🔹 Názov projektu: Systémy založené na RAG pre vyhľadávanie informácií a analýzu technických výkresov
🔹Trvanie projektu: Január 2025 – December 2025
🔹Partner: ŠVEC Group
Spolupráca sa sústredila na identifikáciu a implementáciu vhodných AI riešení na zlepšenie interných procesov spoločnosti ŠVEC Group. Rozsah sa počas projektu vyvíjal podľa toho, ako sa jednotlivé prípady použitia posudzovali z hľadiska realizovateľnosti a praktickej hodnoty.
AKO SME TO RIEŠILI
Projekt napredoval vo viacerých smeroch, pričom každý bol posudzovaný samostatne podľa svojich prínosov:
🔹Interný chatbot pre firemné dáta: Jednou z pôvodne zvažovaných možností bolo vytvorenie chatbota na prácu s firemnými dátami a podporu reportingových aktivít. Po úvodnej analýze sa tento prípad použitia nerealizoval, keďže dátová štruktúra spoločnosti nebola dostatočne pripravená a očakávané výstupy by neboli plne spoľahlivé.
🔹Chatbot pre dokumenty v SharePointe: Následne sa pozornosť presunula na vývoj chatbota na prácu s dokumentmi uloženými v Microsoft SharePoint. Implementovali sme a testovali koncept riešenia pomocou vlastných nástrojov založených na Pythone aj prostredníctvom rozhrania Microsoft Copilot. Partner v tomto smere nevidel jasný praktický prínos pre každodenné využitie a rozhodol sa túto líniu ďalej nerozvíjať.
🔹Analýza technických výkresov: V zostávajúcej kapacite projektu sa skúmalo využitie AI na analýzu technických výkresov a následné generovanie importných súborov. Na základe manuálov a vstupných materiálov poskytnutých spoločnosťou ŠVEC Group sme vypracovali koncept riešenia, ktorého výsledky splnili očakávania partnera.
ČO SME DODALI
“Projekt ukázal dôležitosť iteratívneho overovania prípadov použitia AI v reálnych podmienkach. Niektoré smery sa ukázali ako nepraktické, avšak analýza technických výkresov preukázala jasný potenciál a merateľný prínos. Tento prístup pomohol zabezpečiť, že finálne riešenie bolo realizovateľné a v súlade s prevádzkovými potrebami partnera.”
Ing. TIMOTEJ KRÁLIK
Research Engineer, NLP tím
ČO SME DODALI
Naším finálnym výstupom bol koncept riešenia dodaný v cloudovom prostredí Deepnote. Riešenie zaznamenáva vygenerované výsledky a ukladá ich do systému SharePoint partnera, čo umožňuje ich ďalšie využitie v interných procesoch spoločnosti.
„Chceli by sme poďakovať tímu KInIT za ich vytrvalosť, trpezlivosť a technickú odbornosť, ktoré nám pomohli správne vyhodnotiť viaceré prístupy detekcie anomálií a riešiť kľúčové výzvy súvisiace s diskontinuitami dát a nepravidelným vzorkovaním. Ich dôkladná validácia našich výstupov detekcie a ich poznatky o budúcej reprezentácii dát pre klasifikáciu porúch nám dodali dôveru v naše riešenie a poskytli pevný základ pre jeho praktické nasadenie v priemyselnom prostredí.“
Ing. ŠTEFAN RYDZI, PhD.
CEO, PredictiveDataScience
