Zvažujete AI pro svůj produkt, provoz nebo zákaznickou linku? Nejdřív uděláme audit toho, jaký problém vlastně chcete vyřešit. Pak navrhneme řešení a doporučíme, která z našich AI služeb na něj sedí. A když se nehodí žádná, řekneme vám to rovnou - často stačí něco jednoduššího.
Vývoj AI (umělé inteligence) pro nás znamená stavět, nasazovat a udržovat systémy s machine learningem a LLM přímo ve vašem produkčním stacku. Ne PoC, které nikdy neopustí Jupyter notebook. Stavíme i webové a mobilní aplikace a software na míru, takže nemáme důvod cpát AI tam, kam nepatří. Do produkce jsme zatím pustili přes 50 AI funkcí - a pořád běží. Průběžně je monitorujeme a udržujeme. Chcete vidět, jak na to jdeme? Mrkněte níž, nebo nám napište, co potřebujete postavit.
Zkušení AI inženýřiAI, design, aplikace i infrastruktura in-houseOd startupů po enterpriseDodáváme po celém světě
12 tisíc ticketů měsíčně, 3 support agenti, 46 hodin průměrná první odpověď. Omnichannel bot s integrací na order management systém, confidence scores a eskalační logikou.
Po šesti měsících firma dosáhla 74% deflection a kvalifikované dotazy vyřídí bot do 2 minut, vše ostatní řeší tým agentů.
Dva zaměstnanci na plný úvazek trávili pracovní dobu kopírováním dat z PDF faktur do ERP. Chybovost kolem 4 %, čtvrtletní problémy s odsouhlasením. Postavili jsme extraction pipeline nakonfigurovaný pro jejich 12 nejčastějších typů faktur s confidence score.
Po šesti měsících je 91 % faktur zpracováno bez lidského zásahu, zbytek člověk dostává s předem extrahovanými daty a označenými pochybnými poli, na 30sekundovou kontrolu.
Plánování zásob se opíralo o čísla z minulého roku a o pocit. Přebytek zásob žral pracovní kapitál, nedostatek krvácel tržby. Model jsme natrénovali na třech letech historických transakcí s informacemi o lokálních akcích a sezónnosti. Pro udržení přesnosti děláme retraining každý týden.
Po šesti měsících je plýtvání zásobami dolů o 28 % a model umí předvídat problémy, než dorazí do P&L. Reálná výhra: plánovací tým model opravdu používá.
Přes 400 zaměstnanců se prokopávalo SharePointem, Confluence a třemi legacy systémy hledáním compliance odpovědí. V průměru 35 minut, než našli správný dokument. Nasadili jsme RAG asistenta s řízením přístupu podle oprávnění napojeným na uživatelská oprávnění v SharePointu a Confluence.
Po šesti měsících je průměrná odpověď pod 8 sekund a 89 % otázek má odpověď bez nutnosti otevírat jiný systém.
AI platforma, kterou jsme navrhli, postavili a vydali od prvního rozhovoru do 17 zemí. Stále ji udržujeme.
AgentWise je operační systém pro real estate poháněný AI, který jsme vytvořili a vyvinuli od nuly. Spojuje agent matching, workflow automatizaci a real-time bezpečné zprávy v jedné platformě. Ta nahradila roztříštěný ekosystém WhatsApp skupin. 900+ aktivních real estate agentů ze 17 zemí používalo AgentWise v prvních pěti měsících a dosáhli jsme 500% růstu uživatelů za pár měsíců.
Většina AI agentur vám nedá ani jednu z těchto tří věcí, dokud nepodepíšete. Neřeknou vám, kdo bude na projektu pracovat, dokud nepodepíšete. Neřeknou cenu, dokud nesedíte na discovery callu. Nemluví o měsíčním účtu po spuštění, pokud se konkrétně nezeptáte. My to vykládáme všechno tady, protože tajením tohle nezmizí.
Stejný tým, který dodal AgentWise do 17 zemí, včetně vedoucího inženýra Michala Vavry, vám vymezí a posoudí architekturu. Vaši inženýři si můžou s našimi promluvit ještě před podpisem. Nepřehazujeme projekt B-týmu po obchodním hovoru a nerotujeme externisty mezi klienty kvůli marži.
Vždycky máme jasně vymezenou fázi na začátku, takže víte, do čeho jdete, než souhlasíte s další fází. Assessmenty od 140 000 Kč, PoC a MVP obvykle 140 000 až 1,1 mil. Kč, enterprise nasazení výš. Jeden klient k nám přišel s tím, že potřebuje custom LLM, a odešel s 140 000 Kč automatizací, která řešila jeho potřebu. Mohli jsme prodat zakázku za 1,1 milionu. Neudělali jsme to a za čtyři měsíce se vrátili na projekt, který tu investici opravdu chtěl.
AI, jako jakýkoli software, vyžaduje průběžnou údržbu, podporu a servis. Modely degradují, jak se vyvíjí vaše data. Ceny inference se mění, jak dodavatelé aktualizují sazby. Nabízíme roční servisní paušály typicky kalkulované na 15-25 % původního rozpočtu. Zahrnují kontinuální monitoring, retraining a optimalizaci ML systémů. Nebo vám pomůžeme najmout tým pro podporu a údržbu AI systémů in-house. Vybavíme vás plnou architekturou, codebase a technickou dokumentací pro převzetí. Od prvního dne projekt připravujeme na přechod k in-house týmu, ne až na konci smlouvy.
Přinesete nám problém. Podíváme se na vaše data, systémy a aktuální tech stack a do pár dní se vrátíme se třemi až pěti věcmi, které bychom postavili. Kolik můžou stát, jak dlouho zaberou a upřímná analýza, jestli to dává smysl. Pokud nic nedává smysl, řekneme to. Odejdete po zaplacení týdne našeho času, ne šesti měsíců.
Vybereme jeden use case ze seznamu a vyvineme MVP na vašich datech. Neběží na vzorových datech ani umělých vstupech, funguje na vašich reálných dokumentech, otázkách a edge cases. Měříme přesnost, rychlost a inference náklady, abyste měli konkrétní čísla pro prezentaci v organizaci před schválením plné investice. Sprint na dva až čtyři týdny.
PoC validoval přístup, teď je čas postavit plnou verzi pro tým a koncové uživatele. Operational monitoring, exception handling, napojení na váš stack a datové zdroje, manuály k použití a governance controls podle vaší míry rizika. Dva měsíce byly naším nejrychlejším časem od discovery do produkce. Typické projekty 2-4 měsíce, protože každý klient má jiné datové zdroje.
Očekávání pro 10 tisíc interakcí jsou vzdálená od těch, co bychom nastavili pro 100. Modely se vyvíjí, uživatelé objevují edge cases, na které jsme nepomysleli, ceny poskytovatelů se mění. To je naše práce: monitorovat, retrenovat, snižovat náklady a varovat vás dřív, než to zasáhne uživatele. Tahle fáze pokračuje, jak dlouho chcete. Časem předáme otěže, aby tuhle fázi vedl váš tým in-house.
Možná přijde čas, kdy chcete vše řídit sami. Každý projekt připravujeme s touhle myšlenkou v hlavě. Děláme si poznámky o architektonických rozhodnutích, jak je děláme, ne až zpětně. Dodávka zahrnuje dokumentaci pro školení a průvodce náborem. Až budete připravení nabírat in-house, předání má být přímočaré. Pokud chcete, abychom zůstali jako dodavatel, není problém. Ale musí to být vaše rozhodnutí, ne nevyhnutelnost kvůli špatnému plánu.
Váš AI systém někdy s jistotou dá špatnou odpověď. Jediné rozhodnutí: jestli se to dozvíte z monitorovacího dashboardu, nebo od naštvaného zákazníka. Vždycky nasazujeme systémy s funkčním měřením spolehlivosti, detekcí driftu a alertovací službou, aby samy poznaly, že se něco kazí, hned napoprvé.
API špičkových modelů se mění často. Za posledních 18 měsíců hlavní poskytovatelé několikrát změnili ceny, ukončili endpointy a přepracovali řady modelů. Když je váš AI produkt vázaný na jednoho poskytovatele, každá změna vás nutí přestavět napojení. Na každém projektu implementujeme přepínací vrstvu mezi AI aplikací a poskytovatelem modelu. Je to úprava nastavení, kterou váš tým zvládne sám: přepnout z GPT na Claude nebo přejít z komerčního API na lokálně provozovaný model s open source licencí.
Nejsme vázaní exkluzivním partnerstvím s OpenAI, Anthropicem, AWS ani nikým jiným. Když navrhneme konkrétní model nebo cloudového poskytovatele, nemáme z toho provizi. Návrh obsahuje zdůvodnění, takže váš CTO ho může zpochybnit, otestovat proti jiným nebo předat jinému týmu, až se rozhodnete pokračovat. Náš AI development stack stavíme podle vašich požadavků.
Vybíráme vector databázi podle velikosti dat, rychlosti odezvy na dotazy a toho, jestli už používáte Postgres, Elastic atd. Každý RAG systém má řízení přístupu podle oprávnění a citace zdrojů.
Vydali jsme produkční systémy na OpenAI GPT-4, Anthropic Claude, Llama 3, Mistral i Qwen, podle zátěže. Záleží na požadované přesnosti, jestli můžou data ven a jaké jsou měsíční inference náklady při rozumném objemu dotazů.
LangChain a LlamaIndex jsou skvělé pro běžné use case. Vlastní pipeliny píšeme jen tam, kde knihovny přidávají víc složitosti, než řeší, nebo neumí to, co váš systém potřebuje. Nepoužíváme technologii jen proto, že je populární.
Každý systém, co nasazujeme, přichází se zabudovanými možnostmi evaluation, tracingu a alertingu. Logujeme, co AI dělá, jakou confidence dává odpovědím, a úzká místa. Pokud nastane drift, váš tým o tom ví dřív než koncoví uživatelé.
Provozujeme prostředí tam, kde jsou vaše data a kde to požaduje váš security a compliance framework. AWS, Azure, GCP, on-premises nebo kombinace, nakonfigurujeme to. Když regulace vyžaduje data residency v EU, vše ve výchozím nastavení běží v EU datacentrech.
Přímé odpovědi na otázky, které slyšíme v každé úvodní konverzaci.
Naše projekty začínají na 140 000 Kč za assessment workshop (vyhodnotíme data, systémy a business case). PoC a MVP obvykle 140 000 až 1,1 mil. Kč, enterprise rollouty s víc integracemi a compliance jdou do milionů a vyšších částek. Hlavní faktory ceny: složitost dat, počet integrací, compliance požadavky a jestli model musíme hostovat na vašem hardware. Projekty děláme po fázích, takže máte kontrolu nad výdaji a každá fáze přinese výsledky.
Assessment workshop dny až týden, Proof of Concept dva týdny až měsíc na reálných datech. MVP obvykle dva až čtyři měsíce. Náš nejrychlejší timeline od první schůzky do funkčního systému byl dva měsíce. Záleží na počtu integrací, stavu vašich dat a governance schvalování.
Řekneme to. Když je váš problém lépe řešitelný webovou aplikací, rules enginem nebo standardní automatizací, doporučíme to. Pixelfield staví aplikace, webové platformy a software na míru vedle AI, takže nemáme motivaci tlačit AI tam, kde nepatří. Platíte za správné řešení, ne za to, abychom zdůvodňovali technologii.
Ne, naši inženýři se postarají o vše: přípravu dat, nasazení modelů a průběžný monitoring. Pokud chcete budovat vlastní expertizu, pomůžeme s náborem, školením a dokumentací. Většina klientů začne s námi a po 12-18 měsících převezme systémy in-house.
Vy. Kód, natrénované modely, datové pipeliny, dokumentace, infrastruktura. Plné vlastnictví, plný přístup, žádný lock-in. Když chcete přejít k jinému dodavateli nebo přesunout vývoj in-house, vše předáme. Předání plánujeme od prvního dne.
AI systémy potřebují průběžnou pozornost. Modely driftují, jak se mění data. Vzorce použití odhalují edge cases a poskytovatelé aktualizují ceny API. Provoz po spuštění obvykle stojí 15-25 % původního buildu ročně za monitoring, přetrénování a infrastrukturu. Nabízíme servisní paušály s definovanými SLA. Pokud preferujete převzít vše in-house, pomůžeme s náborem a předáním. Tak či tak řešíme průběžné náklady před začátkem projektu, takže žádná překvapení.
Ano. Jsme vendor-neutral a stavíme na jakémkoli stacku, který už máte. CRM, ERP, datové sklady, legacy API, třetí strany. Žádná migrace platformy. Když platí GDPR nebo data residency v EU, infrastrukturu nakonfigurujeme tak, aby data zůstala v schválených prostředích.
Ano. Začínáme auditem architektury a kvality modelu. Prohlédneme datovou pipeline, provozní riziko, náklady na inference a co opravdu funguje oproti tomu, co bylo přeprodáno. Pak vám dáme upřímné posouzení: co je k záchraně, co potřebuje přestavbu a jak vypadá realistická cena a timeline. Někteří klienti k nám přijdou po neúspěšném PoC od jiné agentury a do tří měsíců odcházejí s funkčním systémem.
