BigHub blog – čtěte, objevujte a nechte se inspirovat.

Propojení akademické sféry a praxe je klíčové

Od akademického roku 2021/2022 zde jako BigHub vyučujeme celosemestrální kurzy, které propojují akademickou půdu s reálným světem dat. A není to jen o přednáškách – studenti si sami vyzkouší, jak vypadá práce s daty v podnikovém prostředí, s reálnými technologiemi a pod vedením lidí, kteří podobné projekty řeší každý den.

‍

Co nás na „Jaderku“ přivedlo

BigHub má k FJFI ČVUT osobní vztah. Mnozí z nás – včetně CEO Karla Šimánka, COO Ing. Tomáše Hubínka a více než deseti dalších – jsme na Jaderce sami studovali. Víme, že fakulta vychovává špičkové matematiky, fyziky a inženýry. Ale zároveň víme, že právě těmto studentům někdy chybí vhled do toho, jak svět dat a AI funguje v byznysu.

‍

Proto jsme se rozhodli to změnit. Ne jako náborovou kampaň, ale jako dlouhodobý příspěvek českému školství. Chceme, aby studenti viděli reálné příklady, vyzkoušeli si moderní nástroje a lépe se připravili na start kariéry.

‍

Dva předměty, dva semestry

18AAD – Aplikovaná analýza dat (letní semestr)

První předmět jsme otevřeli v akademickém roce 2021/2022. Vede ho Ing. Tomáš Hubínek a jeho cílem je dát studentům přehled o tom, jak vypadá práce s daty ve velkém měřítku. Mezi probíraná témata patří:

●  organizace a ukládání dat,

●  frameworky pro výpočty nad velkými daty,

●  analýza grafů,

●  cloudové služby,

●  základy AI a ML.

‍

Velký důraz klademe na praktická cvičení. Studenti pracují v prostředí Microsoft Azure, zkoušejí si různé technologie a mají prostor pro diskusi. Na vybrané přednášky zveme i další kolegy z BigHub, aby sdíleli zkušenosti z konkrétních projektů.

‍

18BIG – Data ve firmě (zimní semestr)

V roce 2024 jsme přidali druhý předmět, který na 18AAD volně navazuje. Výuku vedou doc. Ing. Jan Kučera, CSc. a doc. Ing. Petr Pokorný, Ph.D . Předmět jde více do hloubky a soustředí se na:

●  data governance a práce s daty v organizaci,

●  integrační architektury,

●  datové platformy a příprava pro AI aplikace,

●  best practices z reálných firemních projektů.

‍

Zatímco 18AAD ukazuje, co vše se dá s daty dělat, kurz 18BIG učí a představuje, jak to reálně funguje ve firmě.

‍

Nadstandardní zájem studentů

Volitelných předmětů FJFI se běžně účastní jen několik málo studentů. Na našekurzy se ale každý rok hlásí 20–35 studentů, což je na poměry fakulty nadstandard.

Zpětná vazba je konzistentní – studenti oceňují praktický přesah, otevřenost diskuse a možnost ptát se lidí z praxe na konkrétní situace. Pro mnohé jde o první kontakt s technologiemi, které firmy skutečně používají.

‍

‍

Přesah do studijních programů

Naše role nekončí u přednášek. Společně s katedrou softwarového inženýrství jsme pomáhali revidovat studijní programy a profil absolventů. Fakulta tak může pružněji reagovat na to, co firmy v oblasti dat a AI potřebují. Díky tomu se posouvá kvalita vzdělávání celé fakulty, tedy nejen u studentů, kteří si zvolí naše volitelné předměty.

‍

Není to o náboru

Občas se stane, že některý ze studentů najde cestu do BigHub, ale to není hlavní cíl. Jde o to, aby studenti po škole nebyli překvapení, jak se s daty skutečně pracuje. Chceme, aby měli širší a praktičtější znalosti a zkušenost s moderními nástroji. Dáváme tak něco zpět místu, které nás vychovalo, a věříme, že to pomůže celé české technologické scéně.

‍

Spolupráce s FJFI není jen o výuce. Prakticky od vzniku BigHub podporujeme také studentskou unii a účastníme se sportovní akce Pohár děkana FJFI, kde každoročně hrajeme futsal, beach volejbal a další sporty. Letos jsme navíc společně s FJFI podali několik dotačních žádostí a věříme, že se brzy zapojíme do společných technických projektů. Razíme myšlenku, že silná komunita a neformální propojení studentů s lidmi z praxe jsou stejně důležité jako znalosti v učebnicích.

‍

‍

Co plánujeme dál?

Naše spolupráce s FJFI ČVUT je dlouhodobá. Kurzy 18AAD a 18BIG poběží i v dalších letech a přemýšlíme, jak rozšířit jejich záběr.

Vidíme, že studenti mají hlad po praktických zkušenostech a že propojení akademie s praxí funguje. Pokud se díky tomu v budoucnu zlepší kvalita datových a AI projektů v českých firmách, bude to nejlepší důkaz, že naše úsilí má smysl.

Co je AI Act a proč vznikl

AI Act je první ucelený zákon Evropské unie, který stanovuje pravidla pro vývoj a používání umělé inteligence. Myšlenka za vznikem této legislativy je zřejmá: jen díky jasným pravidlům může být AI pro firmy i jejich zákazníky bezpečná, transparentní a etická.

Umělá inteligence dnes proniká do stále více oblastí života i podnikání, a proto EU chce, aby její používání i rozvoj probíhal zodpovědně a bez rizika zneužití, diskriminace či jiných negativních dopadů. AI Act má chránit spotřebitele, posilovat férovou konkurenci a nastavit jednotná pravidla pro všechny členské státy Evropské unie.

‍

Koho se AI Act týká

Ďábel se často skrývá v detailu, což trochu platí také o AI Actu. Tato legislativa totiž nedopadá jen na firmy vyvíjející umělou inteligenci, ale i na ty, které ji jakkoliv používají ve svých produktech, službách nebo interních procesech. Typicky se tak souborem zákonů AI Act musí řídit podniky, které například: 

• vyvíjí AI
• používají AI pro rozhodování o lidech (např. nábor nebo hodnocení výkonu zaměstnanců)
• automatizují zákaznické služby (např. chatboti nebo hlasoví asistenti)
• zpracovávají pomocí AI citlivá data 
• integrují AI do produktů a služeb
• provozují AI systémy třetích stran (např. nasazení hotových AI řešení od externích dodavatelů ve vlastním podnikání)

AI Act samozřejmě rozlišuje běžný software od AI systému, takže je vždy potřeba zjistit, jestli dané řešení pracuje autonomně a adaptivně (tzn. učí se z dat a optimalizuje své výsledky), nebo pouze vykonává předem definované instrukce a nesplňuje tak definici AI řešení. 

Mimochodem: legislativa se vztahuje nejen na nové, ale i na již existující aplikace využívající AI (včetně machine learningu).

Abyste s těmito starostmi nemuseli trávit desítky hodin času a strachovat se, jestli vše splňujete, jak máte, v BigHub implementaci AI Act rádi vyřešíme za vás.

‍

Co konkrétně AI Act reguluje

Legislativa AI Act definuje spoustu detailních požadavků, těmi vás teď ale nechceme zatěžovat. Pro firmu využívající AI je důležité vědět, že se AI Act zabývá několika hlavními kategoriemi.

1. Klasifikace rizik 

Legislativa používá stupnici rizikovosti AI řešení, od minimálně rizikových až po velmi rizikové, nebo dokonce zakázané.

2. Povinnosti vývojářů i provozovatelů AI 

Například dodržování bezpečnostních norem, pravidelná dokumentace nebo zajištění přísného dohledu.

3. Transparentnost a vysvětlitelnost 

Uživatelé AI nástrojů musí vědět, že komunikují s umělou inteligencí. 

4. Zakázané aplikace AI

Například systémy, které manipulují lidským chováním či cíleně diskriminují určité skupiny.

5. Monitorování a hlášení incidentů

Udává firmám povinnost hlásit nežádoucí události a nesprávné fungování AI systémů.

6. Zpracování citlivých dat

AI Act reguluje používání osobních, biometrických či zdravotních údajů všech lidí, kteří s nástroji umělé inteligence pracují.

‍

Vyhněte se obrovským pokutám 

Sankce za nedodržování pravidel stanovených AI Act jsou vysoké, konkrétně vás mohou stát až 7 % z celosvětového obratu firmy, což v případě některých firem činí i miliony eur. 

Proto doporučujeme nad novými AI regulacemi nemávnout rukou a včas je implementovat na všech místech ve firmě, kde využíváte umělou inteligenci.

‍

Přehoďte starosti se zaváděním regulace AI Act na nás

Nemáte desítky hodin času studovat složité zákony a nechcete riskovat, že vaše firma dostane vysokou pokutu? Přehoďte starosti se záváděním regulace AI Act na nás.

Zákazníkům po celém světě dlouhodobě pomáháme zavádět osvědčené postupy a frameworky, zrychlovat inovace a optimalizovat procesy, takže rádi budeme k ruce i vám.

• AI pro vás vyřešíme „na klíč“, kromě vývoje AI řešení se postaráme také o zapracování regulace AI Act. Celým procesem vás postupně provedeme.
• Vytvoříme vaší firmě interní směrnice na využívání AI. 
• Provedeme audit AI aplikací, které již používáte.
• Vaše současné i nově implementované AI aplikace nastavíme tak, aby byly v souladu s AI Act.
• Posoudíme za vás rizika, abyste věděli, která AI řešení a jak můžete používat.
• Pomůžeme vám se zmapováním současné situace i s tvorbou nezbytné dokumentace či procesních povinností.

Proč firmy volí Databrics Mosaic

Pokud má organizace již vybudovanou datovou platformu na Databricks, je logické zvážit i Mosaic. Využití jedné technologie přináší architektonickou čistotu, jednodušší správu a rychlý start.

‍

Databricks Mosaic má nesporné výhody:

• Jednoduchost: tvorba interních chatbotů a základních agentů je rychlá a přímočará.
• Governance by design: logování, lineage a kontrola nákladů jsou zabudované.
• Integrace s daty: MCP servery a SQL funkce umožňují agentům pracovat s firemními daty bez složitého vývoje.
• Vývojářská podpora: funkce jako Genie (konkurence Fabric Copilot) nebo assisted debugging reálně zrychlují práci vývojářů.

‍

Pro jednodušší scénáře – například interní asistenty nad firemními daty – je Databricks Mosaic rychlým a efektivním řešením. I my v BigHubu jsme Databricks Mosaic nasadili například u velkého výrobního podniku nebo retailové společnosti, kde šlo o jednoduché dotazování do firemních dat.

‍

Kde Databricks Mosaic nestačí

Složitější projekty ale kladou jiné nároky – na latenci, přesnost, multiagentní logiku či integraci do stávajících systémů. A zde Mosaic naráží na své limity:

• Strukturovaný output: Databricks Mosaic neumí efektivně vynutit strukturovaný výstup, která se projeví v kvalitě výstupu či provozní stabilitě různých řešení (např. voiceboti či OCR)
• Vícekrokové workflow: procesy jako likvidace pojistných událostí nebo úpisy jsou v Databaricks Mosaic buď nemožné, nebo zbytečně složité.
• Latency-critical scénáře: Databricks Mosaic přidává další vrstvu mezi uživatele a model, což komplikuje nízkolatenční aplikace.
• Integrace mimo Databricks: pokud firma nechce využívat jen Vector Search a Unity Catalog, je propojení s dalšími systémy složitější než v čistém Python frameworku.
• Omezený katalog modelů: dostupných modelů je zatím jen několik, nelze připojit vlastní ani ty z jiných cloudů.

‍

Databricks přitom sám uvádí, že Mosaic nemá ambici nahradit specializované frameworky – a do jisté míry je to pravda. Překryv ale existuje a v těchto složitějších případech Mosaic zatím ztrácí flexibilitu.

‍

Kde dává smysl custom framework

Custom framework má největší výhodu tam, kde projekt vyžaduje komplexní logiku, multiagentní orchestraci nebo nízkou latenci.

• Více agentů: spolupráce agentů s různými rolemi a dovednostmi.
• Streaming a realtime: nezbytné pro call centra, voiceboty či fraud detection.
• Custom logika: přesně definované workflow a vícekrokové procesy.
• Regulační compliance: transparentní auditovatelnost podle AI Act.
• Flexibilita: využití jakýchkoliv knihoven, modelů a architektur bez vendor lock-inu.

‍

To ale neznamená, že Databricks Mosaic nelze využít i pro byznysově komplexní případy. U některých scénářů to možné je. Pokud se ale řeší aplikace, kde rozhoduje latence, strukturovaný výstup nebo přesnost, Databricks Mosaic dnes spíše pokulhává.

‍

Jak to řeší BigHub

V BigHubu jsme přesvědčeni, že neexistuje univerzální odpověď. Databricks Mosaic má své místo a v řadě projektů či scénářů ho bez váhání a úspěšně využíváme. Pak jsou ale situace, kdy doporučíme customizovaný framework, protože je to pro klienta dlouhodobě nejefektivnější cesta.

• Výrobní podnik a retail: Databricks Mosaic jsme využili pro interní asistenty nad firemními daty (SQL queries). Nasazení bylo rychlé, governance je vestavěná a pro tento typ dotazů fungoval velmi dobře.

• Pojišťovnictví (likvidace škod): Zde Databricks Mosaic nestačil – chyběl structured output, víceagentní orchestrace i práce s hlasem. Custom framework nám umožnil přesnost, vícekrokovou logiku a auditovatelnost podle AI Act.

• Bankovnictví (úpisy): Procesy vyžadující vícekrokové workflow a integraci do core systémů jsou v Databricks Mosaic zbytečně složité. Využili jsme vlastní middleware, který zvládá více agentů i modely z různých cloudů.

• Call centra a OCR: Latency-critical aplikace nebo scénáře vyžadující strukturovaný výstup (např. extrakce dat z dokumentů, voiceboti) Databricks Mosaic nepodporuje. Tyto případy vždy řešíme custom řešením.

‍

Naše role je v tom, že klienta netlačíme do jedné technologie. Pomůžeme rozhodnout, kdy se vyplatí Databricks Mosaic a kdy je nutné jít cestou custom. Díky tomu dokážeme zajistit rychlý start i dlouhodobou udržitelnost.

‍

Naše doporučení

• Databricks Mosaic: vhodný pro firmy s Databricks ekosystémem, které chtějí rychle spustit interní asistenty nebo jednodušší agenty s dobrou správou a governance.
• Custom framework: lepší volba tam, kde jsou potřeba složité vícekrokové procesy, multiagentní orchestrace, strukturovaný výstup nebo nízká latence.

‍

BigHub oba přístupy zná z praxe. Proto našim klientům nepřinášíme jen technologii, ale hlavně kompetenci vybrat tu správnou kombinaci pro jejich konkrétní situaci.

Co je vlastně MCP – a proč na něm tolik záleží?

Model Context Protocol může znít jako technologie z akademické laboratoře nebo interní dokumentace velkých technologických firem. Ve skutečnosti jde ale o standard, který umožňuje různým AI systémům vzájemně spolupracovat – ať už jde o komunikaci s lidmi, API, nástroji nebo mezi sebou navzájem. Zatímco dnes většina AI nástrojů funguje jako samostatné chatboty, hlasoví asistenti nebo úzce zaměřené moduly, MCP umožňuje, aby se tyto systémy propojily do inteligentního ekosystému, který funguje napříč službami i firmami. Výsledek?

Například:

• Získáte stav objednávky z e-shopu
• Zkontrolujete pojistnou smlouvu
• Přesunete termín návštěvy u lékaře
• Zařídíte platbu, dopravu i potvrzení – bez jediného přepnutí mezi aplikacemi

‍

To vše bez toho, aby každá firma musela vyvíjet vlastní umělou inteligenci. Stačí, že své služby a data zpřístupní standardizovanou cestou.

‍

Změna paradigmatu: z „AI jako pomocníka“ na „AI jako rozhraní“

Doposud firmy využívaly umělou inteligenci hlavně jako nástroj pro podporu zaměstnanců – zrychlit vyhledávání, usnadnit rozhodování nebo analyzovat data. MCP ale umožňuje posun: uživatel nebude komunikovat s firmou, ale přes své vlastní AI rozhraní. Firmy tedy nebudou budovat AI pro sebe, ale otevřou přístup ke svým službám – a uživatelé s nimi budou komunikovat přes své vlastní systémy: osobní digitální asistenty, voice interface, AI rozšíření, apod.

Je to podobná revoluce, jako když web nahradil telefonní linky a mobilní aplikace přepsaly způsob, jak si objednáváme jídlo nebo taxi. MCP dělá totéž – ale pro celý provoz firmy.

‍

AI-first svět je blíž, než si myslíme

Dříve jsme hledali přes Google. Dnes stále více lidí sahá nejdřív po ChatGPT, Perplexity nebo jiném osobním AI rozhraní. Vstupní bod do digitálního světa se mění – už to není web nebo appka, ale AI, která nás zná. Firmy, které na to nejsou připravené, ztratí přístup k zákazníkovi už v prvním kroku. Podobně jako zaspaly ty, které podcenily mobilní revoluci.

Co to znamená pro firmy?

1. Už nebudete muset vyvíjet vlastního chatbota

Místo investic do vývoje vlastních rozhraní, UX, dialogů a modelů budou firmy poskytovat přístup ke svým službám. Uživatelská zkušenost bude řešena na straně klienta – firmě zůstane to nejcennější: jádrové služby, procesy a data.

2. Zmizí potřeba tradičních call center

Zákazníci nebudou volat na linku. Zavolají své AI – a ta se sama napojí na systémy firmy, zjistí potřebné informace nebo požádá o akci. Vše během sekund. Místo front a čekání vznikne automatizovaná a přímá interakce bez operátora.

3. Otevírají se nové možnosti monetizace a reputace

Protože uživatel bude přicházet s vlastním inteligentním rozhraním, firmy nebudou nést reputační riziko „hloupého bota“. Současně budou mít plnou kontrolu nad tím, co a komu otevřou – a tím i nové možnosti personalizace a monetizace.

‍

Co to znamená pro běžné lidi?

• ^Jedno rozhraní pro všechny služby
• Místo desítek aplikací a přihlašování budete mít jedno AI rozhraní, které obslouží vše.
• Plná autonomie
• Objedná zboží, porovná nabídky, zařídí reklamaci nebo naplánuje službu – bez potřeby lidského zásahu.
• Chytřejší rozhodování
• AI ví, co preferujete, zná vaši historii i cíle – a navrhuje nejlepší řešení.

Praktický příklad:

Vaše AI rozhraní vám doporučí recept, zjistí, co vám chybí doma, porovná ceny na několika e-shopech, vybere nejvýhodnější variantu a objedná – bez nutnosti manuálního klikání.

‍

O čem se zatím moc nemluví: data

Aby to celé fungovalo, budou muset uživatelé i firmy řešit důvěru a přístup k datům. MCP v tomto nabízí jasný rámec – umožňuje bezpečné, transparentní a škálovatelné sdílení dat i operací mezi systémy, bez potřeby replikace nebo rizika úniku.

‍

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.