AIntern 2026
AIntern 2026
Cele Programu:
Wzmocnieniem potencjału badawczego w obszarze AI w Polsce.
Zachęcenie organizacji oraz osób indywidualnych do prowadzenia w Polsce badań w obszarze AI.
Łączenie organizacji i osób mających pomysły na projekty badawcze w obszarze AI z osobami poszukującymi projektów, w które mogą się zaangażować.
Jak to działa? W skrócie:
Naukowcy, organizacje, firmy i pasjonaci AI zgłaszają tematy projektów badawczych w obszarze AI oraz warunki współpracy i oczekiwania. Następnie zgłoszenia są selekcjonowane i proponowane praktykantom.
Osoby (np. studenci, doktoranci) zainteresowane praktykami badawczymi w obszarze AI aplikują do programu i wskazują preferowane tematy.
Zgłaszający projekty przeprowadzają rekrutację praktykantów do zespołu.
Praktykanci pod opieką doświadczonych mentorów pracują nad projektami i na koniec programu prezentują rezultaty prac (są również zachęcani do publikacji wyników, np. na arXiv, lub poprzez publicznie dostępne repozytorium). Mogą jednak później kontynuować pracę nad projektami.
Program AIntern jest inspirowany programem QIntern organizowanym przez QWorld w obszarze technologii kwantowych.
W 2026 roku program AIntern składa się z 5 faz:
Faza 1 (11.05-31.05): zgłoszenia projektów
Faza 2 (1-14.06): zgłoszenia praktykantów
Faza 3 (15-28.06): rekrutacja do projektów
Faza 4 (29.06-25.09): praca nad projektami
Faza 5 (26.09): prezentacja wyników
W razie pytań zapraszamy do kontaktu: contact@qaif.org
Projekty wybrane do realizacji w programie AIntern 2026:
"Kwantyfikacja kompromisu między ekspresywnością a trenowalnością parametrycznych obwodów kwantowych"
Mentor: Jacob L. Cybulski (Enquanted Australia, https://jacobcybulski.com)
Opis: Wraz z przejściem Kwantowego Uczenia Maszynowego (QML) od heurystyk do rygorystycznych podstaw algorytmicznych, kluczowym wyzwaniem staje się zrozumienie fundamentalnych ograniczeń parametrycznych obwodów kwantowych (PQC). Głównym celem tego projektu jest stworzenie formalnych ram analitycznych do systematycznej oceny dwóch kluczowych cech architektury ansatzu: ekspresywności (zdolności modelu do reprezentowania złożonych rozkładów danych) oraz trenowalności (podatności modelu na problemy optymalizacyjne, takie jak zjawisko płaskowyżu barierowego / barren plateaus). Z perspektywy teorii informacji kwantowej, zwiększanie szerokości (liczby kubitów), głębokości (liczby warstw) oraz stopnia splątania obwodu zazwyczaj zwiększa jego ekspresywność. Niestety, proces ten często prowadzi do wykładniczego zanikania gradientów, czyniąc krajobraz kosztów nietrenowalnym. Projekt ma na celu mapowanie tego fundamentalnego kompromisu (trade-off) poprzez badanie wpływu hiperparametrów strukturalnych na dynamikę uczenia.
Oczekiwany rezultat praktyk:
Artykuł naukowy (np. na arXiv),
Repozytorium na licencji open source,
Artykuł opisujący implementację i wyniki na medium.com lub towardsdatascience.com
Oczekiwanie zaangażowanie czasowe praktykantów: 10+ godzin tygodniowo
Czy planowane jest podpisanie umowy? Nie
Czy planowane jest wynagrodzenie? Nie
Przewidywany tryb praktyk: zdalnie
Wymagania: Znajomość technik uczenia maszynowego i obliczeń kwantowych, programowanie w Python, umiejętności używania GitHub, Discord i Overleaf (Latex), praktyczne doświadczenie w korzystaniu z Qiskit i/albo PennyLane byłoby bardzo pomocne, znajomość języka angielskiego jako że komunikacja pomiędzy członkami projektu będzie wyłącznie po angielsku.
Dodatkowe informacje: https://www.researchsquare.com/article/rs-7253212/v1, https://jacobcybulski.com, https://enquanted.com.
2. "Biology-inspired artificial neurons with a joint distribution model"
Mentor: Jarosław Duda (Uniwersytet Jagielloński)
Opis: While current artificial neural networks like MLP/KAN are focused on uni-directional propagation of values, biological can propagate in various directions, and should operate on probability distributions. Artificial neurons with simple model of joint distribution can also switch propagation direction, and directly propagate values or probability distributions - we would like to develop it into practical neural networks, e.g. extending on KAN approach, or transformer-like interpreting embedding features as mixed moments of real-life properties.
Main article: https://arxiv.org/pdf/2405.05097
Intro with simple code: https://community.wolfram.com/groups/-/m/t/3241700
Talk: https://www.youtube.com/watch?v=oQQ3RpAQfR4
Oczekiwany rezultat praktyk:
Artykuł naukowy (np. na arXiv)
Oczekiwanie zaangażowanie czasowe praktykantów: zgodnie z możliwościami
Czy planowane jest podpisanie umowy? Nie
Czy planowane jest wynagrodzenie? Nie
Przewidywany tryb praktyk: Zdalnie
Wymagania: statystyka, sieci neuronowe
3. "Rotation-invariant shape descriptors and shape similarity metric"
Mentor: Jarosław Duda (Uniwersytet Jagielloński)
Opis: For example, in chemoinformatics, we need to describe the shape of molecules without absolute rotation, in medical imagining instead of testing all rotations, we would like to use the distance between two vectors of rotation invariants. We will develop a novel approach: describing shape by a polynomial, then getting its rotation invariants - reconstructable, finally allowing for an arbitrarily accurate description, also to describe dynamics. There are interesting open questions we would like to address, both theoretical and practical, like finding a complete set of invariants, designing a shape similarity metric. Up to various applications, also including 3D scene understanding from image recognition to robotics.
Initial article: https://arxiv.org/pdf/2601.03326
Oczekiwany rezultat praktyk:
Artykuł naukowy (np. na arXiv)
Oczekiwanie zaangażowanie czasowe praktykantów: zgodnie z możliwościami
Czy planowane jest podpisanie umowy? Nie
Czy planowane jest wynagrodzenie? Nie
Przewidywany tryb praktyk: Zdalnie
Wymagania: od strony teoretycznej preferowani matematycy, od strony praktycznej osoby z doświadczeniem w uczeniu maszynowym.
4. "System operacyjny firmy oparty o rozwiązania AI"
Mentor: Mateusz Niewczas (NGL Advisory; director, www.ngladvisory.com, https://www.linkedin.com/company/ngl-advisory )
Opis: W NGL rozwijamy wewnętrznie projekt mający na celu wytworzenie platformy AI wspierającej działania firm z branży usług profesjonalnych (konsultingowych, kancelarii, shared services itp.): zarządzaniem bieżącym workflow, automatyzującej proste zadania operacyjne, wspierającej w zarządzaniu projektowym, monitorującej samodzielnie statusy zadań i postępy, i inne. System jest tworzony przez profesjonalny zespół integratorów in-house i outsourcowanych, oparty będzie o ekosystem produktowy jednego z wiodących dostawców software na świecie.
Głównym źródłem danych wejściowych jest zbiór wiadomości e-mail pracowników włączonych do programu oraz dokumentacji firmowej. Projekt faktycznie sięga głębiej niż może sugerować to powyższy, ogólny opis.
W ramach projektu proponujemy potencjalnemu stażyście wsparcie zespołu w: procesie wyboru optymalnych modeli (z licznej grupy kilkudziesięciu wstępnie przygotowanych) do wykonywania danego zakresu zadań, wyborze hiperparametrow do niego, finetuningu modelu, ewentualnie innych zadaniach. Ww. zadania powinny być wykonane w oparciu o sensowną metodykę i plan badawczy. Liczymy na publikację efektów naszej pracy badawczej - miło widziane uprzednie doświadczenie stażysty w świecie akademickim, szczególnie jako autor prac badawczych.
Oczekiwany rezultat praktyk:
Artykuł naukowy (np. na arXiv)
Prace badawcze zakończone wdrożeniem
Oczekiwanie zaangażowanie czasowe praktykantów: 16-30h tygodniowo
Czy planowane jest podpisanie umowy? Tak
Czy planowane jest wynagrodzenie? Tak, w zależności od profilu stażysty i godzinowego zaangażowania między 3.000 a 6.000 PLN na mc.
Przewidywany tryb praktyk: Hybrydowo
Wymagania:
średniozaawansowana wiedza z zakresu selekcji modeli AI do wybranej klasy zadań;
wiedza z zakresu doboru hiperparametrow i finetuningu modeli,
dobra znajomość najważniejszych ekosystemów agentów AI,
bardzo dobra znajomość podstaw zagadnień dot. infrastruktury informatycznej, data governance, architektury budowy oprogramowania, włączając systemu multiagentów AI,
pogłębiona wiedza o aktualnym stanie rozwoju technologii sztucznej inteligencji, rozwiązaniach rynkowych i trendach,
znajomość języka angielskiego na poziomie zaawansowanym (praca głównie w języku angielskim),
punktualność, terminowość, „dowożenie” oddelegowanych zadań.
5. "Optymalizacja radioterapii na potrzebę leczenia nowotworu"
Mentor: Paweł Gora (CEO, Fundacja Quantum AI)
Opis: Celem projektu jest opracowanie algorytmów AI do optymalizacji radioterapii na potrzeby leczenia nowotworów. Dysponujemy symulatorem rozwoju nowotworu linii komórkowej EMT6/Ro oraz jego reakcji na radioterapię https://github.com/banasraf/EMT6-Ro. Przy pomocy tego narzędzia można testować różne algorytmy doboru protokołów (terminów i dawek) podawania radioterapii, m.in. algorytmy bazujące na uczeniu ze wzmocnieniem. Takie symulacje komputerowe są jednak wymagające obliczeniowo, więc celem przyspieszenia obliczeń stosujemy modele surogatywne bazujące na uczeniu maszynowym. Praktykanci (kilka osób) mogliby zajmować się takimi właśnie zagadnieniami: od opracowania algorytmów, poprzez przygotowanie środowiska, do przeprowadzenia eksperymentów i analizy ich wyników.
Oczekiwany rezultat praktyk:
Artykuł naukowy (np. na arXiv)
Oczekiwanie zaangażowanie czasowe praktykantów: co najmniej10h tygodniowo
Czy planowane jest podpisanie umowy? Nie
Czy planowane jest wynagrodzenie? Nie
Przewidywany tryb praktyk: Zdalnie
Wymagania:
dobra znajomość uczenia maszynowego (mile widziana znajomość uczenia ze wzmocnieniem)
umiejętność programowania w Python
mile widziana umiejętność przeprowadzania obliczeń (w tym symulacji komputerowych) przy pomocy GPU
mile widziana umiejętność programowania w C++
6. "Sterowanie sygnalizacją świetlną przy pomocy metod AI"
Mentor: Paweł Gora (CEO, Fundacja Quantum AI)
Opis: Celem projektu jest badanie metod AI do sterowania sygnalizacją świetlną. Przygotowujemy nowe środowisko symulacyjne, w którym możemy testować i porównywać tego typu algorytmy. Będą nas interesować głównie metody bazujące na Multi-agent Reinforcement Learning oraz LLM. Eksperymenty będą przeprowadzane na kilku realistycznych scenariuszach.
Oczekiwany rezultat praktyk:
Artykuł naukowy (np. na arXiv)
Oczekiwanie zaangażowanie czasowe praktykantów: co najmniej10h tygodniowo
Czy planowane jest podpisanie umowy? Nie
Czy planowane jest wynagrodzenie? Nie
Przewidywany tryb praktyk: Zdalnie
Wymagania:
Dobra znajomość metod uczenia ze wzmocnieniem
Umiejętność programowania w Python
7. "AI in Intelligent Transportation Systems"
Mentor: Paweł Gora (CEO, Fundacja Quantum AI)
Opis: Kończymy prace nad książką "AI in Intelligent Transportation Systems", w której znajdują się m.in. rozdziały dotyczące metod wizji komputerowej dla pojazdów autonomicznych, metod RL do sterowania sygnalizacją świetlną, czy też metod RL do optymalizacji logistyki. Rozdziały te mają charakter prac przeglądowych, podsumowujących stan wiedzy w dziedzinach, których dotyczą. AI rozwija się jednak bardzo szybko, więc celem stażu byłby przegląd najnowszej literatury w tematyce wybranych rozdziałów oraz wsparcie procesu ich aktualizacji i finalizacji. Ostatecznie stażyści mogliby zostać współautorami niektórych rozdziałów. Projekt polecam dla osób zainteresowanych tematyką inteligentnych systemów transportowych, które chcą zdobyć wiedzę na temat najnowszych metod AI stosowanych w tym obszarze.
Oczekiwany rezultat praktyk:
Rozdziały w książce
Oczekiwanie zaangażowanie czasowe praktykantów: co najmniej 10h tygodniowo
Czy planowane jest podpisanie umowy? Nie
Czy planowane jest wynagrodzenie? Nie
Przewidywany tryb praktyk: Zdalnie
Wymagania:
znajomość podstaw uczenia maszynowego
zainteresowanie obszarem inteligentnych systemów transportowych
mile widziane jest doświadczenie w przygotowywaniu publikacji naukowych i popularnonaukowych
8. "Zbudowanie autonomicznego agenta AI, który przyjmuje scenariusz tekstowy i na jego podstawie generuje gotowy krótki film, lub kod Manim, który generuje film — bez ręcznej ingerencji człowieka w proces produkcji"
Mentor: Marcin Sadowski (AIQLAB.PL)
Opis: Cel projektu: Zbudowanie autonomicznego agenta AI, który przyjmuje scenariusz tekstowy i na jego podstawie generuje gotowy krótki film, lub kod Manim, który generuje film — bez ręcznej ingerencji człowieka w proces produkcji. Agent realizuje pipeline produkcji kodu/wideo:
Analiza scenariusza — parsuje scenariusz na sceny, dialogi, opisy wizualne, nastrój
Generowanie zasobów — dla każdej sceny tworzy: kod Manim/obraz/wideo (text-to-video/image), lektora lub dialogi (TTS), muzykę tła (opcjonalnie)
Montaż — łączy wygenerowane zasoby w spójny film z synchronizacją audio i wideo
Eksport — zwraca gotowy plik wideo (MP4)
Zakres projektu obejmuje agenta i pipeline — nie wymaga budowania własnych modeli generatywnych, tylko ich integracji przez API/lokalne wywołania.
Oczekiwany rezultat praktyk:
Prace badawcze zakończone wdrożeniem
Badania celem rozwiązania problemu praktycznego / biznesowego
Oczekiwanie zaangażowanie czasowe praktykantów: do ustalania - celem jest efekt
Czy planowane jest podpisanie umowy? Tak
Czy planowane jest wynagrodzenie? Tak, w załeżności od czasu potrzebnego na wykonanie prac
Przewidywany tryb praktyk: Zdalnie
Wymagania i informacje dodatkowe: https://docs.google.com/document/d/1VmJUgEFFCBpLncmnZCpIVDzn__vZEKxe1RFj1cPLqa0/edit?usp=sharing
9. "Zbudowanie systemu agentów AI, który automatyzuje tworzenie kompletnych materiałów kursowych na podstawie podanego tematu lub zarysu — od struktury kursu po gotowe treści jednostek"
Mentor: Marcin Sadowski (AIQLAB.PL)
Opis: Cel projektu: Zbudowanie systemu agentów AI, który automatyzuje tworzenie kompletnych materiałów kursowych na podstawie podanego tematu lub zarysu — od struktury kursu po gotowe treści jednostek.
Agent realizuje pipeline tworzenia kursu:
Planowanie struktury — na podstawie tematu i poziomu odbiorców generuje spis treści: moduły, jednostki, cele kształcenia
Generowanie treści — dla każdej jednostki tworzy: tekst wykładowy, podsumowanie, słownik pojęć
Generowanie pytań i ćwiczeń — quizy wielokrotnego wyboru, pytania otwarte, zadania praktyczne dopasowane do materiału
Spójność i korekta — agent weryfikujący czy treści są spójne, nie powtarzają się i pokrywają zakładane cele kształcenia
Eksport — gotowe materiały w formacie importowalnym do LMS (SCORM, OLX dla Open edX, Moodle XML) lub jako Markdown/JSON
Przykładowy przepływ:
Temat: "Podstawy SQL dla analityków danych"
Poziom: Początkujący
Workflow:
Agent planista → struktura kursu (5 modułów, 20 jednostek)
Agent treści × N] → równoległe generowanie jednostek Agent quizów→ pytania do każdej jednostki Agent recenzent → spójność, luki, powtórzenia
Eksport: SCORM / Moodle XML / OLX /Markdown
Dane wejściowe: temat kursu, poziom odbiorców, język, długość kursu (np. 30sec), opcjonalnie materiały źródłowe (PDF, URL)
Dane wyjściowe: kompletny kurs gotowy do importu do LMS lub do dalszej edycji przez instruktora
Zakres projektu obejmuje system agentów i eksport .
Oczekiwany rezultat praktyk:
Prace badawcze zakończone wdrożeniem
Badania celem rozwiązania problemu praktycznego / biznesowego
Oczekiwanie zaangażowanie czasowe praktykantów: do ustalania - celem jest efekt
Czy planowane jest podpisanie umowy? Tak
Czy planowane jest wynagrodzenie? Tak, w załeżności od czasu potrzebnego na wykonanie prac
Przewidywany tryb praktyk: Zdalnie
Wymagania i informacje dodatkowe: https://docs.google.com/document/d/1c0ksmt-H7Bzifj0-fia7__VjHuG6jPaNbjGGebaienw/edit?usp=sharing
10. "Zbudowanie autonomicznego agenta AI działającego jako personalny tutor(profesjonalista przewodnik), który śledzi postępy kursanta na platformie e-learningowej i reaguje na nie w czasie rzeczywistym."
Mentor: Marcin Sadowski (AIQLAB.PL)
Opis: Cel projektu: Zbudowanie autonomicznego agenta AI działającego jako personalny tutor(profesjonalista przewodnik), który śledzi postępy kursanta na platformie e-learningowej i reaguje na nie w czasie rzeczywistym.
Agent realizuje trzy funkcje:
Analiza postępów — pobiera dane z LMS (wyniki quizów, oceny, czas spędzony na materiałach) i identyfikuje luki w wiedzy kursanta.
Rekomendacja ścieżki nauki — wskazuje, które jednostki kursowe warto powtórzyć i w jakiej kolejności.
Generowanie ćwiczeń — dynamicznie tworzy dodatkowe zadania dopasowane do konkretnych luk (generowane przez LLM, nie gotowe szablony).
Stack techniczny:
Framework agentowy: LangGraph, CrewAI lub inny (w tym własny)
Backend LLM: lokalny silnik, API OpenAI
Integracja z LMS przez standardowe REST API lub wbudowany w platformę LMS
Dane wejściowe agenta:
wyniki quizów i oceny za zadania
czas spędzony na poszczególnych materiałach
historia prób (ile razy kursant podchodził do zadania)
struktura kursu (lista jednostek, moduły, zależności)
Zakres projektu obejmuje warstwę agenta i integrację z API — nie wymaga wdrożenia ani konfiguracji samego LMS.
Oczekiwany rezultat praktyk:
Prace badawcze zakończone wdrożeniem
Badania celem rozwiązania problemu praktycznego / biznesowego
Oczekiwanie zaangażowanie czasowe praktykantów: do ustalania - celem jest efekt
Czy planowane jest podpisanie umowy? Tak
Czy planowane jest wynagrodzenie? Tak, w załeżności od czasu potrzebnego na wykonanie prac
Przewidywany tryb praktyk: Zdalnie
Wymagania i informacje dodatkowe: https://docs.google.com/document/d/1kNa2cOrYgDWNUNyOWYjS_ndW_9Q9TVx176QsHhZS69s/edit?usp=sharing
11. Rozwiązywanie problemu wyboru tras przy pomocy uczenia maszynowego
Mentorzy: Prof. Rafał Kucharski, Dr Paweł Gora i Anastasia Psarou (Uniwersytet Jagielloński)
Opis: W ramach projektu CoEXISTENCE rozważamy sytuację, w której kierowcy-ludzie codziennie podejmują decyzje o trasie, aby dotrzeć do celu tak szybko, jak to możliwe. Istnieją prognozy, że liczba pojazdów autonomicznych (AV) wzrośnie w ciągu najbliższych kilku lat. W takim przypadku decyzje o trasie AV zostaną prawdopodobnie przekazane algorytmom, których celem jest znalezienie najszybszej trasy w aktualnie obserwowanym stanie środowiska. W tym kontekście badamy wykorzystanie wieloagentowego uczenia ze wzmocnieniem (MARL). Poprzez eksperymenty zauważyliśmy, że wiele AV jednocześnie uczących się optymalnych strategii wyboru tras przy użyciu najnowocześniejszych algorytmów MARL może destabilizować ruch w sieci drogowej. Destabilizacja ta występuje albo z powodu zbieżności do suboptymalnych rozwiązań, albo z powodu zbieżności do optymalnych rozwiązań, ale wymagającej dość długiego treningu. W ramach stażu chcemy zbadać powody, dla których tak się dzieje, i sposoby zminimalizowania liczby iteracji potrzebnych do zbieżności do optymalnego rozwiązania. W ramach stażu będzie również możliwe projektowanie i testowanie nowych algorytmów wyboru tras przez AV - będą mogły one być testowane na przygotowanym przez nas benchmarku URB https://arxiv.org/abs/2505.17734
Oczekiwany rezultat praktyk:
Artykuł naukowy
Repozytorium na licencji open source
Oczekiwanie zaangażowanie czasowe praktykantów: 20+ godzin / tydzień
Czy planowane jest podpisanie umowy? Decyzja zostanie podjęta później
Czy planowane jest wynagrodzenie? Decyzja zostanie podjęta później
Przewidywany tryb praktyk: hybrydowo / stacjonarnie (na WMiI UJ w Krakowie)
Wymagania:
Doświadczenie w uczeniu maszynowym, podstawowa znajomość bibliotek Python (numpy, pandas, pytorch), znajomość RL może być pomocna, ale nie jest wymagana.
12. Autonomiczny Agent AI (Dispatcher Agent) w systemie zarządzania transportem ONYX TMS
Mentorzy: Przemysław Jamontt (ONYX)
Opis: W ramach rozwoju zaawansowanego systemu zarządzania transportem ONYX TMS (onyxtms.com) posiadamy autorski, wydajny silnik optymalizacyjny oparty na zaawansowanych algorytmach heurystycznych i metaheurystycznych, który w czasie rzeczywistym generuje propozycje tras, konsolidacji ładunków i relokacji floty. Obecnie wąskim gardłem w logistyce pozostaje człowiek – dyspozytor, który musi każdą taką decyzję ręcznie zweryfikować, zaakceptować lub odrzucić.
W ramach stażu chcemy zbudować autonomicznego agenta AI działającego w architekturze Agentic AI. Zadaniem agenta będzie bezpośrednia integracja z silnikiem operacyjnym, pobieranie dynamicznych propozycji tras, konfrontowanie ich z nieustrukturyzowanymi zmiennymi zewnętrznymi (np. nagłe alerty pogodowe, anomalie drogowe, historyczne profile ryzyka przewoźników) i samodzielne podejmowanie decyzji biznesowych: "Akceptuj", "Odrzuć" lub "Modyfikuj". Agent musi działać w pętli zamkniętej, bezobsługowo wywoływać procesy optymalizacyjne wewnątrz ONYX TMS za pomocą API oraz precyzyjnie uzasadniać swoje decyzje w logach systemu. Uczestnicy dostaną dostęp do testowego środowiska naszego silnika.
Oczekiwany rezultat praktyk:
Działający, autonomiczny prototyp agenta zintegrowany z niskopoziomowym silnikiem ONYX TMS.
Repozytorium kodu zawierające architekturę agentową oraz testy wydajnościowe i decyzyjne na przygotowanych scenariuszach biznesowych.
Oczekiwane zaangażowanie czasowe praktykantów: 20+ godzin / tydzień
Czy planowane jest podpisanie umowy? Decyzja zostanie podjęta później
Czy planowane jest wynagrodzenie? Decyzja zostanie podjęta później
Przewidywany tryb praktyk: Stacjonarnie / Hybrydowo
Wymagania:
Bardzo dobra znajomość języka C++ (silnik ONYX) oraz Python (warstwa agentowa/LLM).
Rozumienie i znajomość algorytmów heurystycznych oraz metaheurystycznych (m.in. problem komiwojażera/VRP, algorytmy genetyczne, symulowane wyżarzanie, poszukiwanie z zakazami).
Doświadczenie w pracy z modelami LLM oraz frameworkami do budowy agentów (np. LangChain, CrewAI, Autogen lub bezpośrednie programowanie zachowań agentowych przez API).
Zdolność do optymalizacji kodu pod kątem wydajności obliczeniowej i czasu wykonania (real-time processing).