Change jekyll to site

Author: Szymok

_includes/head.liquid

@@ -188,7 +188,7 @@
   <link defer rel="stylesheet" type="text/css" href="https://tikzjax.com/v1/fonts.css">
 {% endif %}
 
-{% if jekyll.environment == 'production' %}
+{% if site.environment == 'production' %}
   <script async defer
     data-website-id="70eace4c-383a-45d8-977d-0fb10ff9844a"
     src="https://umami.skszymon.eu/script.js">

_posts/2025-10-14-ai-models-dg.md

@@ -0,0 +1,18 @@
+---
+layout: post
+title: Kierunek zarządzania danymi w pionierskich modelach sztucznej inteligencji
+date: 2025-10-18 20:30:00
+description: Zarządzanie danymi jako brakujący filar bezpieczeństwa i regulacji frontier AI
+tags: [data-governance, ai, models]
+categories: [data-governance]
+giscus_comments: true
+featured: false
+toc:
+  sidebar: left
+---
+
+Zwykle mówimy, że „dane to paliwo AI”. Ten wpis jest o tym, jak dane mogą być także hamulcem bezpieczeństwa i dźwignią regulacyjną. Na kanwie pracy „Towards Data Governance of Frontier AI Models” dostępnej tutaj: https://arxiv.org/abs/2412.03824v2, pokazuję, dlaczego governance danych powinno stać się trzecim filarem obok mocy obliczeniowej i ewaluacji modeli.
+
+Autorzy mapują cały łańcuch dostaw danych – od produkcji i agregacji, przez przetwarzanie, pre‑training i fine‑tuning, po retrieval i ewaluacje – oraz wskazują, że właściwości danych (nierywalność, niewyłączalność, replikowalność, podatność na ataki i „obfusowalność”) jednocześnie utrudniają nadzór i tworzą nowe punkty zaczepienia dla polityk publicznych. W odpowiedzi proponują mechanizmy, które uderzają w przyczynę nabywania niebezpiecznych zdolności: znaczniki‑kanarki do wykrywania nieuprawnionego użycia, obowiązkowe filtrowanie danych przed treningiem, raportowanie zestawów do audytorów, wzmocnione bezpieczeństwo danych oraz zasady „know your customer” dla vendorów.
+
+W dalszej części wpisu streszczę główne tezy artykułu, pokażę, jak te mechanizmy wpisują się w praktykę zespołów ML i regulatorów, oraz zaproponuję prosty plan wdrożenia w trzech krokach – od detekcji, przez transparentność, po prewencję – z myślą o organizacjach, które chcą rozwijać modele graniczne odpowiedzialnie i przewidywalnie.