Kurz reaguje na rostoucí poptávku po specialistech schopných efektivně implementovat metody umělé inteligence (AI) a hlubokého učení (Deep Learning) přímo do průmyslové praxe. Výuka je koncipována jako intenzivní praktický průvodce celým životním cyklem AI projektu – od sběru a čištění reálných dat až po nasazení optimalizovaného modelu na koncová zařízení (Edge computing). Účastníci se naučí pracovat s multimodálními daty: od 1D senzorických signálů pro prediktivní údržbu, přes 2D kamerové záznamy pro vizuální inspekci, až po 3D volumetrická data. Kurz se nezaměřuje na teoretický vývoj nových algoritmů, ale na aplikaci osvědčených State-of-the-Art architektur a nástrojů (YOLO, nnU-Net, Lokální LLM). Důraz je kladen na „Data-Centric“ přístup, automatizaci trénovacích pipelin a finalizaci řešení pomocí kontejnerizace a hardwarové akcelerace (např. platforma NVIDIA Jetson), což absolventům umožní okamžitý přenos získaných dovedností do výrobního či vývojového prostředí.

1. Daty řízená AI a efektivní pipeline. Úvod do moderního ML workflow – proč je kvalita dat důležitější než složitost modelu. Strukturalizace projektů, verzování dat a best practices pro anotaci průmyslových datasetů. Automatizace předzpracování a čištění dat (ETL pro ML).
2. Zpracování 1D signálů a detekce anomálií. Aplikace hlubokého učení na senzorická data (akcelerometry, proud, napětí). Praktické využití Autoenkodérů pro unsupervised detekci anomálií (vyloučení zmetků bez nutnosti jejich anotace). Extrakce příznaků pro prediktivní údržbu.
3. Computer Vision – Detekce defektů. Rychlé nasazení objektové detekce (YOLO, aj.) pro kontrolu kvality. Transfer learning: Jak vzít předtrénovaný model a přeučit ho na vlastních datech (např. povrchové defekty, defekty vozovky) během minut. Augmentace dat pro zvýšení robustnosti v proměnlivých světelných podmínkách.
4. 3D Vision a zpracování volumetrických dat. Specifika práce s 3D formáty (medicínské DICOM/NIfTI vs. průmyslové skeny). Využití frameworku nnU-Net jako ""black-box"" nástroje pro State-of-the-Art 3D segmentaci bez nutnosti ručního ladění hyperparametrů. Vizualizace výsledků.
5. Lokální LLM a automatizace. Jak rozběhnout Large Language Models (LLM) lokálně (Ollama, LM Studio) bez odesílání dat do cloudu. Integrace LLM do Python skriptů pro transformaci nestrukturovaných textových logů na strukturovaná data a pro generování syntetických trénovacích vzorků.
6. Optimalizace modelů pro inferenci. Metody zmenšování modelů při zachování přesnosti. Zaměření na proces úpravy již natrénovaných modelů tak, aby byly vhodné pro rychlou, efektivní a spolehlivou inferenci v produkčním prostředí, zejména na výpočetně omezených zařízeních (např. Edge zařízení typu NVIDIA Jetson). Prunning techniky – ořezávání váhových koeficientů, které přispívají minimálně k výsledné predikci. Použití modelů navržených s ohledem na nízkou spotřebu výpočetních zdrojů.
7. Nasazení na Edge a MLOps. Kontejnerizace aplikací (Docker) pro zajištění reprodukovatelnosti prostředí. Specifika nasazení na platformy NVIDIA Jetson (Orin). Orchestrace inference a vytvoření robustní inferenční pipeline odolné proti výpadkům.