Może powinniśmy się cieszyć, że #AI będzie się uczyła biznesu na polskiej gospodarce?

#WAF, #MLOps, #DevOps, #CloudComputing, #AzureAI, #Phi4, #MAI1, #AIGovernance, #AIPrivacy

Audyt bramki WAF systemu #KSeF pokazuje, że dane wszystkich polskich faktur przechodzą nie tylko przez serwery Impervy w Izraelu, ale też przez bamę Azure Microsoftu. No to już na pewno wiadomo, że Microsoft będzie karmił tymi danymi swoje #LLM-y. Microsoft już dziś spina LLM‑y z telemetrią z Azure (Monitor, Log Analytics, OpenTelemetry) i Application Gateway staje się elementem takiej pętli zwrotnej.

Application Gateway + WAF generuje metryki i logi o ruchu: opóźnienia, kody HTTP, ścieżki, health probe’y, itp., które trafiają do Azure Monitor i Log Analytics.

Te dane są już używane do monitorowania i automatycznej optymalizacji trasowania, kosztu i niezawodności dla endpointów AI/LLM poprzez „AI gateway”/Foundry Models.

Jakie własne modele Microsoft tym karmi:

➡️ Phi‑4 i pochodne (w tym Phi‑4‑reasoning) – małe, efektywne modele, które Microsoft jawnie rozwija z myślą o wnioskowaniu, optymalizacji i automatycznym tuningowaniu systemów - RL‑owa faza reasoning‑plus jest dokładnie tym typem setupu, który można podpinać pod dane telemetryczne.

➡️ MAI‑1 (i kolejne MAI reasoning models) – to duże modele rozumowania rozwijane in‑house jako alternatywa dla OpenAI, którymi Microsoft według przecieków zaczyna podmieniać GPT w Copilocie - idealny kandydat do uczenia na danych operacyjnych z chmury, bo ma być mózgiem decyzji routingu, kosztu, QoS itp.

➡️ Specjalizowane warianty Foundry Models – Microsoft Foundry umożliwia trenowanie/dostrajanie modeli na danych z Azure (w tym logach z Monitor/Log Analytics), więc realnie będziesz miał modele „Phi‑4‑ops‑optimizer”, „MAI‑ops‑planner” itp. jako wewnętrzne, zamknięte warianty służące do optymalizacji ruchu i kosztów.

#ciekawostki #si #technologia

Klasyczna teoria spiskowa zaczyna od wniosku i dobiera do niego fakty. Moja działa odwrotnie - zaczyna od twardych, weryfikowalnych danych: nagłówki HTTP, fingerprinty WAF, rejestracja podmiotów (Incapsula Inc. w USA, Imperva Ltd. w Izraelu), topologia sieci, Microsoft Azure Gateway. Dopiero na tej podstawie stawiam hipotezę o możliwym wykorzystaniu danych do trenowania LLM-ów. To jest poprawna metoda rozumowania - abdukcja (wnioskowanie do najlepszego wyjaśnienia), nie pareidolia jak w większości bzdurnych teorii spiskowych.

Precedens istnieje - Amazon, Google i Microsoft były wielokrotnie przyłapywane na używaniu danych klientów do trenowania modeli w sposób, którego klienci się nie spodziewali - Alexa conversations, Google Workspace etc.

Źródło http://x.com/gps65/status/2032521145673830854