Jak jsme postavili MAistr: AI asistenta, který uchovává znalosti zaměstnanců

V rodinné firmě, ze které vzešel nápad na MAistr, i v řadě dalších firem se opakuje stejný problém. Klíčové znalosti mají v hlavě zkušení zaměstnanci a mistři, a když zrovna nejsou po ruce nebo firmu opustí, jejich know-how odchází s nimi. Mladší zaměstnanci se pak musí ptát kolegů, čekat, až budou mít čas, nebo si postup domýšlet sami. MAistr vznikl přesně z této zkušenosti.

Co MAistr dělá

MAistr je aplikace, která ukládá znalosti zaměstnanců ve formě videa, zvuku a textu a mění je v asistenta, na kterého se dá kdykoliv zeptat. Místo aby se zaměstnanec ptal zkušenějšího kolegy, zeptá se MAistr, který zná odpovědi na základě toho, co do něj firma nahrála. Cílem je, aby know-how mistra bylo dostupné i ve chvíli, kdy mistr zrovna není na place, na dovolené, nebo už ve firmě nepracuje.

Jak to funguje pod kapotou

Nahraný obsah, ať už je to video z výroby, hlasová poznámka nebo psaný postup, se zpracuje a uloží do vektorové databáze Qdrant. Na zpracování zvuku a videa se využívá komerční API od Googlu, konkrétně model Gemini, který dokáže analyzovat obsah audiovizuálních záznamů. Na generování srozumitelných textových odpovědí pak slouží komerční API od Anthropicu, konkrétně model Claude. Celý systém je postavený na principu RAG, tedy stejném přístupu, který popisujeme v samostatném článku o vyhledávání nad firemními daty: relevantní části uložených znalostí se nejprve najdou ve vektorové databázi a teprve potom se pošlou modelu, který z nich sestaví odpověď.

Backend běží na Pythonu ve frameworku FastAPI, který je pro práci s AI modely a asynchronním zpracováním dobře uzpůsobený. Hostování backendu zajišťuje Railway, frontend aplikace běží na Vercelu, a celý vývoj je propojený přes CI/CD pipeline z GitHubu, takže nová verze aplikace se po schválení dostane do provozu automaticky.

Proč je taková architektura připravená na růst

Kombinace komerčních API pro jednotlivé úlohy, oddělení frontendu a backendu a automatizovaného nasazení znamená, že aplikace může růst s tím, jak přibývá firem a uživatelů, aniž by bylo nutné měnit základní architekturu. Gemini a Claude se starají o svou konkrétní specializaci, Qdrant drží znalosti ve formě, ve které se dají rychle a přesně vyhledávat, a FastAPI backend celý tok dat mezi nimi řídí.

Kde v tom pomáhá Eniware

MAistr je ukázkou toho, jak Eniware staví vlastní AI produkty od nuly, od návrhu architektury přes výběr modelů až po nasazení a škálování. Stejný přístup, tedy kombinace RAG, vektorové databáze a moderních API, se dá použít i pro znalostní bázi jiné firmy, ne jen pro tu, ve které MAistr vznikl.