Program konference Primetime for Big Data 2026

Před pár lety byl Data Mesh jedním z nejdiskutovanějších konceptů v oblasti dat. Dnes jeho místo zaujal boom generativní AI a AI agentů. Jenže mnoho organizací při jejich zavádění opakuje stejné chyby, které už jednou brzdily jejich datové transformace.

Co musí firma zvládnout, aby mohla AI skutečně škálovat? Proč nestačí nasadit LLM nebo interního chatbota? A jak souvisí kvalita dat, datové produkty, governance a odpovědnost domén s tím, zda budou AI agenti ve firmě skutečně fungovat?

Podíváme se na to, proč budoucnost enterprise AI možná nezačíná u modelů, ale u základů, na kterých je stavíme.

Jak dostat AI z nápadů a pilotů do skutečného fungování firmy? Ukážeme dvě strany stejného příběhu – pohled AI/Product na výběr use cases, portfolio, delivery, adopci a měření hodnoty a pohled Business Ownera na to, co nasazení AI skutečně znamená pro proces, lidi a každodenní provoz. Na konkrétních zkušenostech z NN ukážeme nejen to, co fungovalo, ale i kde jsme narazili a co bychom dnes udělali jinak.

Za poslední rok se AI v našich klientských firmách změnila z experimentu na běžný pracovní nástroj. Odpověď na otázku „proč mi včera klesla marže?“ už netrvá hodiny, ale minuty, a majitelé e-shopů si nad svými daty sami vibe-codují aplikace na řízení skladu či kampaní. Zároveň se ukázalo, kde se láme chleba: bez jednoho spolehlivého zdroje pravdy dává AI jen rychlejší špatné odpovědi a bez jasného cíle se zacyklí v detailech.

Na příkladech z retailu a e-commerce ukážu, co je dnes v datové analytice opravdu jinak, proč se těžiště práce přesouvá od reportů ke kvalitě dat a byznysovému kontextu, jak se analýza mění přímo v akci (feedy, ceny, objednávky) a které use casy se ukazují jako ty nejsilnejší. Řekneme si také, co i po této změně zůstává největší výzvou na cestě k tomu, aby byla firma skutečně data-driven.

Zkušení technologové jsou na trhu stále vzácnější a ocenění CNC komponentu na základě jejich úsudku trvá dlouho a liší se člověk od člověka.

V MECASYS jsme se rozhodli toto know-how zachytit v datovém modelu – od čištění výrobních záznamů shromažďovaných po mnoho let přes výběr proměnných a volbu modelu (kde nakonec nerozhodovala přesnost v procentech, ale odchylka v minutách) až po nejtěžší část: získání důvěry inženýrů, kteří měli projekt zpočátku odmítnout.

V přednášce ukážu celý proces i to, jak dnes aplikace pomáhá třem technologům s různou úrovní zkušeností oceňovat výrobu téměř shodně – během několika sekund namísto hodin.

Za každým autem se skrývá mnohem větší komplexita, než se na první pohled zdá. Miliony možných kombinací výbavy, motorizací a konfigurací, měnící se zákaznické preference i tlak na efektivitu výroby. Skladové vozy v tom všem hrají důležitou roli. Pomáhají automobilkám udržovat stabilní výrobu a zároveň pružně reagovat na aktuální poptávku.
Jak ale z milionů možností vybrat právě ten vůz, který nejlépe odpovídá potřebám konkrétního zákazníka?
Na příkladu vývoje doporučovacího systému (recommendation enginu) pro jednu z nejvýznamnějších světových automobilek ukážeme, jak propojit a vyhodnotit obrovské množství dat. Od výrobních kapacit a logistiky přes zákaznické preference, kupní sílu a demografické trendy až po cenovou politiku, lokalitu a konkurenční nabídku. A především, jak tuto datovou komplexitu proměnit v konkrétní a relevantní doporučení skladového vozu 

Co dokážou kvantové počítače s daty už dnes a kde naopak jejich možnosti stále končí? Ukážeme vám srozumitelně základní principy kvantového počítání, jeho současné možnosti i limity a především to, co může znamenat pro práci s daty a machine learning.

Na dvou konkrétních příkladech kvantového strojového učení se podíváme na predikci časových řad v energetice a detekci podvodného jednání. Uvidíte tak, kde už dnes může mít quantum computing praktické využití a kde si na jeho skutečný přínos budeme muset ještě počkat. Kvantovou fyziku si předem opakovat nemusíte.  Začneme od základů a rychle se dostaneme k tomu, co nás zajímá nejvíc: co může quantum computing přinést práci s daty.

Nedávný pokrok v AI umožňuje uzavřít celý výzkumný cyklus: hypotéza, experiment, analýza, další hypotéza. Akademické i průmyslové laboratoře tento přístup postupně zavádějí a výrazně tak zkracují dobu potřebnou k novým objevům. Nejprve se prosadil v matematice, informatice a dalších oborech, kde lze výsledky ověřovat výpočetně, stále více se ale uplatňuje také v biotechnologiích a chemii, kde je potřeba hypotézu otestovat ve fyzické laboratoři.

Na konkrétních příkladech fungujících systémů ukážu, jak tento přístup vypadá v praxi. Pak se ale dostaneme k obtížnější otázce: Co se stane s přípravou mladých vědců, když bude možné přeskočit samotnou cestu k objevu? Ceníme si této cesty, ale odměňujeme pouze výsledek. Pokud AI dokáže přinášet výsledky rychleji, než jsou lidé schopni sledovat proces uvažování, je ústřední role člověka ve vědě něčím, co dokážeme obhájit, nebo jen něčím, co si někteří z nás přejí zachovat?