Nejlepší postup je rozdělit práci na dvě fáze. Nejdřív nechte software…

Nejlepší postup je rozdělit práci na dvě fáze. Nejdřív nechte software přepsat celý dokument a uložte výstup jako prostý text. Potom ho porovnejte se skenem po odstavcích a opravte jen místa, kde se význam mění. Drobné chyby v interpunkci nechte být, pokud nezkreslují smysl. U delších poznámek se vyplatí přepisovat po částech a každou část hned uzavřít, jinak se chyby načítají a na konci nepoznáte, co bylo v originále. Rozpoznávání rukopisu není automat, ale nástroj, který šetří čas jen tehdy, když víte, kde selhává.

Prázdný výstup většinou znamená, že skener dostal povel, ale nenačetl žádný obraz. Zkontrolujte, zda je předloha správně vložená – u plochých skenerů lícem dolů nábytek na míru sklo, u podavačů lícem nahoru podle šipek. Také se ujistěte, že je zavřené víko, protože některé modely při otevřeném víku skenování odmítnou. Pokud používáte podavač, prolistujte stránky a odstraňte sponky nebo přeložené rohy, které zablokují senzor.

If you cherished this article and you would like to acquire far more facts pertaining to náBytek na míru kindly take a look at the web-page. Prompt pro generování drž při zemi. Jasně napiš, že model má odpovídat pouze z předloženého kontextu, uvést, ze kterého dokumentu čerpal, a když odpověď v datech není, říct to. Vyžaduj citace ve formátu, který umíš zpětně dohledat. Teplotu nastav nízko. Do promptu nedávej celý dokument, ale jen relevantní chunky s jednoznačnými identifikátory. Pokud model začne odpovídat i bez kontextu, přidej tvrdé pravidlo a otestuj ho na dotazech, na které data nemáš.

Prakticky se vyplácí začít u přenosu dat. Ruční přepisování mezi tabulkou, e-mailem a evidencí je zdrojem překlepů i zpoždění. Řešením bývá jeden vstupní formulář, ze kterého se data rozesílají dál, místo aby se opisovala. Podobně funguje sloučení kroků: místo tří e-mailů s dotazem stačí jedna zpráva s jasnými termíny a odpovědností. Automatizace má smysl tam, kde je pravidlo stálé a vstup předvídatelný; tam, kde se rozhoduje případ od případu, jen přidá další vrstvu, které nikdo nerozumí.

Typické chyby, které lidi stojí nejvíc času: chunkování po znacích bez ohledu na strukturu, ignorování metadat, absence rerankeru, příliš velký kontext a chybějící evaluace. Vyhodnocování nepodceňuj. Sestav sadu 50–100 reálných dotazů s ručně označenými správnými pasážemi a měř, jestli je vyhledávač najde a jestli je odpověď věrná. Sleduj odděleně kvalitu retrievalu a kvalitu generování, jinak nebudeš vědět, co opravit.

Firma, která si nastaví jasná pravidla, ušetří za sankce, nemocnost i náhrady škod. Kontrola se pak mění z hrozby na rutinní záležitost, kterou máte podloženou papíry i skutečným stavem na pracovišti.

Text odpovědi pište krátce, v druhé osobě a bez odborného žargonu. Zákazník nemusí vědět, co je to interní ticket nebo SLA. Místo toho použijte běžný jazyk a uveďte, jaké informace má doplnit, aby se věc urychlila – číslo objednávky, fotografii zboží nebo přesný popis závady. Čím méně kroků zákazník musí udělat, tím vyšší je šance, že odpoví a vyřešíte to na první pokus.

Prvním krokem je změřit, ne odhadovat. Vezměte běžný týden a u každé opakované činnosti si poznamenejte dvě čísla: jak zařídit malou kuchyni často se dělá a jak dlouho trvá. Činnost, která se opakuje desetkrát denně a trvá dvě minuty, spotřebuje za měsíc víc času než jednorázová uzávěrka. Teprve pak má smysl rozhodovat, co automatizovat. Kdo tento krok přeskočí, obvykle automatizuje něco, co by stačilo zrušit nebo sloučit.

Kde vzniká nejvíc chyb Nejčastější chyba není technická, ale procesní. Automatizuje se krok, který v původním postupu existoval jen kvůli lidské nedůvěře nebo kvůli tomu, že někdo kdysi potřeboval podpis. Pokud se takový rekonstrukce koupelny krok za krokem přenese do automatizace beze změny, jen se zrychlí zbytečná práce. Druhá typická chyba je automatizace bez záložní cesty: když skript nebo pravidlo selže, nikdo si toho nevšimne, protože výstup chodí dál, jen je špatný. Proto každá automatizace potřebuje jednoduchou kontrolu — souhrn, upozornění, případně ruční ověření u prvních desítek běhů.

Začni u dělení dokumentů. Naivní přístup „rozdělím text po tisíci znacích" funguje jen na omalovánky. Ve skutečnosti potřebuješ chunkovat podle struktury: nadpisy, odstavce, tabulky, seznamy. Chunk o velikosti 200–500 tokenů s překryvem kolem 15 % je rozumný výchozí bod, ale u právních textů a technických manuálů se vyplatí menší jednotky s přesnou referencí na místo v dokumentu. U každého chunku si ulož metadata: název souboru, sekci, datum, verzi. Bez metadat později nezjistíš, odkud odpověď pochází, a nemůžeš filtrovat zastaralé verze.

Systém RAG (retrieval-augmented generation) stojí na jednoduché myšlence: místo aby model odpovídal jen z toho, co si pamatuje z tréninku, nejdřív vyhledáš relevantní pasáže ve vlastních datech a teprve ty mu předložíš jako kontext. Pokud to uděláš správně, odpovědi se opřou o skutečné dokumenty. Pokud ne, dostaneš sebevědomě znějící výmysly, které se tváří jako fakta z tvé firemní dokumentace.