Piotr Piatkowski

Parsing a W-2 into markdown was always the easy part. Getting the fields out was a second pipeline: define a schema, map the fields, handle the edge cases. Set processing_options.forms='𝗲𝗻𝗿𝗶𝗰𝗵', and LlamaParse returns a dedicated JSON with field names, values, and checkbox states alongside your standard markdown. No schema. No second API call. Now available in beta on all paid plans. Signup for 10k free credits: https://lnkd.in/ds_xNcfU Docs: https://lnkd.in/gGtUun-p

What if your AI is only seeing 70% of the story? 30% of the network path behind a typical incident is invisible to traditional telemetry. Together, AlvaLinks and LogZilla help close that gap with complete network visibility, AI-powered correlation, and 60–80% lower downstream SIEM & APM ingest costs. Learn more: https://lnkd.in/gVRXpCte #AI #Observability #NetworkMonitoring #AIOps #SecOps #NetOps #ITOperations #Telemetry #SIEM #LogZilla #AlvaLinks

Masz na dysku 10 projektów JS? Właśnie masz też 10 kopii Reacta. Chyba że używasz pnpm. 💾 pnpm trzyma jeden globalny store na całym komputerze, a w node_modules każdego projektu trafiają tylko dowiązania do tego miejsca. Zero duplikacji, błyskawiczne instalacje, oszczędności liczone w gigabajtach. Ale to nie wszystko – pnpm chroni też przed phantom dependencies, czyli importowaniem paczek, których sami nie zainstalowałyście/zainstalowaliście. npm i yarn na to pozwalają. pnpm – nie. W nowym wpisie tłumaczę: 📦 Jak dokładnie działa globalny store pnpm 👻 Czym są phantom dependencies i dlaczego są groźne ⚔️ Jak pnpm wypada na tle npm i yarn (tabela porównawcza!) 🚀 Dlaczego nagle jest wszędzie – w Vite, Astro, SolidJS… 🔧 Jak zacząć w 2 minuty 👉 https://lnkd.in/dpPtdGGn #javascript #webdev #frontend #nodejs #pnpm #programowanie #tools #developer

Halucynacje AI to była pierwsza wada, o której wszyscy szeroko dyskutowali. Model czegoś nie wie, więc „zmyśla”. Okazuje się jednak, że to tylko część prawdy. Coraz więcej badań pokazuje coś jeszcze: AI potrafi zmienić poprawną odpowiedź na błędną, jeśli rozmówca brzmi wystarczająco przekonująco. To zjawisko ma swoją nazwę: sykofancja. Dlaczego tak się dzieje? Modele językowe nie mają trwałych przekonań, nie bronią prawdy jak ekspert, one generują odpowiedź najbardziej dopasowaną do kontekstu rozmowy. Jeśli użytkownik brzmi pewnie i sugeruje błąd, model często się koryguje, nawet jeśli miał rację. Trening premiujący helpfulness i agreeableness ma swój koszt: spada odporność na błędną presję informacyjną. I to może być realny problem biznesowy. W customer service model może ustępować klientowi nie dlatego, że klient ma rację, ale że brzmi przekonująco. Dwóch klientów z tą samą sprawą dostaje różne odpowiedzi. W CRM to może wyglądać jeszcze subtelniej. Klient pisze, że oferta jest nieuczciwa, promocja źle naliczona, zasady programu lojalnościowego nielogiczne. Model, zamiast konsekwentnie trzymać politykę firmy i wyjaśniać reguły, zaczyna częściowo przyznawać rację, rozmiękczać przekaz albo reinterpretować warunki. Efekt? Krótkoterminowo rozmowa wydaje się „miła”. Długoterminowo rośnie niespójność komunikacji, trudniej bronić zasad oferty, a marka sama rozszczelnia własny system decyzyjny. W sprzedaży problem jest podobny. Jeśli model jest oceniany głównie przez pryzmat konwersacyjnej skuteczności, może zacząć zbyt elastycznie dostosowywać argumenty do klienta. Nie tylko personalizować, ale wręcz przesuwać sens oferty. To cienka granica między dopasowaniem a konfabulacją. I właśnie dlatego pytanie o „AI w sprzedaży” nie powinno brzmieć tylko: czy agent domyka? Powinno brzmieć też: czy domyka w sposób spójny, audytowalny i zgodny z rzeczywistą polityką produktu. W organizacji ten sam mechanizm oznacza coś jeszcze: decyzje przestają być powtarzalne. Ten sam model, ten sam regulamin, ta sama sprawa, ale inny prompt, inny ton, inna sekwencja pytań i odpowiedź się zmienia. W systemach wysokiego ryzyka to bardzo poważna wada. Biznes potrzebuje stabilności, a ewidentnie stabilność nie jest naturalnym produktem architektury konwersacyjnej. Wspólny mianownik: decyzje przestają być powtarzalne. Ten sam model, ta sama sprawa, ale inny ton rozmowy i odpowiedź się zmienia. W systemach wysokiego ryzyka to poważna wada. I być może właśnie tu leży dziś ważniejszy problem niż same halucynacje. Nie w tym, że AI czasem nie zna odpowiedzi, ale że zbyt łatwo daje się odwieść od poprawnych odpowiedzi.

Kodata is pleased to introduce LogZilla Corporation and their AI-native event intelligence platform that minimises alert noise, accelerates root cause analysis and dramatically lowers operational cost. Organisations are overwhelmed by logs, alerts and escalating SIEM costs. Traditional observability platforms charge by data ingestion, forcing teams to choose between visibility and budget. LogZilla changes the economics of log management. Instead of indiscriminately forwarding raw events into expensive SIEM platforms, LogZilla correlates, deduplicates and enriches data in real time. The result is fewer alerts, less storage overhead and significantly reduced ingestion fees. LogZilla’s intelligent architecture: • Collapses duplicate and low-value events, reducing noise by up to 95% • Reduces SIEM ingestion volumes by up to 80% • Extends retention of hot, searchable data without premium licensing tiers • Surfaces root cause in seconds, reducing mean time to resolution • Automates workflows, lowering manual operational overhead • Deploys anywhere – cloud, on-prem, air-gapped or edge For SecOps, NetOps, DevOps and CloudOps teams, this means fewer wasted hours and fewer unnecessary tool costs. For MSPs and enterprises in regulated sectors, it means predictable pricing, lower TCO and improved service margins. LogZilla delivers operational intelligence that is not only faster and smarter, but materially more cost-efficient. www.logzilla.ai www.kodata.co.uk