Dane tabelaryczne i decyzje co sekundę: co zrobił zespół z MIT

Czym są dane tabelaryczne i dlaczego sprawiają kłopot modelom AI?

Dane tabelaryczne to uporządkowane rekordy w wierszach i kolumnach: zapisy z systemów ERP i CRM, baz danych oraz arkuszy kalkulacyjnych. MIT opisuje je jako struktury zbliżone do arkusza, gromadzone w firmie z wielu źródeł jednocześnie [1]. Modele generatywne powstawały głównie z myślą o tekście i obrazach, a przy predykcji na danych strukturalnych często ustępują metodom uczenia maszynowego [2].

Problem nie leży w samych tabelach, tylko w ich naturze. Kolumny są ze sobą powiązane, wartości zmieniają się w czasie, a wzorce z jednego kwartału nie muszą powtarzać się w kolejnym. Model, który nauczył się historii, musi reagować na zmianę rozkładu danych, a nie tylko odtwarzać przeszłość [3]. MIT wskazuje dodatkowo, że część trudności wynika z braku szczegółowej wiedzy o konkretnej organizacji, a nie z samego formatu danych [1].

Co dokładnie opisano w materiale MIT z lipca 2026 roku?

MIT News opublikował tekst „Helping AI models to meet the real world” 14 lipca 2026 roku [1]. To opis badań i komercjalizacji technologii danych tabelarycznych, nie komunikat o premierze aplikacji konsumenckiej.

Bohaterem materiału jest Devavrat Shah, profesor MIT związany z Laboratory for Information and Decision Systems [1][4]. Tekst pokazuje, jak badania nad modelami decyzyjnymi trafiły do firmy Ikigai Labs, a następnie do Celonis [1]. Nie podaje przy tym liczby rekordów na sekundę ani gwarantowanej częstotliwości decyzji. To rozróżnienie ma znaczenie, bo sformułowanie „second-by-second” oznacza w materiale klasę metod, nie zmierzoną przepustowość systemu [1].

Kto stoi za badaniami nad danymi tabelarycznymi?

Devavrat Shah jest profesorem MIT i badaczem związanym z Laboratory for Information and Decision Systems oraz Statistics and Data Science Center [4]. Jego prace dotyczą statystycznej inferencji i metod podejmowania decyzji przy ograniczonych zasobach obliczeniowych [4].

Ten kierunek opisuje sformułowanie „second-by-second decision-making”: decyzje podejmowane z częstotliwością sekundową, bez stawiania własnej serwerowni [1]. W materiałach MIT nie ma jednak danych, które pozwalałyby twierdzić, że system wykonuje dokładnie jedną decyzję na sekundę w każdej firmie. Model nie jest też opisany jako dodatek do arkusza kalkulacyjnego — pracuje na danych pobieranych z systemów przedsiębiorstwa [1].

Jak działa model dla danych tabelarycznych i szeregów czasowych?

Model wspiera prognozowanie, planowanie scenariuszy i ocenę skutków decyzji. Porównuje własne predykcje z rzeczywistymi wynikami i na tej podstawie aktualizuje parametry, bez trenowania od zera po każdej zmianie danych [1].

Dane wejściowe pochodzą z wielu źródeł przedsiębiorstwa, nie z jednego pliku. Model obsługuje dane tabelaryczne i szeregi czasowe, a nie obrazy czy tekst [1]. To ograniczenie bywa wadą, gdy firma chce jednego narzędzia do wszystkiego, i zaletą, gdy potrzebuje prognoz operacyjnych. Praktyczny wątek pracy z danymi w modelach językowych opisujemy osobno, w tekście o Codeksie w data science.

Ikigai budowało model dla korporacyjnych danych tabelarycznych i szeregów czasowych, pobieranych z różnych systemów [1]. To opis produktu dla przedsiębiorstw, a nie funkcji arkusza.

Co zmieniło przejęcie Ikigai Labs przez Celonis?

Ikigai Labs współzałożono w 2019 roku. Firma rozwijała foundation model dla danych tabelarycznych i szeregów czasowych na podstawie badań Shaha; model był opatentowany, a MIT udzielił licencji [1].

MIT podaje, że Ikigai została niedawno przejęta przez Celonis — firmę zajmującą się cyfryzacją i automatyzacją operacji, obsługującą ponad 1400 dużych firm [1]. Technologia ma działać nad cyfrową warstwą procesów biznesowych. W praktyce oznacza to, że opisany model nie jest dziś osobnym produktem, tylko częścią platformy do analizy procesów [1]. Kto szuka narzędzia do prognoz operacyjnych, powinien sprawdzić ofertę Celonis, a nie osobne wdrożenie Ikigai.

Czy modele AI naprawdę nie potrafią pracować z tabelami?

Nie, takie twierdzenie jest zbyt mocne. MIT opisywał zarówno ograniczenia modeli generatywnych w predykcji tabelarycznej, jak i działające rozwiązania specjalizowane [1][5].

Przykładem jest GenSQL, system do analizy danych tabelarycznych w bazach. W testach wykonywał zapytania 1,7–6,8 raza szybciej niż porównywane metody, a większość zapytań kończył w kilka milisekund [5]. Potrafi wykrywać anomalie i generować predykcje [5]. Problemem bywa więc dobór narzędzia i brak wiedzy o organizacji, a nie sam format wierszy i kolumn [1].

Czy system podejmuje decyzje samodzielnie?

Nie. MIT opisuje prognozowanie, symulowanie wariantów i planowanie, czyli wspieranie decyzji, a nie przejmowanie odpowiedzialności za nie [1].

W tle zostaje kwestia nadzoru. Art. 22 RODO dotyczy decyzji podejmowanych wyłącznie automatycznie, jeśli wywołują skutki prawne lub istotnie wpływają na odbiorcę, a AI Act wprowadza obowiązki zależne od poziomu ryzyka [6]. Dlatego w praktyce mówi się o modelu human-in-the-loop: system liczy warianty, człowiek zatwierdza [6]. Narzędzia wspierające decyzje zarządcze są opisywane właśnie w ten sposób — jako wzmocnienie procesu, nie jego zastąpienie [7]. Skala problemu jest przy tym duża: firmy podejmują tysiące decyzji dziennie [8].

Co to oznacza dla małych firm w Polsce?

Najpierw porządek w danych. Model prognozujący nie naprawi tabel, w których brakuje historii albo jednostek. Warto zacząć od jednego procesu z regularnym pomiarem wyniku — na przykład planowania zapasów — i sprawdzić, czy prognozę da się porównać z faktem [9].

Potem wybór klasy narzędzia. Model specjalizowany w danych tabelarycznych sprawdzi się tam, gdzie liczy się prognoza liczbowa; model językowy — tam, gdzie trzeba opisać wynik i wyjaśnić go człowiekowi [1][5]. Pomocne bywa też zrozumienie podstaw uczenia maszynowego, choćby po to, by odróżnić dryf modelu od błędu w danych [3]. Szerzej o tym, jak modele trafiają do wyszukiwania i codziennych decyzji, piszemy w tekście o Google Search z AI.

Na końcu pytanie o odpowiedzialność. Decyzja o cenie, kredycie czy zatrudnieniu zostaje przy człowieku, a system dostarcza przesłanki [6][7]. To tańsze i bezpieczniejsze założenie niż szukanie modelu, który zastąpi decyzję. Warto też porównywać narzędzia tak, jak porównuje się benchmarki — o tym, czego one nie pokazują, piszemy w tekście o benchmarkach AI.

Najczęstsze pytania

Czym są dane tabelaryczne w kontekście AI?

Dane tabelaryczne to rekordy ułożone w wiersze i kolumny: dane z systemów ERP, CRM, baz i arkuszy. Model uczy się zależności między kolumnami i prognozuje kolejne wartości, na przykład sprzedaż w kolejnym tygodniu. MIT opisuje takie struktury jako zbiory gromadzone w firmie z wielu źródeł, a nie jeden arkusz [1].

Czy model z MIT zastąpi Excela?

Nie. Model pracuje na danych pobieranych z systemów przedsiębiorstwa i obsługuje dane tabelaryczne oraz szeregi czasowe [1]. Arkusz bywa jednym ze źródeł, ale produkt nie jest dodatkiem do arkusza. Do opisu i interpretacji wyników nadal potrzebne są narzędzia analityczne oraz człowiek, który je czyta.

Czy decyzje naprawdę zapadają co sekundę?

„Second-by-second decision-making” to nazwa klasy metod działających w czasie rzeczywistym, nie zmierzona częstotliwość [1]. Materiał MIT nie podaje liczby decyzji na sekundę ani opóźnienia systemu. Bezpieczniej mówić o planowaniu i prognozowaniu na bieżąco, z aktualizacją modelu po porównaniu predykcji z rzeczywistym wynikiem [1].

Kto dziś rozwija technologię Ikigai Labs?

Technologia przeszła do Celonis, firmy zajmującej się automatyzacją operacji i obsługującej ponad 1400 dużych firm [1]. Ikigai Labs powstało w 2019 roku i rozwijało model na podstawie badań Shaha, z licencją od MIT [1]. Publiczne omówienia nie wskazują, by firma działała dziś jako niezależny dostawca tego modelu.

Czy warto wdrażać taki model w małej firmie?

Warto, jeśli firma ma powtarzalny proces z mierzalnym wynikiem i co najmniej kilkanaście okresów historii do porównania. Wtedy da się sprawdzić, czy prognoza bije proste podejście oparte na średniej. Przy danych rozproszonych w kilku arkuszach pierwszym krokiem jest uporządkowanie źródeł, a nie wybór modelu [9].

Źródła

1. Helping AI models to meet the real world (MIT News, 2026)
2. Explained: Generative AI (MIT News, 2023)
3. Uczenie maszynowe — kompletny przewodnik po machine learning (Turing)
4. Helping AI models to meet the real world (MIT Schwarzman College of Computing, 2026)
5. MIT researchers introduce generative AI for databases (MIT News, 2024)
6. Ludzie vs AI w podejmowaniu decyzji: kto decyduje lepiej i kiedy (OCLab)
7. Podejmowanie decyzji wspomagane sztuczną inteligencją (Softiq)
8. Firmy przebudowały wszystko pod AI. Z wyjątkiem tego, jak podejmują decyzje (Unite.AI)
9. Od danych do decyzji. Jak technologia pomaga firmom wykorzystać własną wiedzę (RP Cyfrowa)