Najčastejšia chyba pri výbere AI modelu: začať technológiou. „Chceme doladiť vlastný model" je technické riešenie hľadajúce problém. Správny prístup: začať obchodnou otázkou — akú hodnotu má AI priniesť, a aké dáta k tomu potrebujeme?
Tri cesty nasadenia AI
Tri základné prístupy, od najjednoduchšieho po najzložitejší:
| Prístup | Čo potrebuje | Čas nasadenia | Náklady | Presnosť |
|---|---|---|---|---|
| Hotový model (návrh požiadaviek) | Žiadne trénovacie dáta | Dni | Nízke | Bežná |
| RAG (retrieval-augmented generation) | Znalostná báza, vektorová databáza | Týždne | Stredné | Vysoká na Vaše dáta |
| Doladenie / vlastný model | Trénovacie dáta (stovky až tisíce príkladov) | Mesiace | Vysoké | Najvyššia na špecifickú úlohu |
Rozhodovací rámec
Pred výberom zodpovedzte štyri otázky:
- Aká je Vaša konkurenčná výhoda v dátach? — ak sa Vaše dáta líšia od toho, čo model už vie (firemné postupy, špecifická terminológia, interné produkty), potrebujete RAG alebo doladenie modelu. Ak nie, hotový model stačí.
- Ako často sa dáta menia? — časté zmeny = RAG (znalostnú bázu aktualizujete bez pretrénovania). Stabilné dáta = doladenie modelu.
- Aká presnosť je potrebná? — bežná konverzácia = hotový model. Presné odpovede z Vašej dokumentácie = RAG. Špecializovaná klasifikácia s vysokou presnosťou = doladenie modelu.
- Aké sú náklady na chybu? — nízke (odporúčanie produktov) = hotový model. Stredné (zákaznícka podpora) = RAG. Vysoké (medicínske, právne) = doladenie modelu + ľudská kontrola.
Kedy stačí hotový model
Hotový model (GPT, Claude, Gemini, Llama) s dobrým promptom je prekvapivo často postačujúci. Vhodné pre:
- Generovanie obsahu — produktové popisy, e-maily, články, sociálne príspevky
- Zhŕňanie — zhrnutie dlhých dokumentov, extrakcia kľúčových bodov
- Preklad a lokalizácia — štandardné jazyky, bežné texty
- Kódovanie — generovanie, vysvetlenie, refaktoring kódu
- Klasifikácia — triedenie do vopred definovaných kategórií, ak nie sú príliš špecifické
Pravidlo: ak sa úloha opiera o všeobecné vedomosti a nepotrebuje Vaše firemné dáta, hotový model je rýchlejší, lacnejší a často lepší než doladenie modelu.
Kedy použiť RAG
RAG (Retrieval-Augmented Generation) je zlatá stredná cesta. Model generuje odpoveď na základe dokumentov, ktoré mu dodáte v reálnom čase — bez trénovania. Vhodné pre:
- Zákaznícka podpora — odpovede z Vašej dokumentácie, návodov, FAQ
- Interný vyhľadávací asistent — „nájdi mi postup pre X" nad firemnými dokumentmi
- Produktové odporúčania — na základe katalógu, špecifikácií, skladových stavov
- Právne a compliance dotazy — odpovede z interných politík a predpisov
Výhody RAG:
- Aktualizácia bez pretrénovania — pridáte dokument do vektorovej databázy a je okamžite dostupný
- Zdroje odpovedí — model môže uviesť, z ktorého dokumentu odpoveď pochádza
- Nižšie náklady než doladenie modelu — žiadne trénovanie, len infraštruktúra pre vektorovú databázu
Varovanie: RAG nie je „nahodiť dokumenty do databázy a hotovo". Kvalita závisí od stratégie delenia dokumentov, vektorového reprezentovania textu a preusporiadania výsledkov. Zlý RAG je horší než žiadny — model odpovie z nesprávneho dokumentu a znie presvedčivo.
Kedy trénovať vlastný model
Doladenie modelu alebo trénovanie vlastného modelu je najnákladnejšia cesta, ale pre špecifické úlohy nezastupiteľná. Vhodné pre:
- Špecializovaná klasifikácia — kategórizácia produktov do tisícok vlastných kategórií, detekcia anomálií v logoch
- Konzistentný štýl a tón — model, ktorý píše presne v tóne Vašej značky, bez dlhého promptu
- Nízká latencia, vysoký objem — vlastný model môžete optimalizovať pre rýchlosť a nasadiť na vlastnom hardwari
- Dáta, ktoré nesmú opustiť firmu — ak sú trénovacie dáta príliš citlivé na cloud API
Nevýhody:
- Potreba veľkého množstva dát — doladenie modelu potrebuje stovky až tisíce kvalitných príkladov
- Údržba — model sa musí pretrénovávať pri zmene domény
- Riziko preučenia — model sa môže naučiť vzory, ktoré sa neprenesú do produkcie
- Odbornosť — vyžaduje tím s ML skúsenosťami
1. Potrebuje AI Vaše firemné dáta? → Ak nie, hotový model.
2. Menia sa dáta často? → Ak áno, RAG.
3. Potrebujete konzistentný štýl alebo špecializovanú klasifikáciu? → Ak áno, doladenie modelu.
4. Začnite s najjednoduchším prístupom, ktorý spĺňa požiadavky. Môžete vždy eskalovať — z hotového modelu na RAG, z RAG na doladenie modelu. Opak je oveľa drahší.
