mezczyzna touchpoint wyszukiwanie szkolen na stronie

AI Storyboard w praktyce: makiety i wizualizacje wspierające projektowanie usług SDT, Vibe Coding, Agile, SCRUM

Asystenci AI przestali być „ciekawostką” dziś realnie skracają czas pracy zespołów produktowych, badawczych i projektowych. Wizualizujemy potrzeby użytkownika, żeby projektować lepsze doświadczenia: UX, CX w efekcie BX. Potencjału zastosowania i wsparcia się narzędziami AI warto szukać tam, gdzie zwykle tracimy najwięcej czasu i energii: na doprecyzowaniu koncepcji, dogadaniu się w zespole i szybkim pokazaniu „jak to działa” bez budowania pełnej makiety. Właśnie dlatego w naszym szkoleniu skupiamy się na praktycznym zastosowaniu asystentów AI w procesach projektowych, w tym min. service design thinking. Czasem wystarczy jeden kadr, żeby wszyscy w zespole zrozumieli to samo. I właśnie dlatego w Service Design Thinking tak często wracamy do prostego powiedzenia: „Jeden obraz wart więcej niż tysiąc słów”. Bo zanim zaczniemy budować makiety, opisywać wymagania czy planować sprinty, musimy najpierw uchwycić najważniejsze: sytuację użytkownika — jego cel, kontekst, emocje, przeszkody i momenty decyzyjne na ścieżce doświadczenia. W praktyce największe straty czasu w projektach nie biorą się z braku narzędzi, tylko z braku wspólnego obrazu w głowach ludzi. Każdy interpretuje „problem użytkownika” czy „User Stories” trochę inaczej (to fenomen ludzkiego umysłu), te różnice wychodzą często w trakcie wdrożenia propozycji wartości/produktu: w niekończących się doprecyzowaniach, zmianach scope’u i poprawkach do tego, co „miało działać inaczej”. Dlatego storyboardy i szybkie wizualizacje są tak cenne i często skuteczne — porządkują rozmowę, przyspieszają decyzje i pomagają przełożyć customer journey na konkretne sceny, które można wspólnie ocenić. W Service Design Thinking storyboard pełni rolę mostu między analizą a rozwiązaniem: domyka insighty z badań, nadaje kształt personom i touchpointom, a przede wszystkim pozwala sprawdzić, czy projektowane doświadczenie ma sens w realnym kontekście. Zamiast opisywać „co użytkownik zrobi”, pokazujemy, jak to wygląda krok po kroku — od pierwszego kontaktu, przez moment decyzji, aż po rezultat. To z kolei mocno ułatwia pracę na artefaktach SDT: mapach podróży klienta, service blueprintach, scenariuszach użycia czy mapach procesów. A kiedy np. wchodzimy w etap realizacji MVP i uruchamiamy pracę w Agile/Scrum, ten „jeden obraz” nadal pracuje dla zespołu — tylko w innym miejscu procesu. Storyboard pomaga szybciej: Daily – choć bywa w zespole „nielubianym obowiązkiem” — daje szybki wgląd w to, co dzieje się „tu i teraz”. Pozwala zobaczyć aktualne prace, zależności oraz czynniki, które mogą generować opóźnienia w dostarczeniu produktu lub rozwiązania (blokady, ryzyka, niejasności, brak decyzji, brak danych, brak akceptacji). Dlatego udział i wkład zespołu w Daily w jakiejkolwiek formie jest cenny – nawet jeśli ktoś nie chce mówić dużo na głos. A w wielu przypadkach sygnalizowanie problemów bywa łatwiejsze, gdy można je pokazać: krótką makietą, kadrem storyboardu lub zrzutem ekranu z komentarzem. Obraz przyspiesza zrozumienie, obniża barierę wejścia w rozmowę i pomaga zespołowi szybciej usuwać przeszkody. Dzięki transparentności prac mamy wgląd tu i teraz również zespół może ograniczyć inne spotkania i punkty styku w kanałach analogowych- ludzie, cyfrowych – rozwiązani informatyczne jak również obecnie już nawet agentami AI. Owszem, często mamy sytuację, kiedy w trakcie Daily nie wnosimy nic nowego, ale przez to, że celebrujemy to wydarzenie, nie tracimy szansy na wychwycenie, jeżeli takowe problemy się pojawią. Jednocześnie nie wstrzykujemy tych zakłóceń do organizmu naszego zespołu , tworząc kolejne chaotyczne, sztuczne punkty styku i generując kolejne zakłócenia w rytmie pracy naszego scrumowego organizmu. W Scrumie często mówi się o „optymalnej wielkości zespołu”, bo wraz ze wzrostem liczby osób rośnie też koszt koordynacji, warto też pamiętać o kosztach które ponosi które każdy członek zespołu każdego dnia, przełączenia się pomiędzy zadaniami. W praktyce nie chodzi jednak tylko o liczbę ludzi, ale o liczbę punktów styku, które trzeba utrzymać, żeby dowieźć wartość. A punktami styku mogą być nie tylko ludzie, lecz także systemy informatyczne (integracje, zależności, środowiska), procesy i narzędzia, a dziś coraz częściej również agenci AI,…

Umiemy - Nowoczesna przestrzeń szkoleniowa z rzutnikiem, flipchartem i kamerą do nagrań wideo

Podcast o AI na kanale Dariusza Rosiaka

Trudno nie cenić jakości jego dziennikarstwa. Obok „Raportu międzynarodowego” Jurasza i Parafianowicza, to dla mnie główne źródło rzetelnej analizy spraw, na których się nie znam, a które mnie ciekawią. Dlatego nas zaskoczył. ChatGPT ratuje życie? Z najnowszego odcinka wynika, że ChatGPT uratował życie. A nawet dwa życia. W pewnym momencie autor Adrian Bąk nawet retorycznie pyta, czy sam ten fakt nie uzasadnia wyjątkowej wartości owej technologii i potrzeby dalszego jej rozwoju. Po co powstał ChatGPT? Dowiadujemy się również po co w ogóle powstał ChatGPT: „Bardzo wcześnie zdawaliśmy sobie sprawę z tego, że to jest nieuniknione i niewiarygodnie istotne, że żeby zbudować sztuczną inteligencję generalnego użytku (…) cyfrowy mózg (…) będzie to zmiana paradygmatu na poziomie cywilizacji (…) było dla nas bliskie sercu, że ta technologia będzie miała pozytywny wpływ (…)” „Chciałbym, żeby AI pozwoliło ludziom osiągać to, co chcą osiągać i żeby pozwoliło ludziom stać się lepszymi samymi sobą. To jest takie moje marzenie” mówi Wojciech Zaremba. Przewidywania dotyczące AI W odpowiedzi na pytanie nad czym obecnie pracuje, zaczyna „przewidywać”, że w najbliższych latach: Pięć etapów rozwoju generatywnej AI Po czym sprzedaje 5 etapów rozwoju gen ai: (1) Przechodzi test Turinga (2) Modele rozumujące (3) Modele agentowe (4) Naukowiec (5) Inteligencja obsługująca całą firmę Analiza narracji Ten kuriozalny model dobrze sprzedaje właśnie strategię rozwoju nie tyle generatywnej ai, ale przedsiębiorstwa OpenAI, wycenianego obecnie na 500 mld USD, które póki co nie generuje zysków, lecz przynosi straty. Zaremba jest jego pracownikiem i współzałożycielem. Czy to oznacza, że wciąż jest idealistą, bezinteresownym, genialnym naukowcem? Nie przesądzam. Być może. Tyle, że to opowieść. Błyskotliwa narracja, której się pięknie słucha, nawet ze wzruszeniem. Poza ową narracją „prawda nie istnieje” – jak niedawno wyznał jeden z protagonistów AI w PL. Odcinek „Limitów AI” i technologiczny kicz Akurat z Kasia Zaniewska i Edyta Sadowska nagraliśmy 14 odcinek „Limitów AI”. Rozmawiamy o technologicznym kiczu, czyli o tych narracjach, które w interesie wielkich korporacji odwracają naszą uwagę od kosztów, ograniczeń i ryzyk rozwijanych przez nie technologii. Kluczowe pytania Kto na tych narracjach korzysta? Kto traci? Czym jest dziś dziennikarstwo? Czym różni się od PR?

AI dla Sceptyków Szkolenie Iwo Zmyślony

Dlaczego AI nie jest (jeszcze) inteligentne: wyjaśnia François Chollet -analizujemy na Umiemy

Kamienie milowe AI to nie dowód inteligencji Od zwycięstwa AlphaGo w 2016 po sukcesy GPT-4o i OpenAI o3 w 2024 – każde z tych osiągnięć prezentowane jest jako krok ku AGI. Jednak wg François Cholleta to błędna narracja. Systemy AI nie posiadają ogólnej inteligencji – wykonują wąskie zadania dzięki dopasowanym architekturom i ogromnym zasobom danych oraz mocy obliczeniowej. „memorize – fetch – apply” – tak Chollet opisuje działanie dzisiejszych systemów generatywnych AI. Czym jest prawdziwa inteligencja według Cholleta Chollet – badacz DNN i twórca testu ARC-AGI – twierdzi, że inteligencja to: To przeciwieństwo dzisiejszych LLM-ów, które przetwarzają dane pasywnie, bazując na wzorcach z treningu. Dlaczego obecny paradygmat AI nie prowadzi do AGI Chollet krytykuje dominujące podejście tzw. „scaling laws”. Trening modeli na coraz większych danych nie prowadzi do generalnej inteligencji – prowadzi do coraz lepszej interpolacji, nie generalizacji. Inteligencja ogólna wymaga zmiany architektury i założeń, nie tylko skali. Czym jest test ARC-AGI i jak mierzyć inteligencję Test ARC-AGI nie sprawdza, czy maszyna zna fakty, ale czy potrafi się ich nauczyć od zera. Przykład: nie liczy się, jak dobrze AI gra w szachy, ale jak szybko się ich nauczy – bez wcześniejszego kodowania reguł. Porównanie podejść do AGI Podejście Opis Plusy Minusy Test-Time Computing (TTC) Więcej zasobów na nowe zadania, bez zmiany modelu Szybsza reakcja Brak głębokiej adaptacji Test-Time Training (TTT) Fine-tuning modelu podczas zadania Większa elastyczność Ryzyko overfittingu, duże koszty Program Synthesis Tworzenie dedykowanych programów przy wsparciu DNN Największa szansa na „myślenie wolne” Wciąż wymaga nadzoru człowieka 2016 – AlphaGo wygrywa z mistrzem Go 2018 – AlphaStar wygrywa z ludźmi w StarCraft II 2019 – MuZero gra w gry komputerowe ucząc się poprze granie 2020 – AlfaFold analizuje i przewiduje trójwymiarowe struktury białek lepiej od człowieka 2022 – Cicero od Meta AI wygrywa w „Dyplomację” 2023 – AMIE i PaLM od googla diagnozują choroby lepiej od lekarzy (i są milsze) 2024 – ChatGPT 4o przechodzi Test Turinga 2024 – OpenAI o3 wygrywa z ludźmi w zadaniach z kodowania, matematyki i nauk przyrodniczych Wbrew temu, co hajpują mainstreamowe media, żaden z tych „kroków milowych” nie świadczy bynajmniej o „narodzinach istoty nowego gatunku”, ani o nieuchronnej ścieżce wykładniczego wzrostu, na którą wkroczyła ludzkość ku zagładzie. Mało tego, żadne z tych osiągnięć nie świadczy i nie może świadczyć ani o nadludzkiej inteligencji testowanych maszyn, ani nawet o ich wysokiej inteligencji. Najwyżej o wciąż jak najbardziej ludzkiej (i wciąż niedostępnej maszynom) OGÓLNEJ inteligencji ich twórców — architektów modeli, którzy je projektują i trenują pod konkretne benchmarki. Powyższy wniosek wynika z koncepcji Françoisa Cholleta — jednego z prekursorów deep-learning, doświadczonego architekta i badacza DNN (Deep Neural Networks), wieloletniego Senior Staff Engineer w Google (2015-2024), laureata Global Swiss AI Award (2021), uznanego niedawno za jedną ze 100 najbardziej wypływowych osób w świecie AI. Dlaczego sukcesy AI nie świadczą o inteligencji? Bo każdy z nich możemy wyjaśnić rozwiązaniami, które z inteligencją nie mają nic wspólnego — czysto mechanicznym (1) memoryzowaniem matematycznych procedur odwzorowujących statystyczne korelacje ukryte (przed człowiekiem) w zbiorach treningowych, (2) pasywnym przywoływaniem tych procedur w przypadkach, które maszyna sklasyfikuje jako podobne oraz (3) generowaniem na tej podstawie najbardziej prawdopodobnych zachowań typu obraz, muzyka, diagnoza lub kolejne słowo w ciągu wyrażeń (jak to Chollet dosadnie ujmuje: „memorize – fetch – apply”), tudzież (4)„brute force computing”, tj. dorzucaniem do modelu jeszcze więcej mocy obliczeniowych i jeszcze więcej danych. Chollet wielokrotnie podkreśla, że dotyczy to wszystkich systemów generatywnej AI opartych na DNN, zwłaszcza popularnych LLM-ów, które z premedytacją nazywa „interpolacyjnymi bazami danych” – interpolative databases tudzież „repozytoriami programów wektorowych” – repository of vector programs. Czym jest inteligencja? Wg Cholleta globalne środowisko AI bardzo długo ALBO kompletnie ignorowało to…

Vibe Coding – Kodowanie w Nowej Erze

Work Transformation w Świecie Programistów: Jak Sztuczna Inteligencja Redefiniuje Zawód Programisty

Nowe Możliwości, Szanse i Nadzieje Transformacja pracy to jedno z najważniejszych zjawisk współczesnego rynku. W szczególności branża IT znajduje się w samym centrum tej zmiany, gdzie narzędzia sztucznej inteligencji (AI) coraz intensywniej wpływają na sposób pracy, komunikacji, podejmowania decyzji i współpracy zespołowej. Dla programistów oznacza to nie tylko ewolucję narzędzi, ale wręcz zmianę tożsamości zawodowej. Czynniki wpływające na poprawę warunków pracy: To sprawia, że praca programisty staje się bardziej strategiczna, kreatywna i satysfakcjonująca. Scenariusz automatyzacji nocnej pracy: Wyobraźmy sobie sytuację, w której programista przygotowuje zestaw półautomatycznych narzędzi wspieranych przez AI, które w nocy generują i testują kod na podstawie zaplanowanych wcześniej promptów i danych wejściowych. Podczas gdy on odpoczywa, jego osobisty agent AI wykonuje powtarzalne zadania, integruje zmiany z repozytorium i generuje raporty ze statusami. Rano programista może rozpocząć dzień od przeglądu rezultatów i podjęcia decyzji strategicznych, zamiast zaczynać od żmudnej implementacji. To nie futurystyczna wizja, lecz realna możliwość, która zmienia sposób myślenia o produktywności i czasie pracy. Symboliczny powrót do fabryki: Programista, który dotychczas pracował zdalnie i cenił niezależność, może w przyszłości stanąć przed zaskakującym scenariuszem. W erze zautomatyzowanej pracy wspieranej przez AI, przychodzi do firmy nie po to, by spędzić tam cały dzień nad klawiaturą, lecz by symbolicznie odbić kartę pracy — niczym dawniej w fabrykach. Tyle że tym razem karta ta rejestruje aktywność nie jego samego, lecz wytężoną pracę algorytmów, które wykonały za niego wiele zadań podczas jego odpoczynku. To symbol nowej ery, w której pracownik nie tylko zarządza swoim czasem, ale i flotą cyfrowych asystentów. A dodatkowa wypłata? Może stanowić premię nie za nadgodziny, lecz za efektywnie skonfigurowane automaty, które pracowały, gdy człowiek spał lub regenerował siły. AI jako Nowy Niezbędnik Programisty Jeszcze niedawno AI była postrzegana jako ciekawostka technologiczna. Dziś to integralna część codziennego workflow. Narzędzia takie jak GitHub Copilot, ChatGPT, czy Aider wspierają programistów w automatyzacji rutynowych czynności: Vibe Coding – Kodowanie w Nowej Erze Wraz z pojawieniem się koncepcji „vibe coding” wprowadzanej przez Andreja Karpathy’ego, wchodzimy w erę kodowania poprzez intencje i emocje. Programista zamiast pisać kod od podstaw, komunikuje „vibe” aplikacji – jej cel, charakter, sposób działania – w języku naturalnym, a AI wykonuje implementację. W tym kontekście warto zwrócić uwagę na potencjał, jaki może wnieść wzbogacenie Vibe Coding o podejście design thinking/service design. Sesje kreatywne prowadzone w duchu design thinking – szczególnie przez doświadczonych moderatorów – potrafią wygenerować wizje produktów i usług o bardzo wysokim poziomie abstrakcji, ale też praktyczności. Moderator design thinking, który potrafi modelować potrzeby, inspirować i prowadzić uczestników przez etapy empatyzacji, definiowania problemu i ideacji, może istotnie wzbogacić proces vibe coding o głębokie, społecznie istotne i empatyczne koncepcje. Dobrze poprowadzona sesja design thinking: Vibe coding w połączeniu z design thinking staje się więc nie tylko narzędziem kodowania, ale środkiem tworzenia znaczących rozwiązań społecznych, edukacyjnych i biznesowych, dostępnych dla coraz szerszego grona twórców cyfrowych. Korzyści podejścia vibe coding: Co więcej, podejście vibe coding znacząco obniża próg wejścia do branży IT. Osoby, które do tej pory nie programowały zawodowo, ale posiadają doświadczenie w obszarach takich jak UX, analiza biznesowa, projektowanie usług, edukacja czy marketing cyfrowy, mogą zacząć współtworzyć aplikacje. Dzięki AI nie muszą znać składni języków programowania, aby wyrazić swoje intencje — wystarczy umiejętność formułowania potrzeb i kontekstu w języku naturalnym. To zjawisko otwiera nowe ścieżki kariery, zwłaszcza dla interdyscyplinarnych specjalistów i osób przebranżawiających się. Możemy mówić o roli „twórców systemów” — ludzi, którzy nie piszą kodu, lecz budują logikę i doświadczenie użytkownika we współpracy z AI. To również ogromna szansa dla edukacji i sektora publicznego, gdzie brak programistów mógł być dotychczas barierą wdrażania nowoczesnych rozwiązań cyfrowych. Nowa Rola Programisty: Dyrygent AI Dzisiejszy programista staje się dyrygentem sztucznej inteligencji. Jego…

Newsletter

Give your inbox some love with new products, tips, & more.


    © Umiemy 2024

    Shopping cart

    0
    image/svg+xml

    No products in the cart.

    Continue Shopping