Jak AI podejmuje decyzje co sekundę na danych tabelarycznych? Przykład z MIT

Wyobraź sobie, że w twojej firmie codziennie generujesz tysiące wierszy danych w Excelu, ale modele AI, które testujesz, nie potrafią ich wykorzystać. To codzienność wielu firm – modele oparte na tekstach i obrazach dominują, a dane tabelaryczne, czyli większość danych operacyjnych, pozostają nieobsłużone. Profesor Devavrat Shah z MIT pokazuje, że to nie musi być norma.

Dlaczego dane tabelaryczne są niedoceniane przez obecne AI?

Większość modeli AI, które znamy, została zbudowana dla danych niestrukturalnych – obrazów, tekstów, nagrań. LLM-y, sieci konwolucyjne, modele wizyjne – one wszystkie świetnie radzą sobie z pikselami i słowami, ale nie z tabelami, które są podstawą operacji biznesowych: prognoz sprzedaży, zarządzania zapasami, planowania produkcji.

Dane tabelaryczne (w formacie wiersze/kolumny) stanowią trzon systemów ERP, CRM, arkuszy kalkulacyjnych. A jednak modele AI rzadko są projektowane z myślą o nich. Powód? Tabele są z natury nieciągłe – wartości zmieniają się w czasie, a relacje między kolumnami są często niestacjonarne. Tradycyjne podejścia wymagają ogromnych zasobów obliczeniowych do przetwarzania takich danych.

Profesor Devavrat Shah z MIT, członek Laboratory for Information and Decision Systems (LIDS) i Statistics and Data Science Center (SDSC), od lat pracuje nad modelami, które działają w czasie rzeczywistym przy ograniczonych zasobach obliczeniowych [1]. Jego cel? „Second-by-second decision-making” – podejmowanie decyzji co sekundę, bez konieczności stawiania serwerowni.

Kto stoi za nowym podejściem do danych tabelarycznych?

Devavrat Shah to Andrew (1956) and Erna Viterbi Professor w MIT EECS. Jego profil naukowy jest imponujący: ponad 24 000 cytowań i h-index ~62 [2]. Specjalizuje się w statystycznej inferencji, stochastycznych sieciach i uczeniu na grafowych modelach probabilistycznych [3]. To multidyscyplinarne tło – od teorii grafów po algorytmy dla danych społecznościowych – pozwoliło mu spojrzeć na problem danych tabelarycznych z innej strony.

Zamiast stosować standardowe sieci neuronowe, które wymagają dużej mocy obliczeniowej, Shah zaproponował rozszerzenie grafowych modeli probabilistycznych. Jego podejście opiera się na założeniu, że wiele danych biznesowych można reprezentować jako graf zależności między kolumnami, a nie jako płaską tabelę. To pozwala na efektywne obliczeniowo przetwarzanie nawet przy ograniczonych zasobach.

Jak działa foundation model dla danych tabelarycznych i szeregów czasowych?

Zespół Shaha opracował model, który działa na danych tabelarycznych i szeregach czasowych [1]. Kluczowa cecha: uczy się „w locie”, testując własne prognozy względem rzeczywistych wyników. To oznacza, że model nie potrzebuje wstępnego, masywnego trenowania na całej historii danych – może rozpocząć pracę od zera i poprawiać się wraz z napływem nowych informacji.

Architektura modelu rozszerza grafowe modele probabilistyczne o zdolność do ciągłego uczenia się. W praktyce oznacza to, że jeśli w danych pojawi się nowy wzorzec (np. sezonowy skok sprzedaży), model dostosowuje swoje parametry bez konieczności ponownego trenowania od początku. To jest kluczowe w dynamicznym środowisku biznesowym, gdzie dane zmieniają się z dnia na dzień.

Ograniczenie: model jest wyspecjalizowany w danych tabelarycznych i szeregach czasowych. Nie obsługuje obrazów ani tekstu. Dla firm, które potrzebują jednego modelu do wszystkiego, to może być wada – ale dla tych, które chcą przetwarzać operacyjne dane tabelaryczne w czasie rzeczywistym, to właśnie zaleta.

Od spin-offu do przejęcia przez giganta Process Mining – historia Ikigai Labs

W 2019 roku zespół Shaha założył spin-off Ikigai Labs [1]. Firma opracowała foundation model dla danych tabelarycznych i szeregów czasowych, który działał w czasie rzeczywistym przy ograniczonych zasobach. To nie był kolejny model teoretyczny – produkt został wdrożony w kilku firmach, które potrzebowały planowania operacyjnego na podstawie danych z poprzednich okresów.

W 2021 roku Ikigai Labs zostało przejęte przez Celonis, giganta w dziedzinie Process Mining. Shah został chief scientistem w Celonis, a jego technologie stały się częścią platformy do analizy procesów biznesowych. To doskonały przykład transferu technologii z nauki do przemysłu – od badań w MIT do gotowego produktu, który optymalizuje procesy w firmach na całym świecie.

Dla polskich firm, które często działają na JDG i mają ograniczone budżety, oznacza to, że istnieją już lekkie modele AI, które mogą działać na zwykłym sprzęcie. Nie trzeba kupować drogich serwerów czy subskrypcji chmurowych – model Shaha został zaprojektowany z myślą o ograniczonych zasobach obliczeniowych.

Czy Twoja firma jest gotowa na AI, która naprawdę rozumie dane operacyjne?

Według raportu McKinsey z 2024 roku, w którym zbadano ~900 MŚP w Europie i Ameryce Północnej, tylko 14% firm to „AI leaders” – firmy, które mają zaawansowaną infrastrukturę danych i zarządzanie. Aż 46% to „AI starters” z ograniczoną infrastrukturą [4]. Co więcej, liderzy AI raportują 2,1× wyższy wzrost EBIT niż firmy pozostające w tyle.

Główne bariery w adaptacji AI w MŚP to ograniczone zasoby finansowe, brak ekspertyzy, słaba gotowość danych oraz niepewność prawna/regulacyjna [5]. W Polsce sytuacja jest podobna – wiele firm ma dane rozproszone w arkuszach Excela, bez standardów jakości i bez możliwości łatwego ich przetworzenia przez modele AI.

Co można zrobić już dziś?

1. Zrób audyt swoich danych tabelarycznych – które procesy opierają się na prognozach z przeszłości? (np. prognozowanie sprzedaży, zarządzanie zapasami)
2. Sprawdź, czy któreś z tych procesów wymagają decyzji w czasie rzeczywistym – jeśli tak, model Ikigai Labs może być rozwiązaniem.
3. Rozważ wdrożenie lekkiego modelu, który uczy się w locie – nie potrzebuje ogromnych zbiorów danych ani dużej mocy obliczeniowej.

Model Shaha nie zastąpi wszystkiego – nie napisze za ciebie maila ani nie przeanalizuje zdjęcia. Ale jeśli twoja firma opiera się na danych tabelarycznych, a ty potrzebujesz podejmować decyzje co sekundę na podstawie tych danych, to jest to rozwiązanie, które warto sprawdzić.

Źródła

[1] Helping AI models to meet the real world – sciencesprings

https://sciencesprings.wordpress.com/2026/07/15/from-the-laboratory-for-information-and-decision-systems-in-the-schwarzman-college-of-computing-at-the-massachusetts-institute-of-technology-helping-ai-models-to-meet-the-real-world/

[2] Devavrat Shah – Google Scholar

https://scholar.google.com/citations?user=3qPiYJoAAAAJ&hl=en

[3] Devavrat Shah – MIT IBM AI Lab

https://mitibm.mit.edu/people/devavrat-shah/

[4] The state of AI in small and medium-size enterprises (2024) – McKinsey

https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-small-and-medium-size-enterprises

[5] Barriers and drivers of AI adoption in small and medium-sized enterprises: A systematic literature review (2023) – Elsevier

https://doi.org/10.1016/j.im.2023.103890