Když chcete na web přidat umělou inteligenci: praktický postup

Evaluace RAG systému je častým podceňovaným krokem. Připravte si sadu testovacích otázek s očekávanými odpověďmi. Sledujte nejen přesnost odpovědí, ale také relevanci vrácených dokumentů. Můžete měřit metriky jako MRR (Mean Reciprocal Rank) nebo preciznost. Postupně vylaďte parametry – velikost chunků, počet vrácených dokumentů, teplotu modelu. Zaznamenávejte si, jak změny ovlivňují kvalitu odpovědí. RAG není jednorázový projekt, ale průběžně optimalizovaný systém.

Nakonec si rozmyslete, co automatizovat nebudete. Vrácené zboží, reklamace nebo osobní odběry na pobočce často vyžadují lidský zásah. Pokud vše zautomatizujete, ztratíte kontrolu nad výjimkami. Ideální stav je hybridní: většina běžných objednávek projde bez vašeho přičinění, ale každá nestandardní situace vás upozorní. Sledujte měsíčně počet chyb a čas strávený opravami – pokud klesá, automatizace funguje. Pokud ne, vraťte se o krok zpět a nastavte ji jinak.

Když připravujete školicí materiály nebo interní dokumentaci, obrázky často rozhodují o tom, jestli se čtenář zorientuje během pár sekund, nebo se v textu ztratí. Špatně zvolený nebo nezřetelný obrázek dokáže nadělat víc škody než užitek – odvádí pozornost, mate a zbytečně prodlužuje pochopení. Naopak dobře navržený vizuál šetří čas, snižuje počet dotazů a pomáhá zapamatovat si klíčové postupy. Jak na to, abyste obrázky tvořili efektivně a bez zbytečných chyb?

Základním stavebním kamenem je kvalitní zpracování dokumentů. Text rozdělte na menší části, tzv. chunking. Velikost chunků závisí na typu textu a modelu, který používáte. Pro odborné články se osvědčují části o 200–400 slovech, pro technickou dokumentaci kratší. Důležité je, aby každý chunk obsahoval dostatek kontextu. Pokud rozdělíte větu uprostřed, vyhledávání ztratí smysl. Používejte překrývání (overlap) mezi chunky, abyste nepřišli o informace na hranicích.

Nejčastější chybou, kterou v interních materiálech vidím, je používání obrázků z internetu bez ohledu na autorská práva nebo na srozumitelnost. Takové obrázky často obsahují cizí text, loga nebo popisky, které s vaším materiálem nesouvisí. Navíc nemusí odpovídat vaší firemní grafice a působí nekonzistentně. Vždy je lepší vytvořit si vlastní jednoduchou grafiku – dnes k tomu existují nástroje, které zvládne každý, a výsledek vypadá profesionálněji, než si myslíte.

Nezapomeňte na právní aspekty, zejména pokud zpracováváte osobní údaje. Před nasazením si zjistěte, jaké zákony se na vás vztahují. Uživatelům vysvětlete, že komunikujete s AI, a dejte jim možnost přepnout na lidskou podporu. Mějte připravenou dokumentaci o tom, jak AI funguje, a uchovávejte logy pro případné kontroly. Tím se vyhnete nepříjemnostem a budete působit důvěryhodně.

Zavádění do provozu rozdělte na etapy. Nejdřív upravte šablony smluv, ať mají jednotnou strukturu – usnadníte tím práci AI. Poté zaškolte tři klíčové uživatele, kteří odladí proces a vytvoří interní manuál. Do ostrého provozu spusťte až ve chvíli, kdy máte jistotu, že nástroj nevynechává přílohy a správně zachází s přílohami ve formátu Word. Po měsíci provozu vyhodnoťte metriky: kolik času se ušetřilo, jaké typy rizik se podařilo odhalit a kde dochází k falešným poplachům. Na základě výsledků upravte nastavení – a teprve pak rozšiřte použití na celý tým.

Jak vybrat a naladit embedding model Embedding model převádí text na číselné vektory. Pro RAG je klíčové, aby vektorový prostor odpovídal sémantické podobnosti vašich dat. Testujte více modelů na vzorku svých dokumentů. Sledujte, zda se podobné věty shlukují správně. Pozor na jazykovou shodu – české texty vyžadují model trénovaný na češtině, jinak bude vyhledávání výrazně horší. Velikost vektorů ovlivňuje výkon a paměť, ale ne vždy větší dimenze znamená lepší výsledky. Vyzkoušejte dimenze 384, 768 a 1024.

Vektorová databáze ukládá vektory a umožňuje rychlé vyhledávání podobnosti. Mezi populární patří FAISS, Milvus nebo Qdrant, ale můžete začít i s jednoduchým numpy řešením pro malé kolekce. Při výběru zvažte, kolik dokumentů budete mít. Pro tisíce dokumentů postačí lokální řešení, pro miliony potřebujete distribuovanou databázi. Důležité je nastavit metriku podobnosti – kosinová vzdálenost je standard pro většinu embedding modelů.

Další vrstvou je automatické předávání dat dopravci. Místo ručního opisování adres využijte export objednávek do CSV a jeho import do systému přepravce. Většina dopravců nabízí hromadné podání zásilek – stačí správně nastavit mapování sloupců (příjemce, ulice, PSČ). Pozor na to, že každý dopravce má vlastní formát polí; pokud přecházíte z jednoho na druhého, ověřte si, že se nepřekrývají čísla domů s názvem ulice.