Dalším problémem je nevhodná volba embedding modelu. Levnější nebo starší modely nerozlišují jemné významové rozdíly, což vede k tomu, že podobné texty mají vzdálené vektory. Vždy testujte model na datech, která reálně používáte. Nechte si od systému vrátit pět nejlepších shod pro typický dotaz a podívejte se, jestli dávají smysl. Pokud ne, zkuste jiný embedding model, případně upravte velikost segmentů.
Při výběru se zaměřte na tři věci: jak často se data aktualizují, jak snadno se dá přidat nový zdroj dat a co se stane, když propojení selže. Typická chyba je vybrat nástroj podle počtu integrací, ale pak zjistit, že data z vašeho konkrétního systému nejsou podporovaná nebo se aktualizují jen jednou denně. Před nákupem si proto ověřte, že nástroj umí pracovat s vaším konkrétním softwarem, ne jen s „běžnými formáty". Většina poskytovatelů nabízí zkušební období – využijte ho na testování skutečného propojení, ne jen na proklikávání ukázkových dat.
Když se řekne RAG, většina lidí si představí jednoduché propojení vektorové databáze s jazykovým modelem. V praxi ale narazíte na to, že i zdánlivě funkční systém vrací nesmysly. Nejčastější příčinou není kvalita modelu, ale způsob, jakým data do systému vstupují. Pokud data nerozdělíte na logické celky, výsledky budou náhodné.
Jak začít s automatizací, když nemáte programátora Pro firmy bez technického zázemí je nejlepší začít u nástrojů, které mají hotové propojení s vaším účetním systémem, platební bránou nebo e-shopovým rozhraním. Většina moderních nástrojů umí načíst data z účetnictví, bankovních výpisů i fakturačních systémů a automaticky je přenést do přehledové tabulky. Vyhněte se ale slibům o „plné automatizaci bez konfigurace" – každé propojení vyžaduje alespoň jednorázové nastavení pravidel, a to většinou zabere víc času, než se čeká.
Retrieval bez hodnocení relevance je jen hádání Samotné hledání podobnosti nestačí. Pokud systém vrací jen nejbližší vektory, často dostanete texty, které s dotazem tematicky souvisí, ale neobsahují odpověď. Je nutné přidat rekonstrukce koupelny krok za krokem hodnocení relevance – buď pomocí klasifikátoru, nebo jednoduché promptovací techniky, která modelu řekne, aby odpověď hledal pouze v relevantních pasážích. V opačném případě model kombinuje informace z nesouvisejících částí a generuje halucinace.
Jak vypadá funkční automatizace v praxi Nejjednodušší cesta vede přes sdílený formulář, který se automaticky odesílá e-mailem. Zaměstnanec vyplní data, systém zkontroluje, zda není termín již obsazen, a pošle žádost nadřízenému. Ten ji jedním kliknutím schválí nebo vrátí k úpravě. Celý proces se zaznamenává do přehledu, který vidí všichni – tím odpadá otázka „kde je moje žádost". Toto řešení funguje, ale vyžaduje disciplínu. Bez pravidelné údržby se seznam rychle zaplní starými záznamy a přestane být přehledný.
Poslední častou chybou je ignorování zpětné vazby. Uživatelé hodnotí odpovědi, ale vy tato data nevyužíváte. Zaznamenávejte dotazy, které skončí nesmyslnou odpovědí, a analyzujte, kde proces selhal. Může to být špatný embedding, chybná segmentace nebo příliš obecný dotaz. Pravidelná údržba a ladění – to je rozdíl mezi demo projektem a systémem, který skutečně funguje v produkci. Bez měření kvality se pohybujete naslepo.
Koupě přes internet s sebou nese vždy určité riziko. I když si produkt vyberete pečlivě podle fotek a popisu, realita může být jiná. Naštěstí vám zákon dává možnost odstoupit od smlouvy do čtrnácti dnů bez udání důvodu. Problém ale nastává ve chvíli, kdy tuto lhůtu prošvihnete nebo nedodržíte podmínky, které pro vrácení e-shop stanoví. Pak se z výhodného nákupu stane noční můra a vy zůstanete u zboží, které nechcete.
Nakonec si ujasněte, kolik času vám AI opravdu ušetří. Pokud podnikáte živnostensky a fakturujete pár kusů měsíčně, nemusí být automatizace vůbec výhodná. Naopak u pravidelných faktur můžete uvítat funkci opakování, ale v bezplatné verzi bývá tato funkce omezená. Častou chybou je, že lidé tráví hodiny nastavováním nástroje, aby ušetřili pět minut měsíčně. Zamyslete se, jestli vám AI skutečně pomůže, nebo jestli jen vytváří zdání produktivity.
Náklady na automatizaci reportingu tvoří tři složky: licence, čas na nastavení a případné úpravy, když se změní vaše data. Licence bývají u malých firem nejviditelnější, ale větší položkou je obvykle čas. Počítejte s tím, že první nastavení zabere i celý den, a to hlavně kvůli čištění dat – duplicitní faktury, chybné kódy zboží nebo prázdné buňky v tabulkách. Pokud firemní data nejsou čistá, automatizace nepomůže, jen udělá chyby rychleji. Proto před zavedením nástroje věnujte čas sjednocení číselníků a pojmenování položek.
