend jest budowany w Pythonie z zachowaniem czystego podziału odpowiedzialności (separation of concerns). Infrastruktura GCP — w tym Discovery Engine, Firestore oraz warstwa integracji z LLM — jest na nowo łączona z nową aplikacją. To, co można zachować z poprzedniej implementacji, jest przenoszone; reszta zostaje napisana od nowa według najwyższych standardów.

Efekt: w pełni autorska, nowoczesna aplikacja na GCP — wolna od ograniczeń platformy legacy, z kodem łatwym w utrzymaniu i jasną ścieżką dalszego rozwoju. Migracja jest obecnie w toku.

Problem: Użytkownicy końcowi nie są inżynierami danych — to brand managerowie i specjaliści ds. marketingu, którzy oczekują konkretnych odpowiedzi, a nie skomplikowanych baz danych. Interfejs musiał być tak naturalny i szybki jak wyszukiwarka internetowa, a jednocześnie oddawać głębię informacji zawartych w badaniach ankietowych.

Rozwiązanie: Nowy frontend został zaprojektowany wokół rzeczywistego sposobu pracy brand managera: wpisz pytanie, otrzymaj podsumowanie, przeanalizuj dowody źródłowe. System tagowania pozwala użytkownikom na błyskawiczne filtrowanie wyników według marki, tematu czy cechy produktu, bez konieczności ponownego formułowania pytania. Interfejs stawia na czytelność i łatwość skanowania wzrokiem, a nie na gęstość upakowania tabel.

Efekt: przyjazny dla użytkownika interfejs, który radykalnie obniża barierę dostępu do wniosków z badań — sprawia, że dane z ankiet są tak łatwo dostępne jak w wyszukiwarce Google, a nie ukryte w nieprzejrzystym archiwum raportów.