Pavol Hejný

Ve druhé části 71. dílu jdeme s Marianem Kamenišťákem rovnou k praxi a reálným číslům. Jak proměnit noční AI validaci ve fungující byznys a proč to Marian netahá jako one-man show, ale rozdává operativním partnerům podíly na zisku? Marian otevírá svůj konkrétní stack (Notion, Attio, PostHog, Cloudflare, Composio) a popisuje reálné projekty, které vydělávají – od migrací z Wixu do Astra a AI SEO až po talentový program F1144. Dojde i na debatu o tom, proč je strach z „kradení nápadů velkými LLM modely“ lichý, jak se vyhýbat regulatorním pastem a proč vývojáři bez pochopení byznysové hodnoty brzy narazí na zeď. Zdroje: - podobné Jevovi, ale zaměřeno na extrakci obsahu ze stránek - Petrův experiment s Jevem pro rychlejší navigaci skrz web a rozhodování o dalších akcích - Odkaz na komunitu - ClawLabs: Building Open Source Together | DevDay 2026

V dnešním speciálním 70. dílu Aj ta Krajta se podíváme na to, jak AI mění hackathony a co může přinést do zdravotnictví. Naším hostem je PhDr. Ivan Duškov, MSc., ředitel VZP ČR. VZP je hlavním partnerem Rakathonu 2026, který propojuje medicínu, technologie a umělou inteligenci. Do akce přináší tři konkrétní výzvy českého zdravotnictví: mamografický screening, cestu onkologického pacienta systémem a kvalitu péče na konci životaRakathon proběhne od 16. do 18. října v Praze, Brně a Ostravě. Více o Rakathonu: Petr Glaser: Pavol Hejný:

Ve speciálním 60. díle (druhé části) pokračujeme s Romanem Baranovičem v diskuzi o významu AI v českém školství. Je umělá inteligence ve škole pomocník, tutor, nebo kognitivní protéza? Ve druhé části speciálního dílu Aj ta krajta se s Romanem bavíme o tom, jak AI mění základní a střední školy. Učitelé ji používají při přípravě hodin, studenti při domácích úkolech. Hranice mezi pomocí a nahrazením vlastního myšlení se ale rychle posouvá. V dílu řešíme:- proč učitelé používají LLM modely- co se stane, když AI vypracuje úkol místo studenta- rozdíl mezi výsledkem a procesem učení- kognitivní offloading, kalkulačku, Google i AI- jak by mohl vypadat AI tutor pro studenty- proč je důležitý pedagogický grounding- personalizované a gradované úlohy- budoucnost vibe codingu a výuky programováníJak má podle vás vypadat vzdělávání v době ChatGPT a dalších AI nástrojů? Napište nám do komentářů. : Jiří Jahn: Pavol Hejný: Roman Baranovič

Je Jev nový krok směrem k AGI, nebo jen velmi rychlý specializovaný klasifikátor? V tomto zkráceném díle (první části) AI ta Krajta rozebíráme, k čemu může být takový model skutečně užitečný. Může rozhodovat, který model použít, klasifikovat tickety, vybírat další akci v automatizaci nebo pomáhat s routingem AI agentů. Bavíme se také o práci s confidence score, strukturovaným JSON výstupem, limitech 32 000 tokenů, absenci reasoningu, kvalitě trénovacích dat a o tom, proč Jev nezvládne úkoly, pro které není určený. Nechybí ani experiment se šachem a otázka, zda by šlo podobný model využít jako klasický jazykový model. Kačka navíc přináší novinku o měření tempa vývoje AI u společnosti Anthropic. Pokračujeme ve druhé části videa. Od experimentu s Jevem a otázky, jestli lze klasifikační model přinutit fungovat jako jazykový model, se dostáváme k širšímu tématu: kde vznikne další velký posun v AI? V samotných modelech, nebo v harnessech, které je propojují s nástroji a pracovním prostředím? Bavíme se o coding harnessech, tool callingu, MCP, oddělení CLI a serveru, standardech typu RPC a ACP i o tom, jestli se z harnessu stane nová aplikační nebo operační vrstva pro AI. Je harness spíš aplikace, operační systém, nebo něco mezi tím? A kde podle vás vznikne další zásadní inovace? Zdroje: - tohle odstartovalo obří boom klasifikátorů a vlastně o tom je téměř celý díl - sdíleno v průběhu diskuze - benchmarky srovnávající různé modely podobné architektury - Šimonovo testování Jeva

V 67. díle AI ta Krajta řešíme, jak dnes stavět software s coding agenty a jak nastavit workflow tak, aby člověk nemusel každý krok babysitovat. Pavol sdílí zkušenosti s Astrou při přípravě remasteru staré hry a porovnává její přístup s Fablem. Probereme také tvrzení OpenAI o řešení matematického problému proudění tekutin pomocí tisíců agentů a nový DeepSeek Flash. Hlavním tématem jsou coding agents, harnessy, routing modelů a optimalizace lidského času. Dostaneme se k HumanLayeru, product a technical designu, hackathonovému efektu, Agent Browseru, rozdílu mezi MCP, CLI a API, tokenové efektivitě, traceům i orchestraci desítek až stovek agentů. Kdy se vyplatí rychlost a kdy je lepší poslat úkol do fronty? Proč může být CLI praktičtější než MCP? A proč není vždy rozumné optimalizovat tokeny na úkor vlastního času?