Na této stránce Vám postupně představíme konkrétní příklady technologického transferu z pilíře Test before Invest (TbI) – tedy situace, kdy jsme společně s našimi experty ověřili novou technologii přímo pro potřeby firmy, bez nutnosti okamžité investice. Cílem je snížit riziko, ukázat reálné přínosy a pomoci firmám rozhodnout se, zda a jak technologii nasadit.
Co v jednotlivých případech najdete:
- Výchozí potřebu firmy a problém, který bylo třeba vyřešit.
- Stručný popis technologie.
- Postup ověření (TBI experiment) – kde a jak jsme testovali, jaké nástroje a infrastrukturu jsme využili.
- Konkrétní výsledky pro firmu – časové či nákladové úspory, zvýšení kvality/produkce, bezpečnosti nebo dopad na udržitelnost.
Chcete si podobným způsobem otestovat technologii před investicí? Napište nám krátce svůj záměr a navrhneme vhodné TbI řešení. Kontakty naleznete v sekci O nás.
RAG „ADAM“
Adaptace detekce obrazu pro částicový detektor (ML / CV)
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.
Detekce obrazu
Automatizované programování 9osého robota
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.
9osý robot
Vylepšení psychologického testu EFEKT
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 byly dodány také uživatelská příručka a softwarová dokumentace, umožňující jejich snadné použití, případně rozšíření.
- Pro samotnou analýzu byly využity 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 included 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 also came with a user manual and software documentation to make them easy to use and expand.
- Machine learning methods were used for the analysis itself.
Why it matters
- More effective testing.
- Faster analysis of test results.
Test „Efekt“
Monitoring pacientů na JIP
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.
Monitoring JIP
3D tisk pro průmysl (AI optimalizace)
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.
3D tisk
Generativní AI model pro predikci poptávky po nabíjení (neveřejné stanice)
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.
Nabíjení elektrostanic
AI diagnostika ADHD (VR + eyetracking)
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.
ADHD diagnostika
Automatizace administrativních procesů
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.
DigiDoc
Vyhodnocení kalibrace rengenových přístrojů
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.
NuklKalibr
Backendový modul pro personalizovaného chatbota (onboarding zahraničních pracovníků)
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).
Chatbot pro HR
Validace semi-autonomního 3D skenování v podzemí (podzemní laboratoř Josef + digitální dvojče)
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.
Digitální dvojče
Hapticko-kognitivní hry pro seniory (ML adaptace obtížnosti + detekce anomálií)
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.
(C): Ing. Petr Novák, PhD., všechny materiály a videa jsou dostupné zde.
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.
hapti/kogni AI úkoly
Automatizace zpracování veřejných podání (NLP klasifikace + návrhy odpovědí)
Jaká byla potřeba klienta – identifikace problému
• Zrychlit a zpřesnit zpracování velkého množství veřejných podání a připomínek rozdělením podle reálného obsahu (tematické bloky).
• Zkrátit čas tvorby odpovědí a současně získat přehled o opakujících se tématech/problémových místech a vývoji názorů v čase.
Návrh řešení
• Automatizace klasifikace podání pomocí NLP a metod strojového učení / AI.
• Automatizace návrhu vyhodnocení/odpovědí k připomínkám u vybraných témat (generování předvyplněných odpovědí na základě vzorů/šablon/pravidel).
• Analytické výstupy: identifikace opakujících se problémových míst, kvantifikace nejdiskutovanějších témat, sledování vývoje názorů veřejnosti.
Přínosy pro klienta
• Výrazné zrychlení prvotního třídění podání a přípravy odpovědí při zachování konzistence výstupů.
• Lepší datový přehled o tom, co veřejnost řeší (hotspoty, témata, trendy), použitelný pro další řízení/komunikaci.
The need / The situation
• Speed up and improve the processing of large volumes of public submissions by classifying them by real content (thematic blocks).
• Reduce response-preparation effort while gaining insight into recurring issues, hotspots, and opinion trends over time.
The solution
• Automated submission classification using NLP and machine learning / AI.
• Automated drafting of responses for selected topics (pre-filled responses based on templates/rules).
• Analytics outputs: recurring hotspots, topic quantification, and time-based opinion trend tracking.
Why it matters
• Faster, more consistent triage and response drafting for public input.
• Actionable insight into what citizens discuss most (hotspots, topics, trends) for better governance and communication.
Automatizace podání
Optimalizace svozu tříděného odpadu
Jaká byla potřeba klienta – identifikace problému
- Města sbírají tříděný odpad podle pevného harmonogramu.
- Někdy jsou kontejnery prázdné, jindy přetékají odpadky.
- To vede ke ztrátě času, peněz a paliva.
Návrh řešení
- Nástroj založený na umělé inteligenci, který pomocí senzorů v kontejnerech:
- Automaticky detekuje neobvyklé situace.
- Předpovídá s několikadenním předstihem, kdy budou kontejnery plné.
- Navrhuje optimální harmonogram svozu.
- Generuje automatické zprávy pro městské služby.
Přínosy pro klienta
- Šetří čas – odborníci kontrolují pouze neobvyklé případy.
- Šetří peníze a palivo – méně zbytečných cest.
- Ekologické – méně emisí, chytřejší trasy.
- Lepší rozhodování – na základě reálných dat, nikoli odhadů.
The need
- Cities collect waste on fixed schedules.
- Sometimes bins are empty, sometimes overflowing.
- This wastes time, money, and fuel.
The solution
- An AI-powered tool that uses sensors in bins to:
- Detect unusual situations automatically.
- Predict when bins will be full days in advance.
- Suggest the best collection schedule.
- Generate automatic reports for city services.
Why it matters
- Saves time – experts only check unusual cases.
- Saves money & fuel – fewer unnecessary trips.
- Eco-friendly – fewer emissions, smarter routes.
- Better decisions – based on real data, not guesswork.
Optimalizace svozu odpadu
Skládání krystalů ve fyzikální laboratoři
Jaká byla potřeba klienta – identifikace problému
- Automatizované umístění stovek malých krystalů pro experimenty nepružného neutronového rozptylu je dosud silně limitováno množstvím ruční práce, což způsobuje nejen časovou náročnost, ale také vysoké riziko nepřesností a lidských chyb.
- Zařízení Automatic Laue Sample Aligner (ALSA), vyvinuté na Katedře fyziky kondenzovaných látek, MFF UK, tento problém řeší částečnou automatizací orientace a umisťování krystalů.
- Přetrvává problém přesnosti umístění krystalů na cílové destičce.
- Současné metody neumožňují rychlou a objektivní evaluaci této přesnosti.
- Cílem je zrychlit a objektivizovat vyhodnocení krystalů na destičce z fotek: natočení vůči ideální orientaci, přesnost pozice a detekce překryvů/dotyků mezi krystaly.
Návrh řešení
- Řešení založené na algoritmech počítačového vidění a umělé inteligence, které umožnilo přesnou automatizovanou detekci natočení a pozic jednotlivých krystalů z fotografických snímků pořízených po umístění.
- Tímto se získala objektivní a přesná metrika, díky které je možné systematicky vyhodnocovat a srovnávat přesnost zařízení ALSA.
- Tato metrika zároveň umožňuje efektivně monitorovat vliv jednotlivých technologických vylepšení, optimalizovat postupy při přípravě vzorků.
- Softwarový nástroj řízený AI a počítačovým viděním pro automatizované vyhodnocení natočení, pozice a překryvu krystalů.
- Dodání zdrojového kódu napojitelného na Python skripty pro rychlé nasazení do pilotního provozu + prototyp → validace → finální verze a dokumentace.
Přínosy pro klienta
- Významně zrychlení evaluace kvality přípravy vzorků
- Zpřesnění následných měření.
- Urychlení celého výzkumného procesu v materiálové fyzice.
(C) obrázku: ALSA
(C) obrázku: ALSA
The situation
- The automated placement of hundreds of small crystals for inelastic neutron scattering experiments is still heavily limited by the amount of manual work involved, which is not only time-consuming but also carries a high risk of inaccuracies and human error.
- The Automatic Laue Sample Aligner (ALSA) device, developed at the Department of Condensed Matter Physics, Faculty of Mathematics and Physics, Charles University, solves this problem by partially automating the orientation and placement of crystals.
- The problem of the accuracy of crystal placement on the target plate remains.
- Current methods do not allow for a quick and objective evaluation of this accuracy.
- Speed up and standardise evaluation of crystals on a plate from images: rotation vs ideal orientation, position accuracy, and overlap/contact detection.
The solution
- A solution based on computer vision and artificial intelligence algorithms, which enabled accurate automated detection of the rotation and position of individual crystals from photographs taken after placement.
- This provided an objective and accurate metric that can be used to systematically evaluate and compare the accuracy of the ALSA device.
- This metric also allows for effective monitoring of the impact of individual technological improvements and optimisation of sample preparation procedures.
- An AI + computer-vision software tool for automated evaluation of crystal rotation, position, and overlaps.
- Deliver source code integrable with Python scripts for quick pilot deployment, following a prototype → validation → final tool + documentation flow.
Why it matters
- Significant acceleration of sample preparation quality evaluation.
- Greater accuracy of subsequent measurements.
- Acceleration of the entire research process in materials physics.
Skládání krystalů
Hlasový asistent pro domácí monitoring pacientů (LLM v češtině)
Jaká byla potřeba klienta – identifikace problému
• Monitorovat zdravotní stav seniorů a pacientů v domácí léčbě průběžněji a s menší zátěží pro personál i rodinu.
• Využít hlasové rozhraní s přirozenou komunikací v češtině.
Návrh řešení
• Implementace systému pro monitoring zdravotního stavu pomocí hlasového asistenta.
• Technologický základ na Large Language Models (LLM) s podporou komunikace v českém jazyce.
Přínosy pro klienta
• Jednodušší a dostupnější sběr informací o stavu pacienta přes hlas (nižší bariéra pro uživatele).
• Základ pro škálovatelný domácí monitoring s AI podporou.
The need / The situation
• Enable ongoing monitoring of seniors and home-care patients with lower burden on staff and families.
• Use a voice-first interface with natural Czech-language communication.
The solution
• Implement a voice-assistant-based monitoring system.
• Built on Large Language Models (LLMs) with Czech-language support.
Why it matters
• Lower user friction via voice-based check-ins and data capture.
• A scalable foundation for AI-supported home monitoring.
Hlasový asistent
Jaká byla potřeba klienta – identifikace problému
• Ověřit funkčnost využití robotického ramene pro tisk profilovaných vložek do kompozitních prvků z PLA a posoudit použitelnost výsledků pro další vývoj.
• Prověřit rizika kolapsových stavů při tisku, integritu výtisku a možnosti škálování na velkoformátovou aditivní výrobu.
Návrh řešení
• Test-before-invest: ověření využití robotického ramene a parametrů tisku (extrudéry, materiál, pracovní postup) včetně senzoriky a sběru dat pro vyhodnocení.
• Úpravy návrhu a postupu pomocí softwaru (AI / numerické modely) podle cílového zatížení a uložení výsledné vložky.
Přínosy pro klienta
• Prakticky ověřený technologický postup pro robotický tisk vložek a jasné podklady pro další iteraci/škálování (velkoformát).
The need / The situation
• Validate the use of a robotic arm to print profiled PLA inserts for composite parts and assess feasibility for further development.
• Address key risks: collapse during printing, print integrity, and a pathway toward large-scale additive manufacturing.
The solution
• Test-before-invest: verify robotic-arm printing setup and parameters (extrusion, material, workflow) incl. sensing and data capture for evaluation.
• Use software support (AI / numerical models) to tune the design and process to the target loads and final use case.
Why it matters
• A validated workflow for robotic printing of inserts and clear inputs for iteration and scale-up (large-format AM).
Automatizace soudních podání
Jaká byla potřeba klienta – identifikace problému
- Snížit náklady na provoz garážního komplexu.
- Najít způsob, jak zamezit energetickým, a tedy finančním ztrátám.
Návrh řešení
- Osazení různých částí budovy čidly pro měření spotřeby vody, elektřiny a plynu.
- Naprogramování čidel tak, aby pravidelně odesílala data o spotřebě do dodané databáze.
- Získání vhledu do chování jednotlivých budov a snazší detekce anomálií.
- Využití AI na detekci anomálií ve spotřebě.
Přínosy pro klienta
- Jednoduchá uživatelská přehlednost a obslužnost díky dodané aplikaci
- Odhalení dvou špatně nastavených automatizací:Chybné nastavení vyhřívání nájezdových ramp – odhadnutá měsíční úspora na 45 MWh (cca 270 000 Kč).
- Chybně nastavený odtah spalin – odhadnutá měsíční úspora na 1854 kWh (cca 11 000 Kč).
The need
• Reduce the operating costs of the garage complex.
• Find a way to prevent energy and financial losses.
The solution
- Install sensors in various parts of the building to measure water, electricity, and gas consumption.
- Program the sensors to regularly send consumption data to the supplied database.
- Gain insight into the behaviour of individual buildings and easier detection of anomalies.
- Use AI to detect anomalies in consumption.
Why it matters
- Simple user clarity and usability thanks to the supplied application
- Detection of two incorrectly set automations:
- Incorrect heating settings for access ramps – estimated monthly savings of 45 MWh (approx. CZK 270,000).
- Incorrectly set gas extraction – estimated monthly savings of 1854 kWh (approx. CZK 11,000).
robotický 3D tisk
Jaká byla potřeba klienta – identifikace problému
• Ověřit v praxi kvalitu a použitelnost 3D tisku pro výrobu montážních přípravků a příslušenství k profesionálnímu nářadí.
• Otestovat konkrétní díly (např. rozšiřovací přípravek ke kvakovému manipulátoru, montážní šablona pro střih skla, dořezací/montážní kolíky apod.).
Návrh řešení
• Test-before-invest: poskytnutí přístupu k infrastruktuře a praktické testování aditivní výroby pro vývoj přípravků, včetně využití algoritmů/AI.
• Ověření technologie (např. HP Multi Jet Fusion, PA12) a zhodnocení kvality dílů v běžných pracovních podmínkách; případně doporučení alternativní technologie/materiálu (např. FDM).
Přínosy pro klienta
• Rychlé rozhodnutí, které přípravky dává smysl vyrábět 3D tiskem (kvalita, výdrž, opakovatelnost) a jakou technologii zvolit.
The need / The situation
• Validate real-world quality and usability of 3D printing for manufacturing assembly fixtures and accessories for professional tools.
• Test specific fixture parts (e.g., manipulator accessory, glass-cutting jig, cutting fixture, assembly pins).
The solution
• Test-before-invest: access to infrastructure and hands-on additive-manufacturing trials for fixture development, incl. algorithm/AI support.
• Verify the selected technology (e.g., HP Multi Jet Fusion, PA12), assess part quality in real conditions, and recommend alternatives where needed (e.g., FDM).
Why it matters
• Fast decision on which fixtures are worth producing via 3D printing and which technology/material is the right fit.
Robobar I
Jaká byla potřeba klienta – identifikace problému
• Prakticky otestovat technologii 3D tisku pro výrobu přesných prototypů a finálních modelů pro výstavní/prezentační/testovací účely.
• Ověřit využitelnost v kontextu reklamní činnosti a modelování pro automobilový průmysl.
Návrh řešení
• Test-before-invest: pronájem zařízení a praktické otestování pokročilých funkcí aditivní výroby, umožňující přesné a detailní výstupy.
Přínosy pro klienta
• Rychlá validace technologie pro konkrétní typ zakázek (přesnost/detail/čas) a podklad pro rozhodnutí o dalším využití 3D tisku.
The need / The situation
• Hands-on validation of 3D printing for high-precision prototypes and end models used for exhibitions, presentations, and testing.
• Assess fit for advertising/model-making workflows in the automotive context.
The solution
• Test-before-invest access: equipment rental and practical trials of advanced additive manufacturing to produce precise, highly detailed outputs.
Why it matters
• Fast validation for specific job types (precision/detail/lead time) and decision support for future use of 3D printing.
Úspora energie
Jaká byla potřeba klienta – identifikace problému
• Zvýšit konkurenceschopnost pásových pil přes hlubší práci s provozními daty a servisními scénáři.
• Získat základ pro nový digitální produkt: centrální sběr dat, analýza a konfigurace řezných programů.
Návrh řešení
• Prototyp digitální platformy pro sběr a analýzu dat z provozu pil + konfiguraci parametrů řezných programů (cílově TRL 8).
• Pilotní napojení min. na 2 reálné pásové pily + dokumentace pro přenos na produkční servery.
• Implementace AI prvků pro prediktivní údržbu (predikce servisních zásahů) a doporučování optimálních řezných parametrů.
Přínosy pro klienta
• Podklad pro kvalitnější servis zákazníkům a snížení prostojů díky prediktivnímu servisu a práci s daty.
• Připravený základ pro škálování platformy na další zákazníky / další typy strojů.
The need / The situation
• Improve the competitiveness of band saws by leveraging operational data and service scenarios.
• Create a foundation for a new digital product: centralised data collection, analytics, and cutting-edge program configuration.
The solution
• Prototype digital platform for band-saw operational data collection & analytics plus configuration of cutting-program parameters (target TRL 8).
• Pilot connection to at least two real band saws and documentation for production deployment.
• AI features for predictive maintenance and recommending optimal cutting parameters.
Why it matters
• Better customer service and reduced downtime via predictive servicing and data-driven insights.
• A scalable base to roll out the platform to more customers and additional machine types.
Robobar II
Jaká byla potřeba klienta – identifikace problému
• Prověřit možnosti výroby vlastních produktových prvků s důrazem na individualizaci, rychlost dodání a malé výrobní série.
• Vyhodnotit kvalitu výsledných dílů a ekonomickou efektivitu výroby.
Návrh řešení
• Návrh a výroba prototypových dílů odpovídajících reálným provozním požadavkům.
• Testování přesnosti, mechanické odolnosti a vizuální kvality výrobků.
• Vyhodnocení časové a materiálové náročnosti výroby.
Přínosy pro klienta
• Možnost rychlé výroby personalizovaných produktů bez závislosti na externích dodavatelích.
• Podklady pro rozhodnutí o zavedení technologie do běžného provozu.
The need / The situation
• Explore in-house production of product components with high customisation, short lead times, and small batch sizes.
• Evaluate part quality and economic efficiency.
The solution
• Design and production of prototype parts reflecting real operational requirements.
• Testing of accuracy, mechanical durability, and visual quality.
• Assessment of production time and material consumption.
Why it matters
• Fast production of personalised products without reliance on external suppliers.
• Decision-ready data for introducing the technology into daily operations.
3D tisk částí nářadí
Jaká byla potřeba klienta – identifikace problému
• Ověřit, zda lze aditivní výrobu využít pro reálné zakázky namísto konvenčního obrábění při zachování požadované kvality a opakovatelnosti.
• Prověřit chování pokročilých materiálů a možnosti konstrukčních úprav dílů navržených přímo pro aditivní výrobu.
Návrh řešení
• Praktické testování výroby technologicky složitých komponent na průmyslových aditivních systémech včetně návrhu dílů optimalizovaných pro danou technologii.
• Ověření mechanických vlastností, rozměrové přesnosti a kvality povrchu vyrobených dílů.
• Vyhodnocení nákladovosti a časové náročnosti výroby ve srovnání s tradičním postupem.
Přínosy pro klienta
• Podklady pro rozhodnutí, které typy zakázek lze efektivně realizovat aditivní výrobou.
• Možnost rozšířit portfolio o konstrukčně pokročilé a ekonomicky efektivnější výrobky.
The need / The situation
• Verify whether additive manufacturing can replace conventional machining for real orders while maintaining the required quality and repeatability.
• Assess advanced materials and redesign parts specifically for additive production.
The solution
• Hands-on production of complex components on industrial AM systems, including AM-optimised design.
• Testing of mechanical properties, dimensional accuracy, and surface quality.
• Cost and production-time comparison with traditional manufacturing.
Why it matters
• Clear decision data on which jobs can be produced more efficiently using AM.
• Ability to extend the portfolio with structurally advanced and cost-effective products.
3D tisk pro reklamu
Jaká byla potřeba klienta – identifikace problému
• Automatizovat zpracování velkého objemu faktur: rozpoznání údajů, třídění a kontrola chybovosti.
Návrh řešení
• Experimentální implementace nástroje pro rozpoznávání a třídění faktur, včetně dávkového zpracování (semafor) a rozhraní pro vizualizaci rozpoznaných údajů.
• Analýza parametrů rozpoznávání: chybovost, falešné poplachy a přehlédnuté chyby + dokumentace.
• Využití OCR, NLP a metod strojového učení (primárně Python).
Přínosy pro klienta
• Rychlejší a konzistentnější zpracování faktur s měřitelnou kontrolou kvality rozpoznávání.
The need / The situation
• Automate high-volume invoice processing: data extraction, classification, and measurable error control.
The solution
• Experimental implementation of an invoice recognition & sorting tool incl. batch processing (“traffic-light” flow) and a UI to visualise extracted fields.
• Parameter analysis (error rate, false positives, missed errors) and documentation.
• Built using OCR, NLP, and machine-learning methods (primarily Python).
Why it matters
• Faster, more consistent invoice processing with measurable recognition quality control.
IoT/prediktivní servis
Jaká byla potřeba klienta – identifikace problému
- Osoby s poruchami učení a pozornosti (např. ADHD, dyslexie) vyžadující specifický přístup.
- To se týká jak metod předávání látky, tak i její formy.
- Nástroj má podpořit nejen jednotlivce s poruchami učení, ale i širší komunitu odborníků a rodin.
Návrh řešení
- AI nástroj využívající technologie zpracování přirozeného jazyka (NLP), optického rozpoznávání znaků (OCR), velkých jazykových modelů (LLM), sémantického vyhledávání a pokročilých algoritmů pro indexaci a analýzu dat.
- Nástroj bude využívat algoritmy pro analýzu textu a jeho segmentaci do krátkých, snadno stravitelných úseků.
- Tyto mikroúseky jsou navrženy tak, aby udržely koncentraci uživatelů a zlepšily jejich schopnost učení.
- Každý úsek bude doplněn o shrnutí klíčových informací, procvičovací otázky a odpovědi, což umožní uživatelům lépe si osvojit obsah a zároveň si jej efektivně zapamatovat.
- Službu je možné využívat každý žák samostatně nebo s podporou školních pedagogů a psychologů, rodičů nebo jakýchkoliv pomocníků, kteří pomocí nástroje vzdělávací obsah pro žáka připraví a zkontrolují a nasdílí mu jej.
- Pro cílovou skupinu bylo vytvořeno a otestováno odpovídající uživatelské rozhraní a grafický design (UX/UI) aplikace.
Přínosy pro klienta
- Podpora osob s poruchami učení a pozornosti, čímž dojde ke zlepšení jejich studijních výsledků a osvojení si látky.
- Podpora nejen jednotlivých osob, ale i jejich učitelů či rodičů, což usnadňuje celý proces učení.
- Aplikace na míru potřebám osob s poruchami učení a pozornosti slibuje možnost dalšího rozšiřování a škálování.
The need
- People with learning and attention disorders (e.g., ADHD, dyslexia) require a specific approach.
- This applies to both the methods of teaching the material and its form.
- The tool should support not only individuals with learning disorders, but also the wider community of professionals and families.
The solution
- An AI tool using natural language processing (NLP), optical character recognition (OCR), large language models (LLM), semantic search, and advanced algorithms for data indexing and analysis.
- The tool uses algorithms to analyse text and segment it into short, easily digestible sections.
- These micro-sections are designed to maintain user concentration and improve their learning ability.
- Each segment is supplemented with a summary of key information, practice questions, and answers, allowing users to better grasp the content and remember it effectively.
- The service can be used by each student independently or with the support of school teachers and psychologists, parents, or any other helpers who use the tool to prepare and check the educational content for the student and share it with them.
- An appropriate user interface and graphic design (UX/UI) for the application has been created and tested for the target group.
Why it matters
- Support for people with learning and attention disorders, which will improve their academic performance and help them master the material.
- Support not only for individuals, but also for their teachers and parents, which facilitates the entire learning process.
- The application, tailored to the needs of people with learning and attention disorders, promises the possibility of further expansion and scaling.
RAG „ADAM“
ADAM: Automatizovaný Digitální Asistent Monitorování
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: organises documents in one place.
- Search: auditors ask in plain language, and 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.
Detekce obrazu
Jaká byla potřeba klienta – identifikace problému
• Zrychlit přípravu shrnutí soudních podání podle jejich reálného obsahu a snížit manuální zátěž při orientaci v rozsáhlých spisech.
Návrh řešení
• Dodávka komponentů pro automatizaci shrnutí podání pomocí NLP a pokročilých metod strojového učení / AI.
• Webové rozhraní pro nahrání podání a stažení návrhů shrnutí pro další práci soudců.
Přínosy pro klienta
• Rychlejší orientace v podáních a konzistentnější příprava shrnutí jako podklad pro rozhodovací práci.
The need / The situation
• Speed up preparation of summaries of court submissions based on their real content and reduce manual workload on large case files.
The solution
• Deliver dockerized components to automate submission summarisation using NLP and advanced ML/AI techniques.
• Provide a web interface to upload submissions and download draft summaries for judges’ further work.
Why it matters
• Faster navigation of submissions and more consistent draft summaries as input to judicial decision-making.
9osý robot
Jaká byla potřeba klienta – identifikace problému
- Nutnost neustálé přítomnosti obsluhy u výčepu.
- Samotný proces čepování piva je dynamický systém, jehož chování závisí na velkém počtu parametrů.
- Zajištění spolehlivého a trvalého provozu.
- Zvýšení provozní efektivity.
Návrh řešení
- Rozšíření prototypu robotického výčepu do takové podoby, aby byl vhodný pro nasazení v trvalém provozu bez nutnosti neustálé přítomnosti lidské obsluhy.
- Robotický výčep byl za tím účelem rozšířen o dodatečnou senzoriku a také o algoritmy umělé inteligence, které zajistily jednak spolehlivý provoz, ale také zvýšily provozní efektivitu.
- Adaptivní čepování piva na základě zpětné vazby ze senzorů.Pokročilá diagnostika a prevence poruch.Inteligentní optimalizace energie.
- Interakce se zákazníky a personalizace na základě umělé inteligence.
Přínosy pro klienta
- Inteligentní systém proniká do nuancí dat, aby předvídavě vymezil plány údržby, čímž minimalizuje dobu odstávky a eliminuje potřebu neustálého lidského monitorování.
- Předvídání období vyšší poptávky a inteligentní modulování intenzity chlazení. To sjednocuje využití energie s reálnými potřebami a výrazně snižuje energetické výdaje během klidnějších hodin.
- Vhodné pro nasazení do trvalého provozu na akcích typu festivaly nebo sportovní akce, kde je třeba zajistit větší objem čepovaných nápojů.
The need
- The need for constant staff presence at the bar.
- The beer tapping process itself is a dynamic system whose behaviour depends on a large number of parameters.
- Ensuring reliable and continuous operation.
- Increasing operational efficiency.
The solution
- Expanding the prototype of the robotic tap to make it suitable for continuous operation without the need for constant human presence.
- The robotic tap was expanded with additional sensors and artificial intelligence algorithms, which ensured reliable operation and increased operational efficiency:
- Adaptive beer tapping based on feedback from sensors.Advanced diagnostics and fault prevention.Intelligent energy optimisation.
- Customer interaction and personalisation based on artificial intelligence.
Why it matters
- The intelligent system delves into the nuances of data to proactively define maintenance plans, minimising downtime and eliminating the need for constant human monitoring.
- Predicts periods of higher demand and intelligently modulates cooling intensity. This aligns energy use with actual needs and significantly reduces energy costs during quieter hours.
- Suitable for continuous operation at events such as festivals or sporting events, where a larger volume of draft beverages needs to be provided.
Test „Efekt“
Jaká byla potřeba klienta – identifikace problému
• Navázat na existující prototyp robotického výčepu a vytvořit verzi vhodnou pro menší provozy s nižší výdejní kapacitou a menšími prostorovými nároky.
• Zlepšit přesnost a robustnost čepování a zrychlit algoritmy pro zjišťování věku (cílově < 200 ms).
Návrh řešení
• Konstrukční a designový upgrade na verzi s jedním robotem s možností čepovat 2 kelímky současně; úpravy mobility (větší kolečka) a bezpečnostní prvky proti odcizení robota/tabletu.
• Vylepšení řízení čepování (přesnější poměr pivo/pěna), zvýšení robustnosti v proměnlivých podmínkách a s různými kelímky, UX včetně plateb a hraničních situací (např. refund, výměna sudu).
• Pilotní ověření prototypu v provozu a úpravy podle výsledků.
Přínosy pro klienta
• Provozovatelnější a levnější varianta robovýčepu pro širší tržní segment + vyšší spolehlivost (cílově > 99 %) a rychlejší čepování (cílově +10 %).
The need / The situation
• Evolve an existing robotic beer-tap prototype into a version suitable for smaller venues with lower throughput and tighter space constraints.
• Improve pouring accuracy and robustness, and speed up age-verification algorithms (target < 200 ms).
The solution
• Mechanical/design upgrade to a single-robot version capable of pouring two cups simultaneously, plus mobility (larger wheels) and anti-theft measures (robot/tablet).
• Improved pouring control (more precise beer/foam ratio), higher robustness across varying conditions and cup types, and better UX incl. payments and edge cases (refunds, keg change).
• Pilot operation testing and iteration based on results.
Why it matters
• A more deployable, lower-cost robotic tap for broader market adoption, with higher reliability (target >99%) and faster pouring (target +10%).
Monitoring JIP
Jaká byla potřeba klienta – identifikace problému
• Ověřit v praxi kvalitu a použitelnost 3D tisku pro výrobu montážních přípravků a příslušenství k profesionálnímu nářadí.
• Otestovat konkrétní díly (např. rozšiřovací přípravek ke kvakovému manipulátoru, montážní šablona pro střih skla, dořezací/montážní kolíky apod.).
Návrh řešení
• Test-before-invest: poskytnutí přístupu k infrastruktuře a praktické testování aditivní výroby pro vývoj přípravků, včetně využití algoritmů/AI.
• Ověření technologie (např. HP Multi Jet Fusion, PA12) a zhodnocení kvality dílů v běžných pracovních podmínkách; případně doporučení alternativní technologie/materiálu (např. FDM).
Přínosy pro klienta
• Rychlé rozhodnutí, které přípravky dává smysl vyrábět 3D tiskem (kvalita, výdrž, opakovatelnost) a jakou technologii zvolit.
The need / The situation
• Validate real-world quality and usability of 3D printing for manufacturing assembly fixtures and accessories for professional tools.
• Test specific fixture parts (e.g., manipulator accessory, glass-cutting jig, cutting fixture, assembly pins).
The solution
• Test-before-invest: access to infrastructure and hands-on additive-manufacturing trials for fixture development, incl. algorithm/AI support.
• Verify the selected technology (e.g., HP Multi Jet Fusion, PA12), assess part quality in real conditions, and recommend alternatives where needed (e.g., FDM).
Why it matters
• Fast decision on which fixtures are worth producing via 3D printing and which technology/material is the right fit.
3D tisk
Jaká byla potřeba klienta – identifikace problému
• Prakticky otestovat technologii 3D tisku pro výrobu přesných prototypů a finálních modelů pro výstavní/prezentační/testovací účely.
• Ověřit využitelnost v kontextu reklamní činnosti a modelování pro automobilový průmysl.
Návrh řešení
• Test-before-invest: pronájem zařízení a praktické otestování pokročilých funkcí aditivní výroby, umožňující přesné a detailní výstupy.
Přínosy pro klienta
• Rychlá validace technologie pro konkrétní typ zakázek (přesnost/detail/čas) a podklad pro rozhodnutí o dalším využití 3D tisku.
The need / The situation
• Hands-on validation of 3D printing for high-precision prototypes and end models used for exhibitions, presentations, and testing.
• Assess fit for advertising/model-making workflows in the automotive context.
The solution
• Test-before-invest access: equipment rental and practical trials of advanced additive manufacturing to produce precise, highly detailed outputs.
Why it matters
• Fast validation for specific job types (precision/detail/lead time) and decision support for future use of 3D printing.
Nabíjení elektrostanic
Jaká byla potřeba klienta – identifikace problému
• Zvýšit konkurenceschopnost pásových pil přes hlubší práci s provozními daty a servisními scénáři.
• Získat základ pro nový digitální produkt: centrální sběr dat, analýza a konfigurace řezných programů.
Návrh řešení
• Prototyp digitální platformy pro sběr a analýzu dat z provozu pil + konfiguraci parametrů řezných programů (cílově TRL 8).
• Pilotní napojení min. na 2 reálné pásové pily + dokumentace pro přenos na produkční servery.
• Implementace AI prvků pro prediktivní údržbu (predikce servisních zásahů) a doporučování optimálních řezných parametrů.
Přínosy pro klienta
• Podklad pro kvalitnější servis zákazníkům a snížení prostojů díky prediktivnímu servisu a práci s daty.
• Připravený základ pro škálování platformy na další zákazníky / další typy strojů.
The need / The situation
• Improve the competitiveness of band saws by leveraging operational data and service scenarios.
• Create a foundation for a new digital product: centralised data collection, analytics, and cutting-edge program configuration.
The solution
• Prototype digital platform for band-saw operational data collection & analytics plus configuration of cutting-program parameters (target TRL 8).
• Pilot connection to at least two real band saws and documentation for production deployment.
• AI features for predictive maintenance and recommending optimal cutting parameters.
Why it matters
• Better customer service and reduced downtime via predictive servicing and data-driven insights.
• A scalable base to roll out the platform to more customers and additional machine types.
ADHD diagnostika
Jaká byla potřeba klienta – identifikace problému
• Prověřit možnosti výroby vlastních produktových prvků s důrazem na individualizaci, rychlost dodání a malé výrobní série.
• Vyhodnotit kvalitu výsledných dílů a ekonomickou efektivitu výroby.
Návrh řešení
• Návrh a výroba prototypových dílů odpovídajících reálným provozním požadavkům.
• Testování přesnosti, mechanické odolnosti a vizuální kvality výrobků.
• Vyhodnocení časové a materiálové náročnosti výroby.
Přínosy pro klienta
• Možnost rychlé výroby personalizovaných produktů bez závislosti na externích dodavatelích.
• Podklady pro rozhodnutí o zavedení technologie do běžného provozu.
The need / The situation
• Explore in-house production of product components with high customisation, short lead times, and small batch sizes.
• Evaluate part quality and economic efficiency.
The solution
• Design and production of prototype parts reflecting real operational requirements.
• Testing of accuracy, mechanical durability, and visual quality.
• Assessment of production time and material consumption.
Why it matters
• Fast production of personalised products without reliance on external suppliers.
• Decision-ready data for introducing the technology into daily operations.
DigiDoc
Jaká byla potřeba klienta – identifikace problému
• Ověřit, zda lze aditivní výrobu využít pro reálné zakázky namísto konvenčního obrábění při zachování požadované kvality a opakovatelnosti.
• Prověřit chování pokročilých materiálů a možnosti konstrukčních úprav dílů navržených přímo pro aditivní výrobu.
Návrh řešení
• Praktické testování výroby technologicky složitých komponent na průmyslových aditivních systémech včetně návrhu dílů optimalizovaných pro danou technologii.
• Ověření mechanických vlastností, rozměrové přesnosti a kvality povrchu vyrobených dílů.
• Vyhodnocení nákladovosti a časové náročnosti výroby ve srovnání s tradičním postupem.
Přínosy pro klienta
• Podklady pro rozhodnutí, které typy zakázek lze efektivně realizovat aditivní výrobou.
• Možnost rozšířit portfolio o konstrukčně pokročilé a ekonomicky efektivnější výrobky.
The need / The situation
• Verify whether additive manufacturing can replace conventional machining for real orders while maintaining the required quality and repeatability.
• Assess advanced materials and redesign parts specifically for additive production.
The solution
• Hands-on production of complex components on industrial AM systems, including AM-optimised design.
• Testing of mechanical properties, dimensional accuracy, and surface quality.
• Cost and production-time comparison with traditional manufacturing.
Why it matters
• Clear decision data on which jobs can be produced more efficiently using AM.
• Ability to extend the portfolio with structurally advanced and cost-effective products.
NuklKalibr
Jaká byla potřeba klienta – identifikace problému
• Automatizovat zpracování velkého objemu faktur: rozpoznání údajů, třídění a kontrola chybovosti.
Návrh řešení
• Experimentální implementace nástroje pro rozpoznávání a třídění faktur, včetně dávkového zpracování (semafor) a rozhraní pro vizualizaci rozpoznaných údajů.
• Analýza parametrů rozpoznávání: chybovost, falešné poplachy a přehlédnuté chyby + dokumentace.
• Využití OCR, NLP a metod strojového učení (primárně Python).
Přínosy pro klienta
• Rychlejší a konzistentnější zpracování faktur s měřitelnou kontrolou kvality rozpoznávání.
The need / The situation
• Automate high-volume invoice processing: data extraction, classification, and measurable error control.
The solution
• Experimental implementation of an invoice recognition & sorting tool incl. batch processing (“traffic-light” flow) and a UI to visualise extracted fields.
• Parameter analysis (error rate, false positives, missed errors) and documentation.
• Built using OCR, NLP, and machine-learning methods (primarily Python).
Why it matters
• Faster, more consistent invoice processing with measurable recognition quality control.
Chatbot pro HR
Jaká byla potřeba klienta – identifikace problému
• Otestovat 3D tisk pro funkční prototypy a konstrukční prvky raketových pohonných systémů, které musí obstát v extrémních podmínkách (teplota/tlak/vibrace/chemická odolnost).
Návrh řešení
• Test-before-invest: výroba a testování prototypů (např. držáky senzorů, pomocné konstrukce, uchycení trysek, prvky pro testovací stolice) na průmyslových technologiích aditivní výroby (např. Fortus 450mc, PolyJet J750, HP MJF 4200, apod.).
• KPI vyhodnocení: rozměrová přesnost/geometrická stabilita, mechanická a tepelná odolnost, integrace funkcí do jednoho dílu (topologická optimalizace + AI návrhové nástroje), časová a nákladová efektivita vs. tradiční výroba.
Přínosy pro klienta
• Rychlejší iterace návrhů a snížení rizik ve fázi testování díky validaci konstrukce a výrobního postupu před nákladnou sériovou výrobou.
The need / The situation
• Validate 3D printing for functional prototypes and structural parts of rocket propulsion systems under extreme conditions (temperature/pressure/vibration/chemical resistance).
The solution
• Test-before-invest prototyping and trials (e.g., sensor mounts, auxiliary structures, nozzle fixtures, test-rig components) on industrial AM technologies (e.g., Fortus 450mc, PolyJet J750, HP MJF 4200, etc.).
• KPI evaluation: dimensional accuracy & stability, mechanical/thermal resistance, function integration (topology optimisation + AI design tools), and time/cost efficiency vs. conventional manufacturing.
Why it matters
• Faster design iterations and lower testing risk by validating design and manufacturing approach before costly serial production.
Digitální dvojče
Jaká byla potřeba klienta – identifikace problému
• Rychle ověřit, kde 3D tisk dává smysl pro konkrétní díly a zakázky (prototypy / malé série) a jaký má dopad na kvalitu, čas a náklady.
Návrh řešení
• Test-before-invest: pronájem infrastruktury včetně obsluhy a simulace reálných zakázkových podmínek.
• KPI vyhodnocení (kvalita/přesnost/odolnost, rychlost výroby, materiálová a časová úspora) pomocí pokročilých algoritmů umělé inteligence + doporučení, jak technologii začlenit do stávající výroby.
Přínosy pro klienta
• Rozhodovací podklady pro zavedení (nebo nezavedení) aditivní výroby a jasné indikace, kde přináší největší efekt.
The need / The situation
• Quickly validate where 3D printing makes sense for specific parts/jobs (prototypes / small batches) and quantify impact on quality, lead time, and cost.
The solution
• Test-before-invest: infrastructure rental with operator support and simulation of real job conditions.
• KPI evaluation using AI algorithms (quality/accuracy/durability, production speed, material & time savings) plus recommendations for integrating the technology into current manufacturing.
Why it matters
• Decision-grade evidence for adopting (or rejecting) additive manufacturing and clear signals where it delivers the most value.
Automatizace podání
AI sémantické vyhledávání ve firemním úložišti (LLM + multimodální indexace + webové UI)
Jaká byla potřeba klienta – identifikace problému
• Zrychlit dohledávání informací ve firemních dokumentech nad rámec „keyword search“ a přitom držet citlivá data lokálně (GDPR, bez předávání třetím stranám).
Návrh řešení
• Nasazení open-source LLM přímo v infrastruktuře klienta + indexační daemon pro automatické zpracování a aktualizaci indexu ve firemním úložišti.
• Podpora multimodálních zdrojů (Word/Excel/PowerPoint/PDF/obrázky) a webová aplikace pro vyhledávání, správu systému a prezentaci výsledků v kontextu souvisejících dat (včetně strukturovaných odpovědí).
Přínosy pro klienta
• Rychlejší rešerše v interních materiálech (minuty místo hodin) a lepší rozhodování díky okamžitému přístupu k relevantním datům v kontextu.
The need / The situation
• Enable semantic search across internal documents beyond keyword search, while keeping sensitive data on-prem (GDPR; no third-party data transfer).
The solution
• Deploy an open-source LLM inside the client’s infrastructure plus an indexing daemon for continuous ingestion and index updates.
• Support multimodal sources (Word/Excel/PowerPoint/PDF/images) and provide a web app for search, administration, and context-rich results (incl. structured answer outputs).
Why it matters
• Faster internal research (minutes vs. hours) and better decisions through instant access to relevant information in context.
Optimalizace svozu odpadu
Videoinspekce železniční infrastruktury z lokomotivy (detekce a rozpoznávání prvků z čelní kamery)
Jaká byla potřeba klienta – identifikace situace
• Automaticky identifikovat vybrané prvky železniční infrastruktury z čelní kamery na lokomotivě (video vpřed na koleje).
Návrh řešení
• Implementace, ověření a demonstrace postupů počítačového vidění/strojového učení pro detekci a rozpoznávání vybraných prvků infrastruktury z videa (služba „VideoPI“).
Přínosy pro klienta
• Základ pro škálovatelnou videoinspekci infrastruktury s nižší manuální zátěží a možností standardizace vyhodnocení.
The need / The situation
• Automatically detect and recognise selected railway-infrastructure elements from a forward-facing locomotive camera (video of the track ahead).
The solution
• Implement, validate, and demonstrate computer-vision / machine-learning procedures for detection and recognition from video (“VideoPI”).
Why it matters
• A scalable foundation for video-based infrastructure inspection with reduced manual effort and more standardised evaluation.
Skládání krystalů
AI ergonomické měření pracovních poloh (3D rekonstrukce + biomechanika)
Jaká byla potřeba klienta – identifikace problému
• Objektivizovat ergonomické hodnocení pracovních poloh a zátěže bederní páteře pomocí AI a počítačového vidění (prevence muskuloskeletálních onemocnění).
• Přenést existující snímací a analytické nástroje do použitelnějšího softwaru: mobilní sběr dat + cloudová analýza + reporting.
Návrh řešení
• Transfer technologie do mobilní aplikace pro Android: nahrávání videí a jejich synchronizace pro účely 3D rekonstrukce.
• Odhad 3D polohy pracovníka pomocí AI + zpřesnění parametrizace dlouhodobých záznamů.
• Implementace biomechanické analýzy, webové aplikace pro management dat a tvorbu reportů + testování v průmyslovém prostředí a iterativní úpravy.
• Zaškolení zaměstnanců SZÚ.
Přínosy pro klienta
• Přesnější a efektivnější ergonomické vyhodnocování na základě videodat (AI/CV + biomechanika) s přímým výstupem do reportů.
• Prakticky nasaditelný workflow: mobilní sběr → cloudová analýza → reportování → ověření v reálném provozu.
The need / The situation
• Make ergonomic posture assessment more objective using AI and computer vision (supporting prevention of musculoskeletal disorders).
• Turn existing capture/analysis tools into an operational workflow: mobile data capture, cloud analytics, and reporting.
The solution
• Transfer the technology into an Android mobile app for video recording and synchronisation for 3D reconstruction.
• Implement AI-based 3D worker pose estimation and improve long-term recording parameterisation.
• Add biomechanical analysis, a web app for data management and reporting, plus industrial-environment testing and iterative improvements.
• Provide SZÚ staff training.
Why it matters
• More accurate and efficient AI/CV + biomechanics-based ergonomic evaluation with actionable reporting outputs.
• Deployment-ready workflow: mobile capture → cloud analysis → reporting → real-world validation.
Hlasový asistent
Prototypování ochranných krytů pro průmyslovou elektroniku (pádové testy, chemická odolnost, montážní kompatibilita)
Jaká byla potřeba klienta – identifikace problému
• Ověřit 3D tisk pro vývoj a případnou výrobu ochranných a funkčních krytů pro elektronická zařízení s nároky na mechanickou odolnost, ergonomii a údržbu.
• Otestovat prototyp krytu pro ovládací tablet v reálném prostředí: pád/zátěž, kompatibilita s montáží (např. držák), odolnost vůči čisticím/dezinfekčním prostředkům.
Návrh řešení
• Test-before-invest: přístup k infrastruktuře pro pokročilý 3D tisk a konstrukční optimalizaci (včetně využití AI pro návrhovou optimalizaci).
• Vyhodnocení KPI: přesnost a kvalita prototypu, mechanická odolnost (pády/nárazy), nákladová efektivita a montážní kompatibilita.
Přínosy pro klienta
• Rozhodovací data pro další vývoj podobných krytů: rychlost iterací, konstrukční flexibilita, náklady a reálná použitelnost v průmyslovém provozu.
The need / The situation
• Validate 3D printing for developing (and potentially producing) protective/functional enclosures for industrial electronics with demanding durability, ergonomics, and maintenance requirements.
• Test a tablet-enclosure prototype in real conditions: drop/load resistance, mounting compatibility (e.g., wall mount), and resistance to cleaning/disinfection agents.
The solution
• Test-before-invest access to advanced 3D-printing infrastructure and design optimisation (including AI-supported design optimisation).
• KPI evaluation: prototype accuracy & quality, mechanical durability (drops/impacts), cost effectiveness, and assembly/mounting compatibility.
Why it matters
• Decision-grade evidence for future enclosure projects: iteration speed, design flexibility, cost, and real-world usability in industrial operations.
Automatizace soudních podání
Ověření 3D tisku mechanických dílů pro elektroniku a komunikační zařízení (prototypy i série)
Jaká byla potřeba klienta – identifikace problému
• Zrychlit vývoj a uvádění nových elektronických/komunikačních produktů přes rychlé prototypování mechanických částí a ověření ergonomie, funkčnosti a zákaznického schválení.
• Prakticky otestovat využitelnost aditivní výroby pro prototypování i sériovou výrobu mechanických komponent.
Návrh řešení
• Test-before-invest: pronájem špičkové infrastruktury pro aditivní výrobu (např. Fortus 450mc, PolyJet J750, HP MJF 4200, aj.) pro rychlou a přesnou výrobu mechanických dílů.
• Výroba prototypů a ověření konstrukčních vlastností, ergonomie a funkčnosti v reálném vývojovém cyklu firmy.
Přínosy pro klienta
• Kratší iterace návrhů a lepší rozhodování o tom, které díly a materiály dávají smysl pro prototyp i sérii (čas/cena/kvalita).
The need / The situation
• Speed up development and launch of new electronics/communication products via rapid prototyping of mechanical parts and validation of ergonomics, functionality, and customer approval.
• Validate additive manufacturing for both prototyping and serial production of mechanical components.
The solution
• Test-before-invest access to state-of-the-art additive manufacturing infrastructure (e.g., Fortus 450mc, PolyJet J750, HP MJF 4200, etc.) for fast, precise part production.
• Prototype production and real-cycle validation of mechanical properties, ergonomics, and functional fit.
Why it matters
• Shorter design iterations and clearer decisions on which parts/materials make sense for prototypes and small/serial runs (time/cost/quality).
robotický 3D tisk
Jaká byla potřeba klienta – identifikace problému
- Detektory stop se rutinně používají v mnoha dozimetrických aplikacích.
- Nejčastěji se vyhodnocuje počet stop na jednotku plochu, ale neanalyzují se již vlastnosti jednotlivých stop.
- Detailní analýzou jednotlivých stop (tvar, rozměry apod.) lze však získat i informace o kvalitě záření, o tzv. lineárním přenosu energie jednotlivých částic.
- Stávající automatická detekce stop není vždy dokonalá, hlavně v případech ozáření ve směsných polích záření.
- Často je pak potřeba ještě manuální kontrola a ruční klasifikace jednotlivých stop.
Návrh řešení
- Pomocí AI je možné výrazně urychlit jejich analýzu a tím získat i více cenných výsledků.
- Softwarový nástroj implementující metodu pro automatické vyhodnocování detektorů stop.
- Nový nástroj je navržen tak, aby jeho výstup byl kompatibilní s nástroji, které jsou aktuálně využívány.
Přínosy pro klienta
- Došlo ke snížení zátěže rutinní prací vysoce kvalifikovaných pracovníků.
- Benchmarking na 563 vzorcích ukazuje výrazné zlepšení; současný algoritmus automaticky extrahuje přibližně o 50 % více stop než předchozí metoda
The need
- Track detectors are routinely used in many dosimetric applications.
- The number of tracks per unit area is most often evaluated, but the properties of individual tracks are not analysed.
- However, detailed analysis of individual tracks (shape, dimensions, etc.) can also provide information about the quality of radiation, i.e., the linear energy transfer of individual particles.
- Existing automatic track detection is not always perfect, especially in cases of irradiation in mixed radiation fields.
- Manual inspection and classification of individual tracks is often necessary.
The solution
- AI can be used to significantly speed up analysis and thus obtain more valuable results.
- A software tool implementing a method for automatic evaluation of track detectors.
- The new tool is designed so that its output is compatible with the tools currently in use.
Why it matters
- The workload of highly qualified employees has been reduced.
- Benchmarking on 563 samples shows a significant improvement; the current algorithm automatically extracts roughly 50% more tracks than the previous method.
Robobar I
Jaká byla potřeba klienta – identifikace problému
- Klimatické a meteorologické jevy mají zásadní dopad na kvalitu a kvantitu sklizených hroznů révy vinné.
- Kvalita hroznů zásadně ovlivňuje průběh fermentace, potřebu enologických procesů i výsledné senzorické vlastnosti vína.
- Chemické ošetření révy vinné a enologické postupy jsou mnohdy nadužívané – toto vede ke zvýšené ekologické zátěži vinic, zvýšenému obsahu alergenů a snížené senzorické kvalitě vína.
- Potřeba holistického přístupu ve vinohradnictví a vinařství – zejména korelací klimatických a meteorologických dat s biologií patogenů révy vinné a chemickou analýzou moštu.
Návrh řešení – Vitispector
- Implementace holistického zpracování dat z jednotlivých vývojových fází vinné révy a procesních enologických stupňů založených na umělé inteligenci a strojového učení.
- Dodána technologie postavená na metodě strojového učení a datové analýzy umožňující precizní agrotechnické práce (přesná predikce lokálního počasí).
- Softwarový nástroj Vitispector umožní sledovat vliv měřených parametrů až do fáze finálního produktu.
- Softwarové řešení bude zpracovávat i údaje typu případných ocenění na prestižních výstavách a soutěžích, nebo naopak i reklamace – toto slouží k doplnění senzorické analýze vína, která je méně objektivní.
Přínosy pro klienta
- Minimalizace chemické ochrany révy vinné – došlo k úspoře na vynaložených nákladech chemické ochrany ve výši 15 % (potenciál úspory poroste s robustností trénovaného modelu).
- Zvýšení senzorické kvality vína a snížení v něm obsažených alergenů.
- Vytvoření individuálního rodokmenu vína jako finálního produktu s možností zpětné dosledovatelnosti (tzv. od sklenice k vinici) původu a parametrů, které ovlivnily (pozitivně, či negativně) výrobu.
The need
- Climatic and meteorological phenomena have a significant impact on the quality and quantity of harvested grapes.
- The quality of grapes significantly affects the fermentation process, the need for oenological processes, and the resulting sensory properties of wine.
- Chemical treatment of grapevines and oenological practices are often overused, leading to increased environmental impact on vineyards, increased allergen content, and reduced sensory quality of wine.
- The need for a holistic approach to viticulture and winemaking – in particular, the correlation of climatic and meteorological data with the biology of grapevine pathogens and chemical analysis of must.
The solution – Vitispector
- Implementation of holistic data processing from individual stages of grapevine development and oenological processes based on artificial intelligence and machine learning.
- Technology based on machine learning and data analysis enabling precise agrotechnical work (accurate prediction of local weather) has been delivered.
- The Vitispector software tool will allow the influence of measured parameters to be monitored up to the final product stage.
- The software solution will also process data such as any awards at prestigious exhibitions and competitions, or, conversely, complaints – this serves to supplement the sensory analysis of wine, which is less objective.
Why it matters
- Minimization of chemical protection of grapevines – savings of 15% in chemical protection costs (the potential for savings will grow with the robustness of the trained model).
- Increased sensory quality of wine and reduced allergens.
- Creation of an individual pedigree for wine as a final product with the possibility of traceability (from glass to vineyard) of origin and parameters that influenced (positively or negatively) production.
Úspora energie
Automatizované mapování položek z poptávek na katalog výrobků (LLM/NLP + webová demo aplikace)
Jaká byla potřeba klienta – identifikace problému
• Zautomatizovat převod textových poptávek zákazníků na konkrétní produkty v katalogu (položky bývají nepřesné, zkrácené, jinou terminologií nebo mimo katalog).
• Snížit manuální zátěž a chybovost při přípravě nabídek (dnes ruční vyhledávání v katalogu).
Návrh řešení
• Dema webová aplikace, která přijme seznam poptávaných položek a vrátí odpovídající produkty z katalogu včetně vysvětlení a alternativ při nejednoznačnosti.
• Využití NLP a velkých jazykových modelů (LLM) pro interpretaci textu + kombinace s katalogovými (i strukturovanými) daty.
• Iterativní ladění na základě zpětné vazby (hybridní režim: AI asistuje, člověk validuje).
Přínosy pro klienta
• Výrazná úspora času v nejdražší úvodní fázi tvorby nabídky a lepší konzistence výsledků díky asistované normalizaci a párování položek.
The need / The situation
• Automate mapping of messy customer request items to concrete catalog products (inaccurate names, abbreviations, customer terminology, out-of-catalog items).
• Reduce manual effort and errors in quote preparation (currently manual catalog search).
The solution
• A demo web app that ingests a requested-item list and returns best-matching catalog products with explanations and alternatives when ambiguous.
• NLP + Large Language Models (LLMs) to interpret text, combined with catalog text and structured attributes.
• Iterative improvement with user feedback (hybrid AI-assist, human-verify workflow).
Why it matters
• Major time savings in the most expensive early phase of quote creation and more consistent outputs via assisted normalization and matching.
Robobar II
AI matchmaking pro propojování studentů, expertů a partnerů
Jaká byla potřeba klienta – identifikace problému
• Zrychlit a zpřesnit propojování studentů s relevantními příležitostmi (projekty, praxe) a současně zviditelnit experty a jejich témata směrem k firmám a institucím.
• Ověřit v prostředí fakulty nasazení AI párování tak, aby přínos šel měřit (čas, relevance propojení, odezva).
Návrh řešení
• Nasazení AI matchmaking komponent (profily expertů a příležitostí, profily partnerských firem) + nastavení datové pipeline.
• Implementace výstupů pro uživatele: widget doporučení / newslettery, šablony e-mailů, onboarding materiály pro nové firmy.
• Sběr „challenges“, pilotní marketingové kampaně, testování, sběr zpětné vazby a report vyhodnocení efektivity.
Přínosy pro klienta
• Rychlejší a udržitelnější proces párování studentů s příležitostmi a lepší využití kapacit expertů a partnerů.
• Měřitelné podklady pro rozhodnutí, které části matchmakingu dlouhodobě provozovat (widget/newsletter, pipeline, kampaně).
The need / The situation
• Speed up and improve matching between students and relevant opportunities, while making faculty experts and topics easier to discover for companies and institutions.
• Deploy AI matching in the faculty environment with measurable impact (time, relevance, response).
The solution
• Deploy AI matchmaking components (expert & opportunity profiles, partner-company profiles) and set up the data pipeline.
• Deliver user-facing outputs: recommendation widget / newsletters, email templates, and onboarding materials for new partners.
• Collect challenges, run pilot marketing campaigns, test, gather feedback, and produce an effectiveness report.
Why it matters
• A faster, sustainable matching process for student opportunities and better utilization of experts and partners.
• Decision-grade evidence on which components to operate long-term (widget/newsletter, pipeline, campaigns).
3D tisk částí nářadí
AI Matchmaking II (virtuální matchmaking + nástěnka + personalizované newslettery)
Jaká byla potřeba klienta – identifikace problému
• Zefektivnit propojování studentů, firemních partnerů a veřejných institucí a udělat ho dlouhodobě udržitelné a měřitelné (KPI).
• Zkrátit čas navazování kontaktů, zvýšit zapojení studentů do projektů/praxí a zjednodušit získávání relevantních zakázek od partnerů.
Návrh řešení
• Nasazení virtuální AI matchmaking platformy pro cílené propojování relevantních kontaktů.
• Nasazení interaktivní online nástěnky pro prezentaci příležitostí partnerských organizací.
• AI newsletter systém + příprava e-mail šablon; realizace online kariérní akce; nastavení reportingu a KPI.
Přínosy pro klienta
• Systematičtější a rychlejší párování studentů s příležitostmi a lepší spolupráce s partnery díky automatizované distribuci relevantních informací.
• Měřitelné výstupy (KPI/reporting) pro dlouhodobé řízení a škálování modelu spolupráce.
The need / The situation
• Improve and make sustainable/measurable (KPI-driven) the matching between students, industry partners, and public institutions.
• Reduce time to build connections, increase student participation in projects/internships, and simplify access to relevant partner opportunities.
The solution
• Deploy a virtual AI matchmaking platform for targeted networking.
• Deploy an interactive online opportunity board for partner organizations.
• AI newsletter system + email templates; run an online career event; set up reporting and KPIs.
Why it matters
• Faster, more systematic matching of students to opportunities and improved partner collaboration via automated, personalized distribution.
• KPI/reporting for long-term governance and scaling of the collaboration model.
3D tisk pro reklamu
Ověření 3D tisku motorových komponent (funkční prototypy + AI návrhová optimalizace)
Jaká byla potřeba klienta – identifikace problému
• Prakticky ověřit, kde a jak lze využít pokročilý 3D tisk pro vývoj, výrobu a prezentaci dílů spalovacích motorů (funkční i vizuální prototypy).
• Získat data o přesnosti, odolnosti a přínosu konstrukční optimalizace (generativní návrh / topologické simulace) pro zkrácení vývoje nových produktů.
Návrh řešení
• Test-before-invest: pronájem infrastruktury + testování/validace prototypů motorových komponent (např. chladicí prvky, kryty, výstupní struktury) s přístupem k moderním zařízením a materiálům.
• Využití AI algoritmů pro návrhovou optimalizaci a vyhodnocení KPI (přesnost a funkčnost prototypu, tepelná a mechanická odolnost polymerních dílů, možnosti hmotnostní/konstrukční optimalizace, dopad na rychlost prototypování).
Přínosy pro klienta
• Rozhodovací podklady pro začlenění aditivní výroby do vývojových a výrobních procesů (rychlejší iterace, vhodné materiály/technologie, konstrukční přínosy).
The need / The situation
• Validate where advanced 3D printing can support development, production, and presentation of internal-combustion engine parts (functional and visual prototypes).
• Obtain evidence on accuracy, durability, and the value of design optimization (generative design / topology simulations) to shorten new-product development cycles.
The solution
• Test-before-invest: infrastructure access plus testing/validation of engine-component prototypes (e.g., cooling elements, covers, outlet structures) using modern equipment and materials.
• Apply AI-based design optimization and evaluate KPIs (prototype accuracy & functionality, thermal/mechanical resistance of polymer parts, weight/structural optimization options, impact on prototyping speed).
Why it matters
• Decision-grade evidence for integrating additive manufacturing into R&D and production (faster iteration, suitable materials/technologies, measurable design benefits).
Máte-li zájem
o některou z našich technologií, kontaktujte nás na edihctu@cvut.cz.
Už jste viděli naše videa?
Pro další inspiraci
Úzce spolupracujeme se všemi součástmi ČVUT. Zde naleznete přehled dalších technologií, které již byly úspěšně dodány zapojenými součástmi ČVUT klientům mimo dotované služby EDIH CTU.