Časté dotazy

Potřebujeme jasně definovaný use case s měřitelným business cílem, kontaktní osobu s rozhodovací pravomocí a přístup k relevantním datům nebo dokumentaci. Pro trénování modelů vyžadujeme reprezentativní dataset — můžeme pomoci s anotací a čištěním dat v rámci projektu. Technický kontakt na straně klienta (CTO, datový inženýr nebo produktový manažer) urychluje integraci. Nepožadujeme prioritu znalostí strojového učení u klienta — vysvětlíme architekturu a provozní postupy v handoveru.

Obojí. Sídlíme v Brně na Lidické 700/19 a vítáme osobní discovery workshopy, technická review a handover session v našem studiu nebo u klienta v ČR. Většinu projektů vedeme hybridně — týdenní videohovory, sdílené repo, CI/CD a experiment board jsou standard. Pro klienty ze střední Evropy organizujeme pravidelné on-site review dle potřeby. Vzdálená spolupráce neomezuje kvalitu dodávky; omezuje ji pouze pomalá zpětná vazba a nedostupnost dat.

Typický první nasazený neuronový produkt dodáváme do osmi týdnů od dokončení discovery fáze. Délka závisí na kvalitě dat, složitosti use case, počtu integračních bodů a rychlosti feedbacku na straně klienta. Generativní AI asistent s RAG obvykle 8–12 týdnů; custom model s research fází 16–24 týdnů; vision systém s edge deployment 10–14 týdnů. Přesný harmonogram stanovíme ve smlouvě po discovery — negarantujeme univerzální termín pro všechny projekty.

Ceny jsou individuální dle rozsahu projektu. Orientační rozsahy: discovery workshop 45 000 – 85 000 Kč; PoC neuronového produktu 120 000 – 280 000 Kč; produktový sprint (MVP) 350 000 – 950 000 Kč; integrace do firemních systémů 180 000 – 450 000 Kč; AI audit existujícího řešení 65 000 – 140 000 Kč; měsíční retainer 85 000 – 220 000 Kč. Programy na stránce Programy uvádějí detailnější rozsahy pro jednotlivé typy engagementu. Závazná nabídka vždy po discovery — uvedené částky jsou ilustrativní a nejsou smluvním závazkem.

Zpracování osobních údajů probíhá dle našich zásad ochrany údajů na /privacy.php. V projektech minimalizujeme PII v trénovacích datech, používáme anonymizaci a pseudonymizaci kde je to možné, a uzavíráme smluvní DPA s klientem. Data zpracováváme primárně v EU infrastruktuře. Při vývoji neuronových produktů může NeuralVertex působit jako zpracovatel klientských dat — role správce/zpracovatele je definována ve smlouvě. Kontakt pro GDPR dotazy: [email protected].

Neposkytujeme life coaching, wellness služby ani lifestyle poradenství — doména .life to neimplikuje. Neděláme čistě datovou analytiku, BI dashboardy ani statistické reporty bez produktového ML dodání. Neposkytujeme obecné AI strategie bez implementace, školení osobního rozvoje ani outsourcing běžného IT bez neuronové komponenty. Nepřebíráme odpovědnost za rozhodnutí učiněná výhradně na základě výstupů modelu bez lidského dohledu. Negarantujeme univerzální metriky přesnosti ani ROI mimo smluvní rámec.

Pracujeme s PyTorch, TensorFlow, Hugging Face Transformers, OpenCV, LangChain/LlamaIndex pro RAG pipeline, ONNX a TensorRT pro optimalizaci inference. Cloud: AWS, Azure, GCP; on-prem GPU a edge deployment pro vision. MLOps: MLflow, Weights & Biases, Kubernetes, Docker. Volba stacku závisí na latenci, soukromí dat, existující infrastruktuře klienta a požadavcích na škálování. Nepreferujeme technologii kvůli módě — vybíráme architekturu podle use case a eval metrik dohodnutých v discovery.

Datová analytika se zaměřuje na reporty, dashboardy a statistické přehledy historických dat. NeuralVertex dodává produkční neuronové systémy — trénované modely s inference API integrované do workflow klienta. Pokud potřebujete BI report bez ML produktu, nejsme ideální partner; pokud potřebujete klasifikátor, LLM asistenta, vision checkpoint nebo custom model s MLOps, ano. Naše deliverables zahrnují běžící endpoint, ne jen slidovou prezentaci.

Obojí podle požadavků klienta. Podporujeme AWS, Azure, GCP i on-prem GPU cluster. Data zůstávají v EU, pokud klient nepožaduje jinak. Edge deployment pro vision use cases s latencí pod 200 ms. Hybridní architektura — trénování v cloudu, inference on-prem — je běžná u regulovaných odvětví. Konkrétní topologii navrhneme v discovery fázi společně s bezpečnostním týmem klienta.

Metriky definujeme společně v discovery fázi na reprezentativní eval sadě. Pokud baseline nedosáhne cíle, iterujeme architekturu, data nebo upřesníme scope — transparentně reportujeme v týdenních review. Negarantujeme univerzální metriky mimo smluvní rámec. Pokud use case není technicky realizovatelný s dostupnými daty, informujeme klienta včas během PoC fáze, ne až na konci projektu.