← Wszystkie zastosowania
CASE STUDY / ZBUDOWANE Z BASAL

Basal jako lokalna warstwa decyzyjna w małej firmie usługowej (budownictwo, handel, biuro)

Łukasz

Basal działa u nas lokalnie na zwykłym laptopie bez karty graficznej (Intel Core 5, 16 GB): wersja 2.3, model 2.0-mini GGUF Q8_0, serwer startuje automatycznie przy logowaniu i jest podłączony do Claude Code przez MCP. Claude układa pytania i analizuje wyniki, a basal podejmuje decyzje na danych, które nie mogą opuścić komputera. Większe partie danych publicznych liczymy na wynajętym GPU (H100).

Zasada pracy: najpierw reguły i kolumny z danych, basal rozstrzyga przypadki niejasne, człowiek sprawdza tylko to, co jest poniżej progu pewności.

Zastosowania:

1. Poczta i rachunki – klasyfikacja ok. 900 maili z trzech skrzynek, żeby wyłapać rachunki i terminy płatności. Wyłącznie lokalnie, bo to dane prywatne. Konkretne pytanie „czy to rachunek do zapłaty?” działa dobrze (np. pewność 0,94 w ok. 7 s), ogólne „czy wymaga działania?” – słabo.

2. Sklep spożywczy (sieć franczyzowa) – przypisanie ok. 1500 towarów do kategorii centrali na podstawie samych nazw. Wyniki: omni-1.0-ultra ok. 73% (kategoria i podkategoria), omni-max ok. 65%, 2.0-4.5B ok. 64%. Przy progu pewności 0,9 trafność 98–100% dla 15–35% towarów – tę część przyjmujemy bez sprawdzania. Większość pomyłek to konwencje centrali (np. wafle w „Pieczywie”). Basal przy okazji wyłapał błędy w naszych ręcznych regułach.

3. Rejestr pozwoleń na budowę GUNB – z ok. 25 tys. wniosków z jednego powiatu wybór obiektów podlegających okresowym przeglądom budowlanym i placów zabaw. Kolumny rejestru rozstrzygają większość przypadków, basal pomaga przy opisach bez słów kluczowych (np. „kompleks sportowy”, przedszkole). Najlepiej sprawdza się połączenie: regex LUB basal z pewnością ≥ 0,7.

Kierunek: basal jako lokalna warstwa decyzyjna w całej pracy biura (poczta, dokumenty, aplikacja dla inspektora budowlanego). Następny krok: kalibracja basal-calibrate na własnych oznaczonych przykładach.

Uwagi techniczne:
– W trybie gguf liczba wątków nie jest ustawiana – llama.cpp bierze domyślnie 4 z 12, procesor pracuje na ok. 40%. Po ustawieniu 10 wątków czas spadł z 8,65 s do 5,96 s na wniosek, odpowiedzi identyczne.
– Uruchomienie serwera z katalogu z klonem repozytorium przesłania zainstalowany pakiet i MCP przestaje działać (błąd przy __version__).
– extract na modelu mini był u nas za słaby (193 s, błędne pola); classify działa dobrze.

Dziękujemy za udostępnienie basala na otwartej licencji – to dla nas bardzo dobry kierunek.

Tak , powyższy opis wygenerował Claude . 🙂👏

Historia przesłana przez użytkownika modelu. Opublikowana po moderacji.

A jak Ty używasz basal?

Dodaj swoje zastosowanie