BigHub blog – čtěte, objevujte a nechte se inspirovat.

Co jsou agenti AI?

Agent AI je digitální asistent schopný nezávisle provádět složité úkoly na základě konkrétního cíle. Je to víc než jen chatbot, který odpovídá na otázky. Moderní agenti AI mohou:

• Naplánujte si několik kroků dopředu
• Volejte rozhraní API, pracujte s daty, vytvářejte obsah nebo hledejte informace
• Přizpůsobte své chování na základě kontextu, uživatelů nebo obchodních cílů
• Pracujte asynchronně a zpracovávejte více úloh současně

Stručně řečeno, agent AI funguje jako virtuální zaměstnanec - zvládá úkoly dynamicky, jako člověk, ale rychleji, levněji a 24/7.

‍

Proč jsou agenti AI trendy právě teď?

• Pokroky ve velkých jazykových modelech (LLM) jako GPT-4, Claude a Mistral umožňují agentům lépe porozumět a vytvářet přirozený jazyk.
• Automatizace se stává cílenou - místo toho, abyste řekli „napište scénář“, můžete říci „najděte nejlepší kandidáty na tuto práci“.
• Společnosti chtějí škálovat bez zvyšování nákladů - Agenti AI zvládnou rutinní i analytické úkoly.
• Produktivita a personalizace jsou nejvyšší prioritou — Agenti AI umožňují obojí v reálném čase.

‍

Co agenti AI přinášejí podnikům?

1. Ušetřete čas a náklady

Na rozdíl od tradiční automatizace zaměřené na izolované úkoly mohou agenti AI spravovat celé pracovní postupy. Například v elektronickém obchodování mohou:

• Pomozte vybrat správný produkt
• Doporučit příslušenství
• Přidat položky do košíku
• Vyřizovat stížnosti nebo vrácení

2. Zvyšte konverze a loajalitu

Agenti AI přizpůsobují konverzace, učí se z interakcí a přesněji reagují na potřeby zákazníků.

3. Časová úspora pro tým a škálovatelnost

Místo ručního zpracování dotazů nebo dat pracuje agent nepřetržitě, bez chyb a bez nutnosti najímat více lidí.

4. Chytřejší rozhodování

Interní agenti mohou pomoci s konkurenční analýzou, generováním zpráv, tvorbou obsahu nebo předpovídáním poptávky.

‍

Agenti AI v praxi

AI agent vs. tradiční chatbot: Jaký je rozdíl?

‍

Co to znamená pro vaše podnikání?

Společnosti, které dnes implementují agenty AI, získávají výhodu - nejen v efektivitě, ale i v zákaznické zkušenosti. Ve světě, kde „rychlé odpovědi“ již nestačí, agenti AI přinášejí kontext, inteligenci a akci - přesně to, co moderní zákazník očekává.

‍

Co bude dál?

Agenti AI se rychle vyvíjejí z asistentů na plné digitální kolegy. Brzy nebude neobvyklé mít „týmového AI kolegu“, který zvládá úkoly, spolupracuje s vaším týmem a pomáhá vašemu podnikání růst.

�Co Je Generativní AI (GenAI)?

Generativní AI se zaměřuje na vytváření obsahu - textu, obrázků, videa nebo kódu - pomocí velkých jazykových modelů (LLM) trénovaných na obrovských datových sadách.

Typické případy použití:

• Psaní e-mailů, článků, popisů produktů
• Generování grafiky a obrázků
• Vytvoření kódu nebo marketingové kopie
• Zákaznická podpora prostřednictvím chatu založeného na AI

Ale navzdory svým schopnostem není GenAI univerzální řešení.

‍

Jaké další typy AI existují?

1. Analytická umělá inteligence

Tento typ AI se zaměřuje na analýzu dat, identifikaci vzorů a vytváření předpovědí. Nevytváří obsah, ale poskytuje postřehy a rozhodnutí založená na logice a datech.

Případy použití:

• Predikce odchodu zákazníka nebo celoživotní hodnoty
• Hodnocení úvěrového rizika
• Detekce podvodů
• Segmentace zákazníků

2. Optimalizace AI

Spíše než analyzovat nebo generovat, tato AI najde nejlepší možné řešení založené na definovaném cíli nebo omezení.

Případy použití:

• Logistika a plánování přepravy
• Dynamické stanovení cen
• Plánování výroby a pracovních sil

3. Symbolická AI (systémy založené na pravidlech)

Tato starší, ale stále relevantní forma použití AI logická pravidla a rozhodovací stromy. Je vysvětlitelný, auditovatelný a spolehlivý - zejména v regulovaných prostředích.

Případy použití:

• Právní nebo lékařské expertní systémy
• Dodržování předpisů
• Automatizované rozhodování v bankovnictví nebo pojišťovnictví

4. Posilovací učení

Tato AI se učí pokus a omyl v dynamickém prostředí. Používá se, když se systém potřebuje přizpůsobit na základě zpětné vazby a výsledků.

Případy použití:

• Autonomní vozidla
• Robotika
• Komplexní automatizace procesů

‍

Kdy byste měli (nebo neměli) používat GenAI?

‍

Co to znamená pro vaše podnikání?

Pokud používáte pouze GenAI, možná vám chybí významný potenciál. The skutečná hodnota spočívá v kombinaci typů AI.

Příklad:

• Použijte analytickou umělou inteligenci k segmentaci svých zákazníků.
• Pomocí GenAI generujte personalizované e-maily pro každý segment.
• Využijte optimalizační AI k efektivnímu časování a cílení kampaní.

Tento vícevrstvý přístup přináší lepší návratnost investic, spolehlivost a strategickou hloubku.

‍

Shrnutí: GenAI ≠ Celá AI

Co to znamená mít svá data v pořádku?

Je to víc než ukládání souborů do cloudu nebo udržování přehledných tabulek.

Pokud jsou vaše údaje „v pořádku“, znamená to, že:

• Je přístupný — lidé v celé společnosti k němu mají snadný a bezpečný přístup
• Je to vysoce kvalitní — data jsou čistá, aktuální a konzistentní
• Má kontext — víte, odkud data pocházejí, jak byla vytvořena a co představují
• Je to připojeno — systémy spolu komunikují, neexistují žádná datová sila
• Je to akční — data podporují rozhodování, automatizaci a obchodní cíle

Stručně řečeno: Čistá data = důvěryhodná a použitelná data.

‍

Jak poznáte, že vaše data nejsou v pořádku?

Zde jsou některé běžné červené vlajky:

Tyto výzvy jsou běžné - startupy, škálovatelé a podniky jim v určitém okamžiku čelí.

‍

Jaká jsou rizika chaotických nebo nekvalitních dat?

Pomalejší rozhodnutí

Bez důvěry ve vaše data jsou rozhodnutí zpožděna - nebo založená na pocitu pocitu místo faktů.

Promarněné zdroje

Analytici tráví většinu času čištěním a slučováním dat, spíše než generováním hodnoty.

Špatné zkušenosti zákazníků

Zastaralá nebo roztříštěná data znamenají špatnou personalizaci, chyby v komunikaci nebo promarněné příležitosti.

Blokované úsilí o umělou inteligenci a automatizaci

Bez strukturovaných a čistých dat nemůžete vytvářet prediktivní modely ani automatizaci.

‍

Co je potřeba k „vyčištění vašich dat“?

Audit dat

Zmapujte své zdroje dat, toky a odpovědnosti.

Integrace dat

Propojte systémy jako CRM, ERP, e‑shop, marketingové platformy do jednotného pohledu.

Implementujte moderní datovou platformu

Vytvořte centrální, škálovatelné místo pro ukládání a správu dat (např. datový sklad s nástroji BI).

Zajištění kvality dat

Odstraňte duplikáty, ověřte formáty, zajistěte konzistenci.

Definujte správu

Stanovte jasné odpovědnosti za vlastnictví dat, přístup a dokumentaci.

‍

Jaký je dopad na podnikání?

✅ Jediný zdroj pravdy

✅ Chytřejší a rychlejší rozhodování

✅ Vylepšená spolupráce mezi odděleními

✅ Silnější základy pro AI, automatizaci a personalizaci

✅ Větší důvěra ve vaše zprávy a předpovědi

‍

Závěrečná myšlenka: Data nejsou jen náklady. Je to přínos.

Mnoho společností zachází s daty jako s problémem back-office IT. Ve skutečnosti jsou však data jedním z vašich nejcennějších obchodních aktiv — a aniž byste je měli v pořádku, nemůžete růst, digitalizovat ani poskytovat personalizované prostředí.

‍

The Evolution of AI Agents frameworks: From Autogen to LangGraph

In the past, severallibraries such as Autogen and Langchain Agent Executor were usedto create AI agents and the workflow of their tasks. These tools aimed tosimplify and automate processes by enabling multiple agents to work together inperforming more complex tasks. But for the past several months, we have beenworking with LangGraph and felt in love with it for the significantimprovements it offers to AI developers.

Autogen was oneof the first frameworks and provided a much needed higher level of abstraction,making it easier to set up AI agents. However, the interaction between agentsfelt often somewhat like "magic" — too opaque for developers whoneeded more granular control over how the processes were defined and executed.This lack of transparency could lead to challenges in debugging andfine-tuning.

Then came LangchainAgent Executor, which allowed developers to pass "tools" toagents, and the system would keep calling these tools until it produced a finalanswer. It even allowed agents to call other agents, and the decision on whichagent to use next was managed by AI.

However, the LangchainAgent Executor approach had its drawbacks. For instance:

• It was difficult to track the individual steps of each agent. If one     agent was responsible for searching Google and retrieving results, it     wasn’t easy to display those results to the user in real-time.
• It also posed     challenges in transferring information between agents. Imagine one agent     uses Google to find information and another is tasked with finding related     images. You might want the second agent to use a summary of the article as     input for image searches, but this kind of information handoff wasn’t     straightforward.
  ‍

State of the art AI Agents framework? LangGraph!

LangGraphaddresses many of these limitations by providing a more modular and flexibleframework for managing agents. Here’s how it differs from its predecessors:

FlexibleGlobal State Management

LangGraph allowsdevelopers to define a global state. This means that agents can eitheraccess the entire state or just a portion of it, depending on their task. Thisflexibility is critical when coordinating multiple agents, as it allows forbetter communication and resource sharing. For instance, the agent responsiblefor finding images could be given a summary of the article, which it could useto refine its keyword searches.

ModularDesign with Graph Structure

At the core of LangGraphis a graph-based structure, where nodes represent either calls to alanguage model (LLM) or the use of other tools. Each node functions as a stepin the process, taking the current state as input and outputting an updatedstate.

The edges in thegraph define the flow of information between nodes. These edges can be:

• Optional: allowing the process to branch     into different states based on logic or the decisions of the LLM.
• Required: ensuring that     after a Google search, for example, the next step will always be for a     copywriting agent to process the search results.
  ‍

Debuggingand Visualization

LangGraph also enhancesdebugging and visualization. Developers can render the graph, making it easierfor others to understand the workflow. Debugging is simplified throughintegration with tools like Langsmith, or open-source alternatives like Langfuse.These tools allow developers to monitor the execution in real-time, displayingactions such as which articles were selected, what’s currently happening, andeven statistics like token usage.

TheTrade-Off: Flexibility vs. Complexity

While LangGraph offerssubstantial improvements in flexibility and control, it does come with asteeper learning curve. The ability to define global states, manage complexagent interactions, and create sophisticated logic chains gives developerslow-level control but also requires a deeper understanding of the system.

LangGraph marks asignificant evolution in the design and management of AI agents, offering apowerful, modular solution for complex workflows. For developers who needgranular control and detailed oversight of agent operations, LangGraph presentsa promising option. However, with great flexibility comes complexity, meaningdevelopers must invest time in learning the framework to fully leverage itscapabilities. That’s what we have done, making LangGraph our tool of choice forall complex GenAI solutions that need multiple agents working together.

‍

‍

‍

Důvod + akt = chytřejší AI

Původně navrženo ve společném příspěvku Princetonské univerzity a Google, ReAct zavádí metodu, která spojuje dvě základní schopnosti LLM:

• Odůvodnění, často dosažené technikami, jako je výzva k řetězci myšlenek
• Herectví, což zahrnuje generování a provádění akčních plánů (např. volání nástrojů, načítání dat)

Jejich kombinací již LLM nejsou jen pasivními generátory textu. Stávají se agenty schopnými rozhodovat, interagovat s prostředím a vylepšovat svůj proces, když pracují na řešení úkolu.

Z praktického hlediska ReACT umožňuje LLM strukturovat a provádět sekvenci operací - získávat externí data, provádět výpočty a iterovat, dokud není dosaženo smysluplného, použitelného výstupu. Je to změna hry v tom, jak přistupujeme k automatizaci úkolů.

‍

‍

LangChain ReAct: Od teorie k praxi

Ve společnosti BigHub využíváme LangChain React, jedna z nejpřístupnějších a nejvýkonnějších implementací paradigmatu ReAct. LangChain zabalí logiku uvažování a jednání do exekutoři agentů, umožňující modelům přemýšlet krok za krokem a dynamicky interagovat s nástroji.

‍

‍

Pojďme to rozebrat zábavným - ale technicky přesným - příkladem:

> Entering new AgentExecutor chain...
  Query: "Find Leo DiCaprio's girlfriend and calculate her age raised to 0.43 power."
  Action: Search
  Action Input: "Leo DiCaprio girlfriend"
  Observation: Camila Morrone
  Thought: "Need to find Camila Morrone's age"
  Action: Search
  Action Input: "Camila Morrone's age"
  Observation: 25 years
  Thought: "Need to calculate 25 raised to the 0.43 power"
  Action: Calculator
  Action Input: 25^0.43
  Observation: Answer: 3.991298452658078
  Thought: "I now have the final answer"
  Final Answer: Camila Morrone is Leo DiCaprio's girlfriend and her current age raised to the 0.43 power is 3.991298452658078.
> Finished chain.

‍

To ilustruje schopnost modelu uvažovat, jednat a doručit konečnou odpověď - bez lidského zásahu mezi kroky.

‍

Proč je to důležité pro podnikání

Zatímco výše uvedený příklad je hravý, Obchodní důsledky jsou hluboké. Vezměme si pojišťovnictví:
Asistent poháněný LangChain React by mohl autonomně:

• Načíst výpočetní vzorce z interních znalostních bází
• Požádejte uživatele o chybějící vstupy
• Provádění výpočtů v reálném čase
• Okamžitě doručte konečné výsledky

Žádné ručně kódované toky. Žádné rigidní skripty. Prostě dynamické, citlivé a inteligentní interakce.

Od automatizace pracovních postupů zákaznických služeb až po umožnění hlubokých analytických dotazů napříč datovými sadami, ReACT otevírá dveře k případům použití napříč průmyslovými odvětvími — finance, zdravotnictví, logistika, právní a další.

LangChain: Rámec postavený pro budoucnost

LangChain je modulární rámec s otevřeným zdrojovým kódem navržený tak, aby pomohl vývojářům využít sílu velkých jazykových modelů (LLM). Díky podpoře více programovacích jazyků, jako je Python a JavaScript, je to flexibilní a přístupné řešení pro vytváření aplikací řízených umělou inteligencí, které rozumějí kontextu, řeší problémy a jednají podle toho.

Od chvíle, kdy jsme s ním poprvé experimentovali, jsme viděli, jak LangChain jde daleko za hranice jednoduchých aplikací rychlé reakce. Umožňuje systémy založené na agentech — inteligentní pracovní postupy, které využívají uvažování, volání nástrojů a paměť k plnění složitých úkolů.

‍

Proč to milujeme: modularita, integrace a přizpůsobení

Díky třem věcem vyniká LangChain pro nás na BigHub:

1. Snadná integrace — Rychle jej zapojte do stávajících systémů.
2. Modulární konstrukce Používejte jen to, co potřebujete, nic víc.
3. Vysoká přizpůsobitelnost — Přizpůsobte jej tak, aby vyhovoval konkrétním obchodním případům, aniž byste museli přestavovat svůj stack.

Struktura LangChain umožňuje podnikům rozvíjet své schopnosti AI, aniž by potřebovaly masivní generální opravy - ideální v dnešním rychle se rozvíjejícím technologickém prostředí.

‍

Agenti, sady nástrojů a případy použití

LangChain vám dává plán pro stavbu agenti — inteligentní komponenty, které kombinují uvažování s akcí. Tito agenti mohou:

• Shrnutí dokumentů
• Vyhledávání v databázích
• Působit jako druzí piloti v obchodních pracovních postupech
• Napájení inteligentních chatbotů
• Odpovězte na složité dotazy pomocí dat v reálném čase

Bez ohledu na případ použití, sada nástrojů LangChain usnadňuje přechod od konceptu k prototypu k výrobě.

‍

Od vstupu k přehledu: Jak funguje LangChain

LangChain není jen kód - je to logický tok, který odráží lidské uvažování. Přemýšlejte o tom jako o dynamice vývojový diagram, kde každý uzel představuje kognitivní krok: porozumění dotazu, načtení relevantních dat, generování výzvy a nakonec vytvoření odpovědi.

Zde je zjednodušený výraz LangChain, který to ilustruje:

chain = (
    {
        "query_text": itemgetter("query_text"),
        "chat_history": itemgetter("chat_history"),
        "sources": {
            "chat_history": itemgetter("chat_history")
        }
        | RunnableLambda(lambda x: create_prompt(x["chat_history"]))
        | model_2
        | RunnableLambda(search_azure_cognitive_search),
    }
    | RunnableLambda(lambda x: create_template_from_messages(x["chat_history"]))
    | model
)

‍

Není to jen syntaxe - je to příběh. Strukturovaný proces, díky kterému jsou odpovědi AI relevantnější, informovanější a konverzační.

Vždy jsme se zaměřovali na využití nejnovějších technologií k poskytování špičkových řešení. Od začátku bylo jedním z našich nejdůležitějších partnerství s technologickým lídrem v oblasti cloudu a AI - Microsoftem. Tento rok byl plný vzrušujících aktualizací, od toho, že se stal Spravovaný partner společnosti Microsoft k dosažení nejnovějšího statusu Fabric Featured Partner.

_{Co je Microsoft Fabric?}

Začátkem tohoto roku společnost Microsoft představila Microsoft Fabric ve veřejné verzi Preview — vzrušující komplexní analytické řešení, které kombinuje Azure Data Factory, Azure Synapse Analytics a Power BI. Tato analytická jednotka typu vše v jednom obsahuje sedm základních úloh hladce integrovaných do jediné architektury, zlepšuje správu dat pomocí aplikace Microsoft Purview, zjednodušuje správu dat pomocí OneLake a umožňuje uživatelům integraci Microsoft 365. Díky pokročilým funkcím AI, jako je Copilot, zvyšuje Fabric produktivitu a nabízí partnerům příležitosti k vytváření inovativních řešení založených na hodnotě, díky nimž jsou datová prostředí bezpečnější, kompatibilnější a nákladově efektivnější.

‍

Být partnerem Fabric Featured znamená, že jsme zkušení v používání Fabric a jsme připraveni vést naše klienty jeho implementací. Náš tým prošel rozsáhlým školením a s mnoha klienty, kde Fabric již běží, můžeme poskytnout špičkovou podporu a poznatky.

‍

_{Co to znamená pro naše zákazníky}

Microsoft Fabric je komplexní datová platforma navržená pro zefektivnění datových procesů vaší organizace. Sjednocením různých datových operací výrazně snižuje náklady spojené s provozem, integrací, správou a zabezpečením vašich dat.

‍

• Zůstaňte náskok s nejmodernějšími technologiemi: Díky partnerství s BigHub máte přístup k pokročilým funkcím a aktualizacím, které udrží vaše řešení nejmodernější.
• Lepší podpora: Náš úzký vztah se společností Microsoft a přístup k jejich odborníkům a zdrojům nám umožňuje rychle vyřešit i ty nejsložitější problémy a vyřešit vše správně.
• Zvýšená produktivita díky AI: Používání Fabric pomáhá našim zákazníkům i našemu týmu zvýšit produktivitu a využívat výrazně rychlejší přístup k datům a dobu dodání.

‍

V roce 2016 se dva kamarádi, Karel Šimánek a Tomáš Hubínek, rozhodli jít jinou cestou. Byli vášniví pro umělou inteligenci dlouho předtím, než se stala trendy, a přestože jim všichni radili proti tomu, drželi se své vize. Výsledek? BigHub - společnost specializující se na pokročilá datová řešení zrozená z jejich odhodlání dělat věci po svém.

‍

Klienti, kteří nám důvěřují

Naše jedinečná cesta a vytrvalost byly oceněny především v zahraničí, s prvními klienty z Německa a USA díky spolupráci se společností GoodData. Náš domácí trh však rychle dozrál a začali jsme pracovat pro podnikové klienty v Česku a na Slovensku. Prvními klienty byli především a docela překvapivě z energetiky ČEZ, E.ON, PPAS a VŠE. Vždy jsme však viděli potenciál technologie AI pro transformaci každého podnikání. Naším cílem bylo vždy zpřístupnit AI všem druhům podniků, velkých i malých.

Zatímco klienti velkých podniků jsou stále naší primární klientelou, díky obrovskému růstu příležitostí, které přinesl GPT, jsme se otevírali i malým a středním podnikům. Naše řešení založená na GPT nabízejí klientům lepší přístup k analýze dat, výkonnou automatizaci procesů back-office a upgrade jejich služeb - za zlomek ceny, kterou by stála před 8 lety.

‍

Široké uznání našich odborných znalostí

Na cestě jsme měli několik neuvěřitelných milníků, které pomohly BigHub být uznán jako lídr v aplikované umělé inteligenci. V roce 2021 se BigHub zařadil mezi deset nejrychleji rostoucích technologických společností ve střední Evropě v prestižním žebříčku Deloitte Technology Fast 50 CE. Není to špatné pro společnost, která začala jen s několika přáteli a spoustou ambicí!

BigHub se stal všeobecně uznávaným v roce 2023, kdy jsme získali ocenění Ceny čtenářů za nejlepší obchodní příběh v soutěži EY Podnikatel roku. Kromě úspěchů v oblasti ocenění jsme získali uznání v prestižních prodejnách, jako jsou Forbes, Hospodářské noviny, CzechCrunch, a Euro.cz.

Oba naši zakladatelé sdíleli své odborné znalosti na hlavních platformách, jako je CNN Prima NEWS, kde poskytli cenné tipy, jak odhalit a chránit před deep fake a jak spatřit jim, a v sérii rozhovorů pro Roklen24, kde Karel Šimánek a Tomáš Hubínek diskutovali o svých poznatcích o umělé inteligenci a vyvíjejícím se digitálním prostředí.

Náš příběh ukazuje, jak se vyplatí sledovat vaši vizi, i když ji nikdo jiný na trhu nevidí.

‍

Růst podnikání

BigHub jsme postavili na silném týmu, přátelské kultuře a smysluplné práci. Tyto nadace nám v průběhu let pomohly udržitelně růst a každý rok rostly přibližně o 20+ procent. V letošním roce dosáhneme velkého milníku tržeb ve výši 100 milionů korun.

Vyvinuli jsme se od nabídky projektů na míru k škálovatelným produktům, které stále umožňují přizpůsobení klientům. Jde o nalezení sladkého bodu mezi prefabrikovanými řešeními a personalizovanými službami, jako je automatizace procesů pojistných událostí, která šetří čas našim klientům.

Náš růst je založen na chytrých a motivovaných lidech, se kterými máme tu čest denně pracovat. Náš tým se nyní skládá ze 46 úžasných jedinců. Ať už se jedná o fotbalové zápasy, cyklistické výlety nebo letní večírky, podařilo se nám vybudovat a udržovat kulturu, která promění kolegy v celoživotní přátele.

Vždy jsme věřili, že vzdělání je klíčem k udržení náskoku v tak rychle se rozvíjejícím odvětví. Proto nejen tvrdě pracujeme pro naše klienty, ale také se zaměřujeme na náš rozvoj. Pravidelně pořádáme interní workshopy a hackathony, kde se náš tým může naučit nové nadcházející technologie a přijít s novými nápady a inovativními aplikacemi.

‍

Uznávaní partneři

Nic z toho by nebylo možné bez podpory našich skvělých partnerů. Společnost Microsoft je klíčovým dodavatelem technologií pro mnoho našich podnikových klientů a naše partnerství s nimi i nadále prosperuje s růstem našeho podnikání. Postupem času se naše partnerství prohloubilo a jsme hrdí na to, že jsme získali více statusů - Spravovaný partner společnosti Microsoft, Microsoft Solution Partner pro data a umělou inteligenci v Azure nebo nejnovější doporučený partner Fabric, abychom jmenovali alespoň některé.

Jak se naše klientská základna rozšiřovala, stali jsme se technologicky agnostici, hladce spolupracujeme se všemi hlavními platformami a získáváme také jejich partnerství, včetně AWS, Google Cloud a Databricks. Tato partnerství jsou jen dalším důkazem tvrdé práce našeho týmu a jejich nekonečné vůle učit se. Znalost všech hlavních technologií nám zároveň pomáhá vybírat a dodávat našim klientům ta nejlepší řešení.

‍

Dávat zpět

Naše spojení s ČVUT — naší alma mater — zůstává silné. Poslední tři roky vyučujeme kurz Applied Data Analysis a letos jsme nadšeni, že můžeme zahájit nový navazující kurz nástrojů a architektury velkých dat. Sponzorujeme studentské aktivity a poskytujeme finanční i nefinanční podporu iniciativám, jako je Nadace Hlávka. Jsme hrdí na to, že náš závazek dávat zpět zůstává neochvějný. Ať už jde o podporu komunity Data Talk jako hrdého partnera setkání Data Mesh pro všechny datové nadšence, výuku nebo mentorování studentů, vždy hledáme způsoby, jak inspirovat a přispět k další generaci technologických talentů.

‍

BigHub za velkou louží

Letos posilujeme naši přítomnost v USA! Představuje významný krok vpřed v rozšiřování našeho globálního dosahu, s specializovaným obchodním zástupcem počínaje říjnem 2023 a několika americkými klienty již na palubě. Je to odvážný krok a nemůžeme být pyšnější na neuvěřitelný tým, který to dokázal. To je pro nás velký krok ve sdílení našich odborných znalostí v oblasti umělé inteligence a dat s největším trhem na světě!

Když se díváme dopředu, jsme více než kdy jindy nadšeni z toho, co přinese budoucnost, a nové příležitosti k inovacím, růstu a návratu. Naše cesta právě začala, a jaká to byla zatím jízda!

‍

‍

Posouvání hranic pomocí generativní AI

Umělá inteligence byla vždy v naší DNA. Dlouho předtím, než se ChatGPT dostal na titulky, používali jsme rané modely GPT pro úkoly, jako je analýza recenzí zákazníků. Ale nová vlna generativní modely zásadně změnilo to, co je možné. Abychom udrželi krok s tímto rychle se rozvíjejícím prostorem a dostali náskok, zahájili jsme interní iniciativu: Big Hack, praktický hackathon zaměřený na generativní AI a její aplikace v reálném světě.

Nechtěli jsme experimentovat ve vakuu. Místo toho jsme si vybrali skutečné výzvy klientůa ujistit se, že naše týmy řeší scénáře, které odrážejí současné obchodní prostředí. Cíl? Urychlete učení, budujte praktické zkušenosti a představte inovativní řešení založená na umělé inteligenci pro hmatatelné problémy.

‍

Bezpečné a škálovatelné: Výběr správné platformy

Jedním z klíčových hledisek bylo, jak pracovat s těmito modely v bezpečné a škálovatelné způsob. Zatímco veřejné služby OpenAI vyvolaly mainstreamové přijetí, přicházejí s vážnými obavami ochrana osobních údajů a použití. Mnoho společností odpovědělo tím, že je zcela zakázalo.

Proto jsme se rozhodli pro Služba Azure OpenAI společnosti Microsoft. Umožňuje nám využívat stejné výkonné modely a zároveň zajistit správu dat na podnikové úrovni. V Azure zůstávají všechna data pod kontrolou klienta a nepoužívají se pro trénink modelů. Navíc bylo nastavení infrastruktury rychlejší než kdy jindy — minuty místo dnů ve srovnání se staršími místními řešeními.

‍

Od nápadů k prototypům: Dva skutečné projekty

Vybrali jsme dva nápady na projekty z větší skupiny diskusí a pustili se do práce. S plným zapojením týmu a silou cloudu jsme vytvořili dva funkční prototypy, které by mohly snadno přejít do výroby.

1. Aplikace „Zeptejte se svých dat“

Tato aplikace umožňuje podnikovým uživatelům dotazovat se na analytická data pomocí přirozeného jazyka, čímž odstraňuje závislost na datových analytikech pro rutinní otázky, jako jsou:

• „Jaká je naše míra odchodu?“
• „Kde můžeme snížit náklady na IT?“

Přímým připojením k existujícím zdrojům dat aplikace poskytuje odpovědi během několika sekund a demokratizuje přístup k přehledům.

2. Inteligentní interní přístup ke znalostem

Druhý prototyp byl vyřešen nestrukturovaná interní dokumentace - zejména regulační a politický obsah. Vytvořili jsme systém, který umožňuje zaměstnancům klást otázky ve volné formě a získávat přesné odpovědi z husté, často chaotické dokumentace.

Toto řešení je postaveno na dvou klíčových pilířích:

• Automatizované vykazování: Eliminuje potřebu složitého nastavení řídicího panelu pomocí umělé inteligence k interpretaci dobře spravovaných dat a generování sestav na základě jednoduchých dotazů.
• Regulační otázky a odpovědi: Pomáhá uživatelům okamžitě najít informace ukryté na stovkách stránek interních dokumentů o dodržování předpisů nebo právních dokumentů.

‍