Realizace služeb

Jaká byla potřeba klienta – identifikace problému

• Ministerstvo financí (ČR) – auditní orgán – kontroluje dotace EU.
• 200 auditorů kontroluje, zda projekty dodržují pravidla.
• Pravidla se ukrývají v 40 000 stranách dokumentů.
• Vyhledávání je pomalé a neefektivní.

Návrh řešení  – Maestro

• Asistent s umělou inteligencí, který rychle najde správná pravidla.
• Dashboard: organizuje dokumenty na jednom místě.
• Vyhledávání: auditoři zadávají dotazy v běžném jazyce a AI zobrazí přesnou stránku s odpovědí.
• Pokud pravidlo není k dispozici → ADAM odpoví „Nevím“.

Přínosy pro klienta

• Auditorům ušetří mnoho hodin ručního vyhledávání.
• Rychlejší a spolehlivější kontroly dodržování předpisů.
• Lidé se mohou soustředit na rozhodování, nikoli na papírování.

The situation

• The Ministry of Finance (CZ) manages EU grants.
• 200 auditors check if projects follow the rules.
• The rules are hidden in 40,000 pages of documents.
• Searching is slow and inefficient.

The solution – Maestro

• An AI assistant that quickly finds the right rules.
• Dashboard: organizes documents in one place.
• Search: auditors ask in plain language, AI shows the exact page with the answer.
• If the rule is not there → ADAM says “I don’t know”.

Why it matters

• Saves auditors many hours of manual searching.
• Faster, more reliable compliance checks.
• Lets people focus on decisions, not paperwork.

Jaká byla potřeba klienta – identifikace problému

• Zlepšit kvalitu a přesnost výstupu polovodičového pixelového detektoru částic redukcí obrazových defektů senzoru.

• Využít strojové učení i v situaci s omezenou dostupností trénovacích dat.

Návrh řešení

• Analýza a příprava dat + výběr a testování modelu pro klasifikaci obrazu (deep learning, CNN, visual transformers).

• Trénink a validace modelů, identifikace důležitých rysů pro klasifikaci a návrh workflow/reportingu pro využití v praxi.

Přínosy pro klienta

• Čistší a použitelnější obrazová data ze senzoru → vyšší spolehlivost následné detekce/klasifikace částic.

• Praktický ML workflow vhodný i pro scénáře s malým množstvím trénovacích dat.

The need / The situation

• Improve the accuracy and output quality of a semiconductor pixel particle detector by reducing sensor image defects.

• Apply machine learning effectively even with limited training data availability.

The solution

• Data analysis and preparation, followed by model selection and testing for high-accuracy image classification (deep learning, CNNs, visual transformers).

• Model training and validation, feature importance exploration, and delivery of a practical workflow/reporting approach.

Why it matters

• Cleaner, more usable sensor data leading to more reliable particle detection and classification downstream. • An ML workflow that remains effective even with small datasets.

Jaká byla potřeba klienta – identifikace problému

• Robotické buňky s automatickým plánováním trajektorie svařování na trhu dosud neexistovaly nebo byly schopny svařovat jen ručně předdefinované svary/nádrže jednoduchých tvarů.
• Potřeba implementace plánovacího algoritmu pro pohyb robotu na reálný robot.
• Robot měl sloužit pro svařování plastových nádrží a měl mít 9 stupňů volnosti.
• Realizace plánovacího algoritmu vyžadovala další vytvoření dalších pomocných nástrojů, úpravu a rozvoj existujícího algoritmu a rozsáhlé testování.

Návrh řešení

• Pomocí aplikaci nástrojů AI dojde k lepšímu plánování pohybu (trajektorie) robotů s více stupni volnosti v komplikovaných, měnících se kolizních modelech výrobků.
• Použití metody umělé inteligence pro plánování, řešení optimalizačních úloh, prohledávání stavového prostoru a podobně.
• Funkční otestovaný řetězec zpracování dat od výkresů pro nádrž.

Přínosy pro klienta

• Praktická implementace tohoto nástroje se stala základem pro nasazování svařovací buňky nejen u dalších zákazníků, ale i v dalších oborech, například pro svařování elektrickým obloukem, řezáním laserem či ultrazvukem.

The need

• Robotic cells with automatic welding trajectory planning did not yet exist on the market, or were only capable of welding manually predefined welds/tanks of simple shapes.
• The need to implement a planning algorithm for robot movement on a real robot.
• The robot was to be used for welding plastic tanks and was to have 9 degrees of freedom.
• The implementation of the planning algorithm required the creation of additional auxiliary tools, modification and development of the existing algorithm, and extensive testing.

The solution

• The application of AI tools will improve the planning of the movement (trajectory) of robots with multiple degrees of freedom in complex, changing collision models of products.
• Use of artificial intelligence methods for planning, solving optimisation tasks, searching state space, and the like.
• Functionally tested data processing chain from drawings for the tank.

Why it matters

• The practical implementation of this tool has become the basis for the deployment of welding cells not only for other customers but also in other fields, such as electric arc welding, laser cutting, and ultrasonic cutting.

Jaká byla potřeba klienta – identifikace problému

• Potřeba vylepšit psychologický test EFEKT a analyzovat data z minulých testů metodami strojového učení.
• Rozšíření testu má zahrnout rozdělení otázek v testu na dvě sady (znalostní a kognitivní otázky)
• Rozšíření sběru dat, včetně zaznamenávání pohybů myši a sběru pohybů očí.

Návrh řešení

• Vylepšená aplikace pro vykonání testu EFEKT.
• Sada aplikačních nástrojů pro analýzu dat sesbíraných v rámci testu. K analytickým nástrojům bude dodána také uživatelská příručka a softwarová dokumentace, umožňující jejich snadné použití, případně rozšíření.
• Pro samotnou analýzu se využijí metody strojového učení.

Přínosy pro klienta

• Lepší efektivita testování.
• Zrychlení fáze analýzy výsledků testování.

The need

• The need to improve the EFEKT psychological test and analyse data from past tests using machine learning methods.
• The expansion of the test should include dividing the questions in the test into two sets (knowledge and cognitive questions)
• Expansion of data collection, including recording mouse movements and collecting eye movements.

The solution

• Improved application for performing the EFEKT test.
• A set of application tools for analysing data collected during the test. The analytical tools will also come with a user manual and software documentation to make them easy to use and expand.
• Machine learning methods will be used for the analysis itself.

Why it matters

• More effective testing.
• Faster analysis of test results.

Jaká byla potřeba klienta – identifikace problému

• Mechanická ventilace je klíčovou orgánovou podporou poskytovanou na jednotkách intenzivní péče.
• Jakékoli suboptimální nastavení mechanického ventilátoru může způsobit poškození plic.
• V důsledku změny fyziologických parametrů pacienta během léčby se často mění i optimální nastavení ventilátoru a je nutný zásah lékaře.
• Ve skutečnosti tomu tak často není a značná část kriticky nemocných pacientů je ventilována mimo bezpečnostní limity.

Návrh řešení

• Vylepšené a rozšířené verze řešení pro sběr dat z lékařských přístrojů pomocí přenosu a analýzy videosignálu.
• Umožnuje získávání dat z obrazovek plicních ventilátorů a monitorů životních funkcí pomocí zpětné digitalizace s využitím metod počítačového vidění.
• Vylepšená verze systému rozšířena o rozhraní pro výměnu informací s klinickým informačním systémem.

Přínosy pro klienta

• Zrychlení reakce lékaře.
• Úspora času lékaře a zdravotního personálu.
• Lepší data pro rozhodování lékaře.
• Snížení rizika pro pacienta.

The need

• Mechanical ventilation is a key organ support provided in intensive care units (ICU).
• Any suboptimal mechanical ventilator settings can cause lung damage.
• Due to changes in the patient’s physiological parameters during treatment, the optimal ventilator settings often change, and medical intervention is required.
• This is often not the case, and a significant proportion of critically ill patients are ventilated outside safety limits.

The solution

• Improved and expanded versions of solutions for collecting data from medical devices using video signal transmission and analysis.
• This solution enables data acquisition from lung ventilator screens and vital signs monitors using reverse digitisation with computer vision methods.  
• The improved version of the system has been expanded to include an interface for exchanging information with the clinical information system.

Why it matters

• Faster response from the doctor.
• Time savings for doctors and medical staff.
• Better data for doctor decision-making.
• Reduced risk for the patient.

Jaká byla potřeba klienta – identifikace problému

• Prakticky otestovat pokročilý 3D tisk (aditivní výrobu) pro rychlý vývoj prototypů a výrobu funkčních dílů pro automotive.

• Ověřit přínos AI/algoritmů pro optimalizaci konstrukčních a výrobních postupů (např. mřížkové struktury, materiály, predikce chování dílů).

Návrh řešení

• Pronájem zařízení a infrastruktury pro 3D tisk a praktické testování složitých geometrií a pokročilých materiálů.

• Vyhodnocení kvality (přesnost, povrch, mechanická odolnost), rychlosti výroby a nákladové efektivity; zhodnocení implementace do praxe.

• Testování proběhlo na špičkových technologiích pro aditivní výrobu (např. Fortus 450mc, PolyJet J750, HP MJF 4200 aj.). 

Přínosy pro klienta

• Data pro rozhodnutí, zda a jak zavést 3D tisk do prototypování i (vybraných) výrobních use-casů, včetně dopadu na čas iterací a náklady.

• Podklad pro konstrukční optimalizaci a posun k lehčím/odolnějším dílům při zachování průmyslových standardů.

The need / The situation

• Validate advanced additive manufacturing (3D printing) for faster prototyping and production-grade automotive parts.

• Test AI-enabled optimisation approaches for design and manufacturing (e.g., lattice structures, materials, performance prediction).

The solution

• Test-before-invest access to 3D-printing equipment and infrastructure to prototype complex geometries and advanced materials.

• Evaluate quality, speed, and cost-effectiveness, and assess the feasibility of real-world adoption.

• Testing leveraged industrial additive technologies (e.g., Fortus 450mc, PolyJet J750, HP MJF 4200, etc.). 

Why it matters

• Evidence-based decision on where 3D printing pays off (iteration speed and cost impact). • Inputs for design optimisation toward lighter, robust parts while meeting strict industry standards.

Jaká byla potřeba klienta – identifikace problému

• Zlepšit predikci chování a poptávky po nabíjení v neveřejných (privátních) nabíjecích stanicích. 

• Přiblížit model realitě lokální energetické sítě a opřít ho o ověřené postupy z výzkumu veřejných nabíjecích stanic. 

Návrh řešení

• Adaptace a optimalizace generativního modelu umělé inteligence pro predikci poptávky po nabíjení na privátních stanicích. 

• Testování/validace a demonstrační ověření výsledků (v rámci služby Test before Invest).

Přínosy pro klienta

• Přesnější predikce zatížení a poptávky → lepší plánování provozu a kapacit nabíjecí infrastruktury. 

• Přenositelný základ pro další rozvoj predikčních modelů v kontextu lokální energetiky a reálných provozních dat. 

The need / The situation

• Improve prediction of charging behaviour and demand for non-public (private) charging stations. 

• Make the model more realistic for local grid conditions, building on validated approaches from public charging-station research. 

The solution

• Adapt and optimise a generative AI model to forecast charging demand for private charging stations. 

• Validate and demonstrate the approach within the Test-before-Invest service scope.

Why it matters

• More accurate demand/load forecasts → better operational and capacity planning for charging infrastructure. 

• A reusable foundation for further development of predictive models using real operational data and local energy constraints. 

Jaká byla potřeba klienta – identifikace problému

• Vytvořit přesnější a objektivnější diagnostiku ADHD u dospělých, nad rámec subjektivních hodnocení pomocí AI.

• Přenést existující diagnostické testy do digitální podoby (VR + web) a zavést průběžné vyhodnocování dat pomocí strojového učení.

Návrh řešení

• Transfer testu do virtuální reality s integrovaným eyetrackingem a úprava online verze testu ve webovém prohlížeči.

• Webová aplikace pro vyhodnocení testu, správu měření a management diagnostických dat.

• Modul strojového učení pro nastavování/aktualizaci norem na základě průběžného sběru dat z psychologických vyšetření.

• Integrace API mezi webovou částí a VR aplikací, pilotní testování, analýza naměřených dat a dokumentace/návod pro použití.

Přínosy pro klienta

• Objektivnější a automatizovanější hodnocení, včetně srovnatelných reportů pro psychology.

• Průběžné zlepšování diagnostického systému díky učení z reálných dat.

The need / The situation

• Develop a more objective, data-driven ADHD assessment of adults beyond purely subjective evaluation using AI.

• Digitise existing tests (VR + web) and enable continuous ML-based evaluation and updates.

The solution

• Port the assessment to VR with integrated eye-tracking and create a browser-based online version.

• Build a web app for test execution, measurement management, and diagnostic data handling.

• Implement an ML module to set and continuously update diagnostic norms from real-world clinical data.

• API integration between web and VR, pilot testing, measured-data analysis, and user documentation.

Why it matters

• More consistent, automated reporting for psychologists and more objective assessment outcomes.

• Continuous improvement of the diagnostic system through learning from real-world data.

Jaká byla potřeba klienta – identifikace problému

• Zautomatizovat některé časté a pracné periodické činnosti, které vyžadují výše relevantní zákony a nařízení.
• Racionalizovat a do značné míry automatizovat postup při zpracování protokolů o bezpečnostně technických kontrolách (BTK protokoly).

Návrh řešení

• Program nasazený v pilotním režimu, který zautomatizuje vkládání dat z elektronických a papírových dokumentů do počítače. 
• Pilotní režim bude minimálně zvládne dokumenty dokládajících provedení BTK (bezpečnostní technická kontrola) přístroje. 
• Fakultativně bude program tato data nabízet k ověření lidskou obsluhou a následně vkládat do příslušného systému, provozovaný nemocnicí. 
• Fakultativně budou zpracovány i další typy dokumentů, např. objednávky, dodací listy, faktury atd.

Přínosy pro klienta

• Omezení rutinní práce.
• Snížení administrativní zátěže vysoce kvalifikovaných pracovníků provozně-technického úseku nemocnice.

The need

• Automate some frequent and laborious periodic activities required by the relevant laws and regulations.
• Streamline and largely automate the process of processing safety inspection reports (BTK reports).

The solution

• A program deployed in pilot mode that automates the entry of data from electronic and paper documents into a computer.
• The pilot mode will at least handle documents proving the performance of BTK (safety technical inspection) of the device. 
• Optionally, the program will offer this data for verification by human operators and then enter it into the relevant system operated by the hospital. 
• Optionally, other types of documents will also be processed, such as orders, delivery notes, invoices, etc.

Why it matters

• Reduction of routine work.
• Reduction of the administrative burden on highly qualified employees in the hospital’s operational and technical departments.

Jaká byla potřeba klienta – identifikace problému

• Objektivizovat vyhodnocení kalibrace rentgenových přístrojů a poskytnout více číselných parametrů charakterizujících danou zkoušku provozní stálosti.

Návrh řešení

• Implementovaný program nasazený v pilotním režimu, který zautomatizuje zpracování výsledků zkoušek provozní stálosti rentgenových přístrojů. 
• Výsledná data se zapíší do souborů velmi podobných tabulkám tabulového kalkulátoru Excel používaným dosud.
• Výstupy budou dále zprávy, které popíší popisující, implementaci a zdokumentují experimenty.

Přínosy pro klienta

• Omezení rutinní práce.
• Snížení administrativní zátěže vysoce kvalifikovaných pracovníků provozně-technického úseku nemocnice.

The need

• Objectify the evaluation of X-ray equipment calibration and provide more numerical parameters characterising the given operational stability test.

The solution

• An implemented program deployed in pilot mode that automates the processing of operational stability test results for X-ray devices. 
• The resulting data will be recorded in files very similar to the Excel spreadsheets used to date.
• The outputs will also include reports describing and documenting the implementation and experiments.

Why it matters

• Reduction of routine work.
• Reduction of the administrative burden on highly qualified employees in the hospital’s operational and technical department.

Jaká byla potřeba klienta – identifikace problému

• Vyvinout pro platformu mypaperwork.ai personalizovaného chatbota, který zjednoduší proces žádostí o víza. 

• Dodat plně integrovatelný backendový modul pro podporu onboardingu zahraničních pracovníků do pracovních agentur v různých zemích. 

Návrh řešení

• Vývoj a dodání backendového modulu připraveného k použití v řešení klienta (integrace do stávající platformy). 

• Návrh/realizace komponent pro personalizované konverzační scénáře (chatbot) dle zadání projektu.

Přínosy pro klienta

• Rychlejší a méně chybový onboarding a komunikace v procesu víz/relokace díky personalizovanému AI průvodci.

• Modulární výstup připravený pro škálování napříč zeměmi a různými agenturami (snadná integrace). 

The need / The situation

• Build a personalised chatbot for the mypaperwork.ai platform to simplify visa application workflows. 

• Deliver a fully integrable backend module to support the onboarding of foreign workers for staffing agencies across multiple countries. 

The solution

• Develop and deliver an integration-ready backend module for the client’s existing platform. 

• Implement components enabling personalised conversational flows (chatbot) based on the project requirements.

Why it matters

• Faster, less error-prone onboarding and communication in visa/relocation processes via an AI-guided, personalised assistant.

• Modular output designed for scaling across countries and multiple agency setups (easy integration). 

Jaká byla potřeba klienta – identifikace problému

• Ověřit funkčnost semi-autonomního systému pro 3D skenování v reálných podzemních podmínkách (kde bývá horší konektivita a náročnější prostředí).

• Vyladit/kalibrovat pokročilé algoritmy pro zpracování a vyhodnocování dat ze skenování pro podzemní scénáře.

Návrh řešení

• Pronájem infrastruktury Podzemní laboratoře Josef (testovací polygon + senzorika/monitoring) pro testování a validaci skenovacího systému.

• Zpracování a vyhodnocení dat + verifikace pomocí digitálního dvojčete podzemní laboratoře; iterativní adaptace/ověření algoritmů.

• Postup v etapách: příprava polygonu → testování/validace → vyhodnocení a prezentace výsledků. 

Přínosy pro klienta

• Kvantifikované ověření funkčnosti řešení pro podzemní použití a jasné limity/parametry pro nasazení v praxi.

• Vyladěné algoritmy pro zpracování dat ve specifickém prostředí podzemí, použitelné pro další komerční/projektové nasazení.

Foto: Podzemní laboratoř Josef

The need / The situation

• Validate a semi-autonomous 3D scanning system in real underground conditions (connectivity and environment constraints).

• Calibrate advanced data-processing and evaluation algorithms for underground scenarios.

The solution

• Testbed access to the Josef Underground Lab infrastructure (testing polygon + sensing/monitoring) to run validation trials.

• Data processing and evaluation with verification via the lab’s digital twin; iterative algorithm adaptation/verification.

• Phased delivery: setup → testing/validation → results evaluation and presentation. 

Why it matters

• Quantified proof of functionality for underground deployment and clear operating limits/parameters.

• Tuned algorithms for underground data processing, reusable for future deployments.

Jaká byla potřeba klienta – identifikace problému

• Rozšířit sadu úloh/hraček pro trénink motoriky a kognitivních funkcí tak, aby šly personalizovat podle schopností uživatele.

• Využít pokročilé algoritmy strojového učení pro analýzu pohybu a průběžné přizpůsobování.

Návrh řešení

• Vytvoření/úprava souboru úloh a her běžících na dostupných zařízeních (telefon/tablet/PC) + doplnění o ovládací prvky (např. tlačítka/kostky). 

• Nástroje pro tvorbu vlastního obsahu (editor zadání/náplní) a provozní materiály (manuály, instruktážní videa/stránky). 

• Implementace ML metod: adaptace obtížnosti (např. posilované učení) a detekce anomálních stavů v průběhu plnění úloh. 

Přínosy pro klienta

• Personalizovanější trénink a vyšší použitelnost úloh pro různé skupiny uživatelů (senioři i rehabilitace). 

• Potenciál sběru dat o výkonu/pohybu pro další rozvoj intervence a vyhodnocení změn v čase. 

The need / The situation

• Expand a set of cognitive + motor training tasks/toys with personalisation to a user’s ability level.

• Use advanced ML for movement analysis and ongoing adaptation.

The solution

• Build/extend a set of tasks and games running on common devices (phone/tablet/PC) complemented by physical controllers (e.g., buttons/cubes). 

• Provide tools for creating custom content (task editor) and operational materials (manuals/instructional pages/videos). 

• Implement ML methods: difficulty adaptation (e.g., reinforcement learning) and anomaly detection during task execution. 

Why it matters

• More personalised training and broader usability across seniors and rehabilitation scenarios. 

• Data-driven foundation for future evaluation and improvement over time.