Jiří Fabián | Hype vs. realita aneb zpráva o stavu praktického užití AI v listopadu 2026
Co umělá inteligence skutečně umí a co jsou jen marketingové sliby? Přinášíme pohled z vývoje softwaru na to, které AI nástroje v ostrém provozu doopravdy fungují, kde generativní modely narážejí na limity a co zůstává i na konci roku 2026 spíše drahou sci-fi. Chybět nebude ani predikce toho, kam se AI ve vývoji posune dál a co nás čeká v příštích letech.

Peter Brťka | Data, která neopustí datacentrum: architektura on-premise AI asistenta v praxi
Velké jazykové modely přinášejí firmám největší hodnotu tehdy, když dokážou pracovat s interními daty. Zároveň to však klade vysoké nároky na bezpečnost, ochranu citlivých informací a řízení přístupových práv. V přednášce představíme platformu Lambo, on-premise AI řešení vyvinuté v Asseco CE Cloud, ve kterém data i modely zůstávají v rámci vlastní infrastruktury organizace. Přiblížíme architekturu řešení včetně integrace interních systémů, kontextové vrstvy postavené na open-source PipesHub, práce se znalostním grafem a lokálně provozovaných jazykových modelů. Samostatnou část věnujeme také bezpečnosti, řízení uživatelských oprávnění, ochraně před prompt injection a auditovatelnosti celého řešení. Součástí přednášky budou i praktické zkušenosti z nasazení, včetně požadavků na GPU infrastrukturu, latence, provozních nákladů a výzev, které jsme během implementace řešili.

Ladislav Šolc | AI ve vývoji: kolik stojí a kdy se vyplatí lokální model
Víte, kolik vás stojí vývojář, který pracuje s AI? A kolik agent, který pracuje sám, paralelně a klidně i v noci? Obojí se obvykle dozvíte až z faktury. Přitom většina práce nejsilnější modely nepotřebuje a zdrojový kód je to nejcitlivější, co firma má. Ukážeme, jak rozdělit provoz mezi vlastní infrastrukturu a externí modely podle typu úlohy, co lokální model zvládne a kde selže, a jak náklady, bezpečnost i firemní standardy řídit centrálně přes bránu. Brána pravidla vynutí, nevymyslí je. To je úloha kompetenčního centra, které o modelech, rozpočtech a standardech rozhoduje. A nejenom o nich.

Jan Petrák | Jak si pořídit server pro AI a nepřijít na mizinu
Aneb od jednoho GPUčka po Helios rack aneb jaký hardware vaše AI skutečně potřebuje

Lukáš Smiga | Životní cyklus AI modelu na OpenShift AI: od požadavků regulované organizace k platformě
Banka, pojišťovna či úřad nechtějí od AI jen přesný model. Chtějí vědět, z jakých dat vznikl, kdo ho schválil, jak ho zopakovat a kde běží. Na zadání z reálného projektu klasifikace textu projdeme celý životní cyklus modelu a u každého kroku ukážeme, čím ho pokrývá Red Hat OpenShift AI: moderní pracovní prostředí pro datové vědce, sledování experimentů a registr modelů, feature store, ML pipelines, Model Serving a řízené nasazení výstupních artefaktů mezi prostředími. A také co platforma nedá sama a musíte si to dostavět.

Celý program