Vybrané práce

K dispozici na plný úvazek od října 2026 · Německo / EU remote

Tři systémy v produkci, jedna metoda v každodenním průmyslovém provozu.

Autonomní LLM pipeline, vlastní agentní stack a znalostní báze s odezvou pod sekundu - všechno dnes v provozu, všechno podložené čísly. Tady je, co bylo problémem, co jsem postavil a co to dnes dělá.

48 sekund, tři ze systémů níže - skutečné záznamy z terminálu, žádné mockupy

Současná role - krok za krokem

Co dělám v Kyoceře, v pořadí, ve kterém to dělám.

AI a digitální transformace pro průmyslovou B2B organizaci - technická větev firemního AI programu, vedená ve čtyřech opakovatelných krocích.

01Map

Mapování procesů přes rozhovory se stakeholdery a workshopy - kvalita, zákaznický servis, obchod, řízení změn - zachycené jako BPMN modely.

02Find

Identifikace use-caseů a analýza mezer v automatizaci: zjištění doložená zdroji a strukturovaná do katalogu, který může vedení prioritizovat.

03Solve

Funkční automatizace, ne prezentace: e-mailový asistent pro zákaznický servis s člověkem v procesu už od návrhu, plus M365 automatizační toky s telemetrií a QA branami.

04Prove

Přejímací testy dřív, než cokoli jde ven, ROI business case a rollout dokumentace v souladu s EU AI Act a GDPR - plus příspěvky do firemní politiky používání AI.

Tohle je technická větev celofiremního AI programu - stejná metoda jako v poradenských projektech, používaná každý pracovní den.

Jak vedu zakázky

V provozu

DeepSignal

ProblémČíst tržní a zpravodajské kanály ručně nejde škálovat a ve tři ráno to neběží.

PostavenoAutonomní pipeline, která nabírá tržní a zpravodajská data, spouští LLM analýzu a podle plánu publikuje signály na Telegram bez jediného ručního kroku. Modelová vrstva je nezávislá na dodavateli - Anthropic, OpenAI, DeepInfra nebo lokální Ollama - a shadow-evaluation brána pustí levnější model dál teprve tehdy, když se na živých datech vyrovná referenci.

deepsignal

docker ps - všechny služby na serveru běží v pořádku

~95% nižší náklady na model po shadow-eval bráně

zoceleno backtestingem + adversariálním review 54 agentů / vlastní hosting v Dockeru / měsíce v provozu

Python Docker Anthropic OpenAI DeepInfra Ollama Shadow-eval

V provozu

JARVIS

ProblémJeden asistent nemůže být expert na všechno a cloudový asistent neběží na vašem hardwaru ani za vašich podmínek.

PostavenoVlastně hostovaný asistent, který běží 24/7 a přes meta-orchestrátor koordinuje knihovnu specializovaných agentů - s vlastními MCP servery, hlasem oběma směry a přímými nástroji pro e-mail a kalendář.

„proč se mi graf nenačítá na telefonu?“

berezka-site-optimizer - owns berezka.me end to end
web-qa-screenshot - mobile viewport verification
browser-interaction-designer - canvas/particle diagnosis

jeden orchestrátor, 12 vedoucích divizí, 200+ specializovaných agentů - najetím na uzel se ukáže jméno, jeden skutečný směrovaný příklad je vyznačen bronzově

Python Claude API MCP Whisper Docker

V provozu

Hybridní RAG znalostní báze

ProblémZnalostní báze se 4 500 poznámkami je k užitku jen tehdy, když se správná odpověď vrátí za sekundu, ne posouváním souborů.

PostavenoHybridní vyhledávací systém - husté embeddingy (bge-m3) plus řídké fulltextové hledání (FTS5) plus reranker - reindexovaný každou noc a obsluhovaný stále běžícím démonem.

rag

živě: RAG dotaz zodpovězen pod sekundu

<1s odpovědi napříč ~2 000 indexovanými dokumenty

dense + sparse + reranker / noční reindexace / trezor se 4 540 poznámkami

bge-m3 FTS5 Reranker Python daemon

Současná role

Kyocera Automotive

ProblémPrůmyslové firmy vědí, že AI je důležitá. Těžké je rozhodnout, kde se skutečně vyplatí - ještě než se utratí rozpočet.

PostavenoPráce na AI a digitální transformaci pro průmyslovou B2B organizaci: analýza podnikových procesů a strukturované, compliance-vědomé hodnocení AI use-caseů. Metoda za tím je veřejný výzkum - moje diplomová práce na KIT staví vícekriteriální rozhodovací model pro zavádění AI ve výrobě.

M.Sc. Diplomová práce na KIT: vícekriteriální rozhodovací model pro zavádění AI ve výrobě

procesní analýza / strukturované hodnocení use-caseů / s ohledem na EU AI Act + GDPR

BPMN MCDM / AHP EU AI Act GDPR M365

Znalostní báze za tím

4 540 poznámek. 13 024 spojení. Jeden graf.

Obsidian trezor, který pohání hybridní RAG systém výše - každý bod je poznámka, každá čára je spojení mezi dvěma. Názvy jsou schované záměrně; jde o strukturu. Zobrazeno je 700 nejvýznamnějších uzlů.

4 540 poznámek 13 024 spojení ~2 000 indexováno pro vyhledávání reindexováno každou noc

Pojďme se pobavit

K dispozici na plný úvazek od října 2026.

Sídlím v Německu. Pokud potřebujete někoho, kdo z nápadu udělá běžící, vlastně hostovaný systém - ne prezentaci - pojďme se pobavit.

email · LinkedIn · Stáhnout CV

Stáhnout CV Napsat na LinkedIn

Vedu si i veřejný deník stavby, Vibes per Token, o tom, co den za dnem dodávám. Číst deník →