# Scenariusz — AI w inżynierii wiertniczej

25 slajdów: 22 główne + 3 aneksowe. Roboczy czas: około 30 minut, w tym 5 minut na dwa pokazy na żywo.

## 1. AI w inżynierii wiertniczej

Przedstawiamy prace nad systemem dziedzinowym dla wiertnictwa. Pokażemy własne zaplecze obliczeniowe, proces przygotowania danych, pierwszy eksperyment adaptacji modelu i ocenę jego wyników. Dwa krótkie wejścia do panelu pokażą działające modele i Superwiertnika. Zakres testu jest wąski: pytania dotyczące dokumentacji HDD. To punkt wyjścia do dalszych badań nad wspomaganiem pracy inżyniera. Czas: około 45 sekund.

## 2. Gdzie AI może pomóc?

Odbiorcami są inżynierowie i osoby szukające partnera do zastosowań AI. Zacząć od ich pracy: dokumenty, rozproszone dane, warunki stosowania metod. Działający system odpowiada na podstawie dokumentów; wspomaganie obliczeń jest dalszym kierunkiem. Nie obiecujemy automatycznego projektowania. Pokazujemy, jak badamy przydatność tych narzędzi. Czas: 1 minuta.

## 3. Łączymy wiertnictwo i AI

To główna kompetencja zespołu: łączymy znajomość technologii wiertniczych z własnym uruchamianiem modeli, przygotowaniem danych i oceną odpowiedzi. Sama znajomość narzędzia AI nie wystarcza do oceny zastosowania w branży. Dalsze slajdy pokażą zaplecze, proces pracy i wynik rzeczywistego eksperymentu. Pierwszy test dotyczy pytań tekstowych z dokumentacji HDD; nie rozszerzamy jego wyników na całą branżę. Czas: 1 minuta.

## 4. Dokumenty, uczenie i obliczenia

Trzy sposoby pracy z wiedzą wyjaśniamy bez skrótów. Pierwszy to RAG: model otrzymuje dokumenty przy pytaniu. Drugi to adaptacja: zmieniamy część parametrów na przykładach dziedzinowych. Trzeci to połączenie modelu z programem obliczeniowym; wymaga osobnej walidacji. W ten sposób rozróżniamy system już działający, badania nad uczeniem i dalszy kierunek integracji. Czas: 1 minuta.

## 5. Modele pracują na naszych serwerach

To dwa węzły widoczne w panelu, a nie pełny spis wyposażenia serwerowni. C64 raportuje osiem kart Tesla V100-SXM2-32GB; ATARI sześć obecnych kart po 32768 MiB. Dwie pozostałe pozycje ATARI są oznaczone jako nieobecne i nie wchodzą do sumy. Pamięć pokazujemy jako sumę zasobów fizycznych, nie pamięć swobodnie dostępną dla jednego modelu. C64 obsługuje instancje modeli, ATARI zaplecze Superwiertnika. Przydział kart do treningu i generowania odpowiedzi może się zmieniać. Czas: 1 minuta.

## 6. Testujemy i szkolimy duże modele

Obecne testy i szkolenie dużych modeli to stan prac przekazany przez Krzysztofa 18.10.2026. Przykładem testowanego modelu jest DeepSeek-V4-Flash. Oficjalna karta podaje 284 miliardy parametrów łącznie, 13 miliardów aktywnych i pojemność kontekstu 1 milion tokenów. Nie mylić liczby parametrów z rozmiarem pliku modelu: lokalna notatka odnotowuje około 151 GB. Token to fragment tekstu, nie cała strona ani zawsze całe słowo. Podajemy maksymalną pojemność modelu, nie zmierzony rozmiar aktualnego uruchomienia w panelu C64. Nie przedstawiamy wyników ukończonego uczenia tego DeepSeeka ani nie przypisujemy mu wyników testu Qwen z dalszej części. Czas: 1 minuta.

## 7. Serwerownia i modele

POKAZ 1 — około 2 minut. Przed wejściem na scenę zalogować się do panelu w osobnej karcie. Link otwiera nową kartę, slajd pozostaje na miejscu. Kolejno pokazać: Flota — zbiorczo; węzły i GPU; Workery (sloty); Zaplecze superwiertnika; Historia. Odróżnić pamięć zajętą przez załadowany model od bieżącego wykorzystania GPU. Dostępność instancji zmienia się: na scenie odczytać stan aktualny, bez zapowiadania liczby działających modeli. Ostatni odczyt z 18.10 o 13:08 pokazywał dostępną instancję D i niedostępne A–C. Bez przełączania presetów, restartów i uruchamiania treningu. Przy braku dostępu wrócić do slajdów 5–6: zawierają opis i datowany inwentarz, nie udają transmisji. Wrócić do tej karty i przejść dalej.

## 8. Pytamy model. Sprawdzamy źródło.

System odniesienia łączy model językowy z wyszukiwaniem w korpusie. Najpierw pobierane jest do 40 kandydatów, następnie odfiltrowujemy źródła robocze i porządkujemy fragmenty według trafności. Do modelu trafia maksymalnie pięć fragmentów, po 700 znaków. Dla każdego pytania kontekst jest pobierany raz i przekazywany obu wariantom. To ogranicza wpływ różnic w wyszukiwaniu na porównanie. Czas: 1,5 minuty.

## 9. Uczymy na przykładach z dokumentacji

Przygotowana pula do adaptacji zawierała 62 454 rekordy. Pierwszy przebieg wykorzystał 3 000 przykładów; nie trenowaliśmy na całej puli. Dane były wytwarzane automatycznie, więc ich liczba nie świadczy o jakości. Szczególnie istotne są poprawne powiązania ze źródłem i przykłady, w których należy odmówić odpowiedzi. Nie przedstawiamy zbioru jako w całości ręcznie opracowanego przez ekspertów. Czas: 1 minuta.

## 10. Po uczeniu sprawdzamy odpowiedzi

Pokazujemy pełną drogę danych. Z fragmentów dokumentacji powstają przykłady z pytaniem i kontekstem. Po selekcji trafiają do treningu adaptera. Uczenie nie jest uruchamiane przy każdym pytaniu zadawanym w czacie: odpowiedź powstaje przy użyciu już zapisanych parametrów. Artefaktem pierwszego treningu jest checkpoint 188. Potem wykonaliśmy osobne porównanie odpowiedzi z modelem bazowym. Czas: 1 minuta.

## 11. Czy uczenie rzeczywiście pomaga?

Wariant A to model bazowy z dokumentami dostarczanymi przez RAG. Wariant B korzysta z tego samego modelu i tego samego kontekstu, ale z włączonym adapterem wytrenowanym metodą QLoRA. Trening zakończył jedną epokę i 188 kroków. Porównanie dotyczy konkretnego adaptera i konfiguracji, a nie wszystkich metod adaptacji modeli. Czas: 1,5 minuty.

## 12. Model uczy się. Czy odpowiada lepiej?

Wykres pochodzi z log_history zapisanego checkpointu 188. Pokazuje 37 pomiarów loss, od kroku 5 do 185, bez wygładzania i bez uzupełniania brakujących wartości. Trening zakończył 188 kroków i jedną epokę; ostatnia zapisana wartość punktowa pochodzi z kroku 185. Początkowy spadek oznacza lepsze dopasowanie do zadania treningowego, nie potwierdzenie poprawności inżynierskiej. Nie mamy tu krzywej walidacyjnej i nie wnioskujemy z tego wykresu o generalizacji. Teraz pokażemy panel procesu, a następnie wyniki osobnego testu odpowiedzi. Czas: 1 minuta.

## 13. Superwiertnik w działaniu

POKAZ 2 — około 3 minut. Użyć zalogowanej karty panelu i zakładki Superwiertnik. Omówić Stan budowy datasetu: kolejne liczniki oznaczają produkty różnych etapów, nie liczbę przykładów użytych w pierwszym treningu. Tam wykorzystano 3000 z puli 62454. Następnie Czat z ekspertem: zadać pytanie demonstracyjne opisane w DEMO.md i rozwinąć Źródła pod odpowiedzią. Porównać jej treść z fragmentem, bez zapowiadania konkretnego wyniku. UWAGA dla prelegenta: w kodzie panelu sprawdzonym 18.10 pozostał nieaktualny napis, że QLoRA nie rozpoczęto. Zapis treningu i ocena z 15.10 potwierdzają zakończony pierwszy przebieg; ten napis nie jest źródłem stanu treningu. Panel pokazuje przygotowanie danych i czat, nie transmisję trwającego treningu. Nie uruchamiać nowego treningu na scenie. Przy braku dostępu wykorzystać poprzedni slajd z autentyczną krzywą i przejść do wyników. Czas: 3 minuty.

## 14. 120 pytań. Dwa rodzaje zadań.

W pilotażu wybrano po 60 pytań z dwóch grup. Pierwsza dotyczy wartości liczbowych, druga pytań oznaczonych w zbiorze jako nieodpowiadalne. Ocena jest automatyczna: wykrywa wartość, znacznik cytowania i sformułowania odmowy. Nie ocenia jeszcze poprawności jednostek ani tego, czy przywołany fragment rzeczywiście uzasadnia odpowiedź. Nie traktujemy tego zbioru jako potwierdzonego testu generalizacji na nowych dokumentach. Czas: 1,5 minuty.

## 15. Lepsze liczby, słabsze wskazywanie źródeł

Każdy wykres pokazuje odsetek odpowiedzi spełniających pojedynczy warunek automatyczny. Trafienie w wartość wzrosło z 19 do 28 odpowiedzi na 60. Oznaczenie źródła wystąpiło w 45 odpowiedziach modelu bazowego i 11 po adaptacji. W grupie pytań bez odpowiedzi sygnał odmowy pojawił się odpowiednio 29 i 11 razy. Są to wyniki opisowe z jednego pilotażu; nie formułujemy twierdzeń o istotności statystycznej. Czas: 2 minuty.

## 16. Tej wersji nie wdrożyliśmy

Poprawa pojedynczego wskaźnika nie wystarczyła do przyjęcia adaptera. W pomocniczej analizie liczba odpowiedzi, które łączyły trafienie w wartość i obecność znacznika źródła, spadła z 18 do 3. To nadal nie potwierdza zgodności cytatu z odpowiedzią; pokazuje jednak utratę pożądanego zachowania. Decyzją projektu było pozostawienie systemu bazowego i zmiana przygotowania danych do kolejnej adaptacji. Sam system bazowy także wymaga dalszej walidacji. Czas: 1,5 minuty.

## 17. Inżynier sprawdza znaczenie odpowiedzi

Obecny skrypt sprawdza wystąpienie wartości wzorcowej w odpowiedzi, a nie poprawność całego obliczenia. Znacznik [n] jest warunkiem formalnym, a jego obecność nie dowodzi zgodności ze źródłem. Reguła odmowy wyszukuje określone sformułowania. Dodatkowo trzeba potwierdzić rozdzielenie dokumentów pomiędzy przygotowaniem danych a testem i ocenić nowe przypadki. To warunki następnego, mocniejszego eksperymentu. Czas: 1 minuta.

## 18. AI pomaga. Program liczy. Inżynier ocenia.

Drugim obszarem prac jest powiązanie modelu językowego z istniejącymi narzędziami obliczeniowymi. Model może wspierać odczyt i organizację danych oraz wyjaśnienie wyniku. Sam rachunek powinien być wykonywany jawnie, z kontrolą jednostek i założeń. Pokazujemy docelowy podział zadań; test ze 120 pytaniami nie weryfikował tej integracji. Czas: 1 minuta.

## 19. Reologia: wynik odnosimy do pomiarów

Uniwersalny przykład obliczeniowy: reogram płuczki i model Herschela–Bulkleya. Punkty są pomiarami, linia dopasowaną krzywą. Wynik odnosimy do danych i zakresu stosowania modelu fizycznego. To przykład z narzędzia obliczeniowego, nie wynik badanego modelu językowego. Połączenie z AI wymaga osobnego testu: poprawności danych wejściowych, jednostek, wywołania programu i interpretacji wyniku. Czas: 1 minuta.

## 20. Co sprawdzamy w następnym etapie?

Wynik pierwszej adaptacji wskazuje trzy konkretne obszary następnego eksperymentu. Zaczynamy od poprawności przykładów, zwłaszcza źródeł i odmowy odpowiedzi. Następnie porównujemy lżejsze ustawienia adaptacji. Trzecim krokiem jest mocniejszy protokół oceny na nowych dokumentach. Podział systemu na wyspecjalizowane zadania, również odczyt obrazów i niezależną kontrolę, pozostaje kierunkiem badań. Nie prezentujemy tu gotowego, zwalidowanego zespołu autonomicznych agentów. Czas: 1 minuta.

## 21. Zacznijmy od konkretnego zadania

Zaproszenie do wspólnego badania, nie slajd z ofertą handlową. Punktem wyjścia jest wąsko określony problem z praktyki partnera i zestaw dokumentów, które może udostępnić. Uzgadniamy zakres dostępu, sposób ochrony danych i kryteria przed testem. Oceniają inżynierowie: poprawność odpowiedzi, konieczne korekty i czas weryfikacji. Nie obiecujemy oszczędności ani gotowego wdrożenia przed pomiarem. Czas: 1 minuta.

## 22. Przydatność AI sprawdzamy na zadaniu inżynierskim.

Wracamy do pytania z początku: gdzie AI może przydać się w pracy inżyniera? Pokazaliśmy własne zaplecze, działający system dokumentowy i eksperyment, który pozwolił odrzucić gorszą wersję modelu. Łączymy rozwój AI ze znajomością technologii wiertniczych. Zapraszamy do rozmowy o konkretnym problemie, dokumentacji i wspólnej ocenie użyteczności. Czas: 45 sekund.

## 23. Co dokładnie policzono?

Slajd pomocniczy do pytań. Dane przeliczone z pliku eval_detail.jsonl; zgodne z eval_summary.json. Wspólny warunek wartości i cytowania obliczono dodatkowo podczas przygotowania prezentacji. Wartości procentowe są zaokrąglone do jednego miejsca. Nie podajemy przedziałów ufności ani testów istotności, ponieważ jest to opisowy pilotaż z ograniczeniami doboru próby.

## 24. Konfiguracja i ograniczenia pilotażu

Slajd pomocniczy do dyskusji metodologicznej. W kodzie istnieje powrót do kolejności wyszukiwania wektorowego w razie błędu rerankera; sam zapis wyników nie rozstrzyga, czy taki przypadek wystąpił. Nie przedstawiamy próby jako losowej ani niezależnej na poziomie dokumentów. Automatyczna ocena pierwszej liczby i znaczników źródła jest celowo określana jako wskaźnik, a nie poprawność całej odpowiedzi.

## 25. Metody, dane i afiliacja

Źródła metod są źródłami pierwotnymi. Wyniki prezentowanego eksperymentu pochodzą z własnych artefaktów projektu; nie są wynikami autorów przywołanych publikacji. Tytuły autorów sprawdzono w SkOS AGH. Tomasz Kowalski występuje w SkOS jako Tomasz Wojciech Kowalski. Specyfikacja DeepSeek-V4-Flash pochodzi z oficjalnej karty producenta: 284 mld parametrów, 13 mld aktywnych, kontekst 1 mln tokenów. Bieżące testy i szkolenie dużych modeli: informacja zespołu przekazana 18.10.2026; nie jest to wynik pokazanego pilotażu Qwen.
