Domů
Služby
Data, RAG & backend

AI a data

RAG a firemní znalostní báze, které odpovídají se zdrojem

Dokumenty, smlouvy, manuály, tikety a tabulky obsahují odpovědi, jen je nikdo nenajde. Postavím z nich znalostní bázi, ve které se dá hledat významem a na kterou se může napojit AI. Každá odpověď ukazuje, z jakého dokumentu vzešla.

Pro koho to je: Pro firmy s velkým množstvím dokumentů nebo technických podkladů (manuály, směrnice, smlouvy, katalogy), kde na odpověď čeká tým nebo zákazník příliš dlouho. Zkušenost mám i z vlastního produktu: Leadora je právě RAG znalostní báze pro technické týmy.

Probrat vaši situaci Ceník všech služeb

Cena od: 25 000 Kč
Typický termín: 4–6 týdnů
Výstup: Znalostní báze, API, měření kvality
Aktualizace: Nová data bez přeučování modelu

Tohle vás nejspíš pálí.

Odpověď na technický dotaz znamená projít několik složek a zeptat se kolegy.
Dokumenty se mění, ale nikdo neví, která verze je aktuální.
Fulltextové hledání nenajde nic, protože lidé píšou jinými slovy, než jsou v dokumentu.
Zkusili jste nahrát dokumenty do obecného AI nástroje a odpovědi neměly zdroj nebo byly zkreslené.
Potřebujete data zpřístupnit aplikaci nebo týmu přes spolehlivé API, ne přes tabulku.

Pokud jste přikývli aspoň dvakrát, má smysl si o tom promluvit.

Co konkrétně vyřešíme.

Typické případy, se kterými přicházejí klienti. Váš může vypadat jinak, vždy začínáme tím, co potřebujete vy.

Vyhledávání nad dokumentací

Zadáte otázku normální větou a dostanete odpověď i odkaz na konkrétní stránku nebo odstavec. Hledá se významem, ne jen shodou slov.

Technická podpora a servis

Technik v terénu se zeptá na postup nebo parametr a dostane odpověď z aktuálního manuálu včetně verze dokumentu.

Zákaznický portál s AI

Zákazníci hledají v produktové dokumentaci a návodech vlastními slovy, a podpora tak řeší méně opakovaných dotazů.

Napojení dat na aplikaci

Zpracuji data z více zdrojů, uložím je přehledně do databáze a vystavím k nim API, ze kterého čerpá web, aplikace nebo agent.

Správa aktuálnosti

Nové a změněné dokumenty se zaindexují automaticky. Staré verze se označí nebo vyřadí, takže odpovědi nevycházejí ze zastaralých podkladů.

Jak to probíhá, krok za krokem.

U každého kroku vidíte, co dělám já, co potřebuji od vás a co po něm držíte v ruce. Žádná černá skříňka.

01

Audit dat
Týden 1

Já
Projdu zdroje, formáty a kvalitu. Určím, co jde automaticky zpracovat, co je potřeba vyčistit a co do báze nepatří.

Vy
Zpřístupníte dokumenty a určíte, které jsou závazné a které zastaralé.

Výstup
Inventura zdrojů a plán zpracování.
02

Příprava a indexace
Týden 1–3

Já
Dokumenty rozdělím na smysluplné úseky, doplním metadata (verze, oddělení, platnost) a naindexuji je pro sémantické i klasické hledání.

Vy
Odpovíte na dotazy k nejasným dokumentům.

Výstup
Naindexovaná znalostní báze.
03

Vyhledávání a odpovědi
Týden 2–4

Já
Postavím RAG pipeline: nalezení relevantních úseků, sestavení odpovědi a citace zdroje. Doladím řazení výsledků a řízení přístupu.

Vy
Dodáte vzorové otázky, na kterých to bude ověřeno.

Výstup
Funkční vyhledávání a odpovědi s citací.
04

Měření kvality
Týden 4–5

Já
Na vzorových otázkách měřím, jestli systém najde správný zdroj a odpoví věrně. Doladím, kde selhává, a nastavím chování při chybějícím podkladu.

Vy
Posoudíte, které odpovědi jsou použitelné.

Výstup
Zpráva o kvalitě a nastavení, kdy se systém přizná, že odpověď nezná.
05

API a nasazení
Týden 5–6

Já
Vystavím API nebo rozhraní, nasadím do vašeho prostředí a nastavím aktualizace a monitoring. Předám dokumentaci.

Vy
Určíte správce zdrojů dat.

Výstup
Provozní řešení, API a dokumentace.

Jak to může vypadat v praxi.

Modelová situace: výrobce se sedmi sty stránek manuálů

Servisní tým výrobce technických zařízení se při každém dotazu prohrabává manuály v několika verzích a PDF. Nový technik se zaučuje měsíce.

Před

Odpověď znamená hledat v několika souborech.
Není jasné, která verze manuálu platí.
Zkušení lidé jsou pořád vyrušováni dotazy.

Postup

Manuály se rozdělí a naindexují včetně verze.
Technik zadá dotaz normální větou.
Systém najde relevantní pasáže a odpoví.
Ukáže dokument, stranu a verzi.

Potom

Odpověď se najde během vteřin.
Každá odpověď má dohledatelný zdroj a verzi.
Zkušení lidé mají klid na práci.

Ilustrativní scénář, ne konkrétní klient ani slíbený výsledek. Skutečnou kvalitu měříme na vašich dokumentech a otázkách ve fázi Měření kvality.

Čím to stavím a proč.

Vektorová databáze a fulltext: Kombinace sémantického a klasického hledání dává lepší výsledky než jedno samotné. PostgreSQL s pgvector, nebo specializované řešení podle objemu.
Embedding a jazykové modely: Výběr podle jazyka (čeština), nákladů a požadavků na umístění dat.
Zpracování dokumentů: PDF, DOCX, tabulky, weby a tikety. Včetně skenů a tabulek, kde extrakce nebývá triviální.
Backend a API: TypeScript nebo Python. Čisté API, které využije web, aplikace nebo AI agent.
Evaluace: Testovací sada otázek a měření správnosti. Změny se vyhodnocují, ne odhadují.

Co po spolupráci dostanete.

Inventura a plán zpracování dat
Naindexovaná znalostní báze
RAG pipeline s citací zdrojů
Řízení přístupu ke zdrojům
API a případně jednoduché vyhledávací rozhraní
Zpráva o kvalitě, dokumentace a předání

Kolik to stojí a jak dlouho to trvá.

od 25 000 Kč

Typický termín: 4–6 týdnů

Hosting databáze a využití modelů platíte přímo dodavatelům. Odhad provozních nákladů dostanete před zahájením.

Ceník všech služeb

Co cenu ovlivňuje

Objem a formát dokumentů
Kvalita dat a potřeba čištění
Řízení přístupu (kdo co smí vidět)
Požadované rozhraní: API, web, agent

Kdy to nedává smysl.

Radši to řeknu hned, než abyste zbytečně platili.

Dokumentů je pár desítek stránek. Často stačí dobře strukturované FAQ nebo nahrání do hotového nástroje.
Podklady si odporují a nikdo nerozhoduje, co platí. Nejdřív je potřeba nastavit odpovědnost za obsah.
Potřebujete odpovědi o událostech, které v dokumentech nejsou. Systém odpovídá jen z podkladů, což je záměr.

Na co se lidé ptají nejčastěji.

Co je RAG a proč ho nepoužít jen v ChatGPT?

RAG (retrieval-augmented generation) znamená, že AI nejdřív najde relevantní pasáže ve vašich dokumentech a až z nich sestaví odpověď. Odpověď je tak podložená zdrojem, který můžete otevřít. Obecný nástroj má omezené možnosti řízení přístupu, aktualizace a ověření kvality a neumí vás spolehlivě napojit na vaše systémy.

Co když systém odpověď nenajde?

Navrhneme chování při chybějícím podkladu. Asistent má nejistotu přiznat a nabídnout další krok, například přeposlat dotaz člověku, místo aby si odpověď vymyslel.

Musím model nějak přeučovat, když se dokumenty změní?

Ne. Nové a změněné dokumenty se zaindexují a systém je hned používá. Model se přeučovat nemusí, což je jedna z hlavních výhod RAG.

Jak řešíte, kdo smí co vidět?

Oprávnění se uplatňují při vyhledávání: uživatel dostane odpověď jen z dokumentů, ke kterým má přístup. Pravidla navrhneme podle vašich oddělení nebo rolí.

Zvládne systém češtinu a odborné pojmy?

Ano. Vybírám modely vhodné pro češtinu a kvalitu ověřuji na vašich skutečných otázkách včetně odborné terminologie, zkratek a interních názvů.

Kde jsou moje dokumenty uložené?

Podle dohody: u vás, v evropském cloudu, nebo u zvoleného poskytovatele. Před zahájením určíme, kam se data ukládají a kdo je zpracovává.

Dá se z toho udělat i AI agent?

Ano. Znalostní báze bývá základ agenta. Navážeme na ni asistenta, který odpovídá, případně provádí kroky v dalších systémech.

Pojďme to probrat.

Napište pár vět o tom, co řešíte. Odpovím do 24 hodin s názorem, jestli a jak to dává smysl, ještě než se na cokoli zavážete.

Tohle vás nejspíš pálí.

Co konkrétně vyřešíme.

Vyhledávání nad dokumentací

Technická podpora a servis

Zákaznický portál s AI

Napojení dat na aplikaci

Správa aktuálnosti

Jak to probíhá, krok za krokem.

Audit dat

Příprava a indexace

Vyhledávání a odpovědi

Měření kvality

API a nasazení