Proč 90% AI projektů selhává? Kompletní průvodce přípravou dat pro AI

Koupili jste si drahý AI nástroj. Nasadili ho. A teď? Halucinuje. Odpovídá nesmysly. Vrací zastaralé informace.

Proč? Protože jste přeskočili ten nejdůležitější krok – přípravu dat.

Podle zprávy Data Trust Report 2025 až 41% organizací přiznává problémy s udržením konzistentní kvality dat, což negativně ovlivňuje implementaci AI řešení. A to je jen špička ledovce.

„Špatná data = špatná AI. Tak jednoduché to je.”

V tomto článku vám ukážeme:

• Proč je kvalita dat kritická pro úspěch AI
• 4 hlavní problémy RAG projektů (95% selhává v produkci)
• Jak správně připravit data pro RAG systémy
• 5 chunking strategií s konkrétními příklady
• Co je RAGus.ai a jak řeší problém halucinací

95% RAG projektů selhává v produkci. Proč? Identifikovali jsme 4 hlavní příčiny:

Problém #1: Struktura dat

Jak nahrát firemní data (desítky tisíc nestrukturovaných URL a dokumentů) do znalostní báze ve strukturovaném formátu?

• A: Data jsou nahraná do KB bez preprocessingu a struktury
• B: KB nedokáže vrátit validní informace pro přesnou odpověď bez halucinací
• C: Data musí být kvalitní a unikátní (odstranění zbytečného boilerplate)

Problém #2: Chunking

V ideálním světě by každý dokument nebo URL seděl ve vlastním chunk s vyčištěnými informacemi.

Realita:

• Vektorové databáze mají limity: 500–4096 tokenů na chunk
• Většina platforem používá naivní strategie:

Problém #3: Metadata

Každý chunk potřebuje bohatá a detailní metadata:

• Původ (název souboru, číslo stránky, URL odkaz)
• Pole pro filtraci
• Shrnutí aktuálního chunku
• Shrnutí překryvu s předchozím chunkem
• Shrnutí zdrojové stránky

Problém #4: Automatické aktualizace

• KB postavena jednou, nikdy neaktualizována
• AI vrací zastaralé informace
• Nebo rovnou halucinuje

💡 Nechcete to řešit sami? Jako AI společnost s více než 30 úspěšně dokončenými projekty nabízíme přípravu dat na klíč. Od auditu po finální integraci — my se postaráme o vše.

Retrieval-Augmented Generation (RAG)

RAG je technologie, která kombinuje vyhledávání relevantních informací s generativními schopnostmi AI modelů.

Místo toho, aby AI odpovídala pouze ze svých trénovaných znalostí (které mohou být zastaralé), RAG:

1. Retrieval (Vyhledávání): Najde relevantní dokumenty ve znalostní bázi
2. Augmentation (Obohacení): Přidá nalezené informace do kontextu
3. Generation (Generování): AI vygeneruje odpověď na základě aktuálních dat

Proč RAG funguje lépe než klasické LLM

4-krokový proces přípravy dat

Krok 1: Zmapování zdrojů

Krok 2: Čištění a sjednocení

Krok 3: Obohacení a rozdělení

Krok 4: Vytvoření "druhého mozku"

💡 Nechcete to řešit sami? Nabízíme profesionální přípravu dat na klíč. Zkušenosti z 30+ projektů.

AI nečte celé dokumenty. Pracuje s "chunky" – kousky textu. Jak je rozdělíte, tak vám bude odpovídat.

Špatné dělení = špatné výsledky.

Příklad textu pro všechny strategie

Pro srovnání použijeme stejný text o vesmírném teleskopu Kepler:

# The Kepler Space Telescope

The Kepler space telescope was a space observatory launched by NASA to discover Earth-size planets orbiting other stars. It was named after astronomer Johannes Kepler.

## Mission Overview

Kepler's sole instrument was a photometer that continually monitored the brightness of approximately 150,000 main sequence stars in a fixed field of view. It looked for periodic dimming, known as transits, caused by planets crossing in front of their host star.

## Major Discoveries

During its nine-year mission, Kepler observed 530,506 stars and confirmed 2,662 planets. A key finding was that 20-50% of stars visible to the naked eye likely have small, rocky planets similar in size to Earth.

## End of Operations

The mission ended in 2018 when the spacecraft ran out of fuel. The telescope was deactivated, but its data continues to yield new discoveries.

Strategie 1: Dělení podle pevné velikosti (Fixed Size)

Technický název: Recursive Character Splitter / Fixed Token Count

Jak funguje: Rozdělí text každých N tokenů, bez ohledu na obsah.

Příklad výstupu:

✅ Vhodné pro: Když je rychlost důležitější než kvalita, nebo máte omezený rozpočet.

❌ Nevýhody: Často usekne myšlenky, ztrácí kontext.

💰 Náklady: Nízké | 📈 Kvalita: ⭐ Nízká

Strategie 2: Dělení podle nadpisů (Header-Based)

Technický název: Markdown Header Chunking

Jak funguje: Hledá nadpisy (#, ##) a drží vše pod každým nadpisem pohromadě.

Příklad výstupu:

✅ Perfektní! Každá sekce zůstává kompletní.

❌ Omezení: Nefunguje, pokud dokument nemá nadpisy (chat, e-maily, transkripty).

💰 Náklady: Nízké | 📈 Kvalita: ⭐⭐ Střední

Strategie 3: Dělení podle významu (Semantic Chunking)

Technický název: Semantic Chunking

Jak funguje: AI měří, jak "podobná" je každá věta té následující. Když se téma výrazně změní, vytvoří nový chunk.

Příklad výstupu:

✅ Výhoda: Seskupuje myšlenky i bez nadpisů v dokumentu.

❌ Nevýhoda: Pomalejší, vyžaduje ladění.

💰 Náklady: Střední | 📈 Kvalita: ⭐⭐⭐ Vysoká

Strategie 4: AI-rozhodnuté dělení (Agentic/LLM-Based) ⭐

Technický název: LLM-Based Chunking / Agentic Chunking

Jak funguje: AI přečte celý text a sama rozhodne o nejlepších místech pro rozdělení na základě logiky a toku.

⚠️ Důležité: Proč NEPOSÍLAT AI celý text k označení

• 💰 Drahé (duplikuje všechny vstupní tokeny jako výstup)
• 🐢 Pomalé (masivní generování výstupu)
• ❌ Riziko halucinací (AI může změnit originální text)
• 📏 Omezení výstupního okna

Správný 3-fázový proces:

FÁZE 1: Pre-split s indexovými tagy (bez AI)

Text se rozdělí na malé kousky (~50 tokenů) s číselnými tagy:

<chunk_0>The Kepler space telescope was a space observatory launched by NASA to discover Earth-size planets orbiting other stars.</chunk_0>

<chunk_1>It was named after astronomer Johannes Kepler. Kepler's sole instrument was a photometer that</chunk_1>

<chunk_2>continually monitored the brightness of approximately 150,000 main sequence stars in a fixed field of view.</chunk_2>

<chunk_3>It looked for periodic dimming, known as transits, caused by planets crossing in front of their host star.</chunk_3>

<chunk_4>During its nine-year mission, Kepler observed 530,506 stars and confirmed 2,662 planets.</chunk_4>

<chunk_5>A key finding was that 20-50% of stars visible to the naked eye likely have small, rocky planets similar in size to Earth.</chunk_5>

<chunk_6>The mission ended in 2018 when the spacecraft ran out of fuel.</chunk_6>

<chunk_7>The telescope was deactivated, but its data continues to yield new discoveries.</chunk_7>

FÁZE 2: AI rozhodnutí (minimální výstup – jen čísla!)

AI dostane prompt: "Vrať POUZE indexy chunků, kde mají vzniknout sémantické zlomy."

AI Response: split_after: 0, 3, 5, 7

✅ AI vypíše pouze ~10 tokenů, ne celý dokument!

FÁZE 3: Programové spojení (bez AI)

Na základě split_after: 0, 3, 5, 7 se chunky spojí:

✅ Výsledek: AI rozhodla o sémanticky optimálních bodech, originální text zachován přesně, nízké náklady na tokeny.

💰 Náklady: Střední | 📈 Kvalita: ⭐⭐⭐⭐ Velmi vysoká

Strategie 5: Sumarizace / Q&A Formát

Technický název: Structured Output / Q&A Format / Propositional Indexing

Jak funguje: Místo zachování originálního textu extrahuje čistá fakta jako páry otázka-odpověď nebo strukturovaný JSON.

Příklad výstupu:

✅ Vhodné pro: FAQ systémy, databáze, když uživatelé kladou konkrétní dotazy.

❌ Nevýhoda: Ztrácí příběh a kontext mezi fakty. Může halucinovat.

💰 Náklady: Vysoké | 📈 Kvalita: ⭐⭐⭐⭐ Velmi vysoká

📊 Srovnávací tabulka chunking strategií

💡 Pro Tip: Pokud AI-Decided chunking vytvoří chunk, který přesahuje limit vaší vektorové databáze (např. 8000 tokenů), kombinujte s Summarizací. AI rozhodne o hranicích → následně se příliš velké chunky kondenzují.

Samotný chunking je jen základ. Špičkové RAG systémy používají vylepšovací techniky, které každému kousku textu dodají "supervlastnosti":

Přidání kontextu dokumentu (Document Summary)

Ke každému chunku přidáme globální kontext – název dokumentu, hlavní téma.

Bez kontextu (problém):

"The mission ended in 2018 when the spacecraft ran out of fuel."

S Document Summary:

[Zdroj: NASA Kepler Space Telescope mission (2009-2018), exoplanet detection]
"The mission ended in 2018 when the spacecraft ran out of fuel."

Vyhledávací klíčová slova (Search Keywords)

Před samotný text vložíme pravděpodobné otázky a klíčová slova:

kepler fuel end mission 2018 shutdown why did kepler stop | The mission ended in 2018...

Srovnání Enhancement strategií

7 klíčových vlastností kvalitních dat

1. Celé myšlenky, ne útržky – Text není useklý v půlce věty. AI dostane kompletní informaci.
2. Jasná hierarchie – AI přesně ví, kde hledat odpovědi a kde jsou pomocná data.
3. Předpřipravené otázky – Ke každému bloku jsou přiřazené otázky, na které odpovídá.
4. Shrnutí u každého bloku – AI okamžitě chápe kontext, nemusí číst celý dokument.
5. Propojení mezi částmi – Každý blok ví, co bylo před ním. AI chápe souvislosti.
6. Metadata pro filtraci – Datum, kategorie, zdroj. AI může hledat přesně tam, kde má.
7. Původ každé informace – AI může citovat zdroj a vy víte, že to není vymyšlené.

Příklad: Špatná vs. dobrá data

❌ Typická realita (raw_data.txt):

Chaos. Duplicity. Chybějící kontext. AI hádá.

Úřední hodiny pondělí 8-17 úterý zavřeno
středa 8-12 a 13-17 Úřední hodiny: Po
8:00-17:00, Út: zavřeno, St: 8-12, 13-17
ÚŘEDNÍ HODINY pondělí osmá až sedmnáctá
Otevírací doba: Po 8-17 městský úřad
otevřeno od 8 do 5 odpoledne v pondělí
úterý je zavíračka středa půlden a pak
znovu od jedný hodiny odpoledne kontakt
tel. 123456789 nebo email info@mě...

🏷️ Problémy: Duplicity | Nekonzistence | Chybí metadata | Špatná struktura

✅ Po naší přípravě (chunk_001.json):

Čistá struktura. Metadata. Kontext. AI ví.

{
  // Vektorově vyhledatelná pole
  "searchableFields": {
    "rag_question": "Jaké jsou úřední hodiny městského úřadu?",
    "content": "Úřední hodiny: Po 8-17, Út zavřeno, St 8-12 a 13-17",
    "source_page_summary": "Kontaktní stránka MÚ",
    "current_chunk_summary": "Otevírací doba úřadu",
    "overlap_summary": "...kontaktní údaje a adresa"
  },
  // Filtrovatelná metadata
  "metadataFields": {
    "source_url": "mestsky-urad.cz/kontakt",
    "category": "úřední hodiny",
    "date_int": 20250115,
    "language": "cs",
    "chunk_index": 3
  }
}

🏷️ Výhody: Optimalizováno pro RAG | Plná metadata | Bez duplicit | Jasná hierarchie

Co je RAGus.ai?

RAGus.ai je naše specializovaná RAG-as-a-Service platforma určená:

• AI agenturám
• Enterprise AI týmům
• RAG vývojářům
• No-code builderům (Voiceflow, Botpress)

Klíčové funkce

Jak RAGus.ai řeší halucinace

1. Čistá a strukturovaná data – Automatické čištění a deduplikace
2. Automatická synchronizace – Znalostní báze je vždy aktuální
3. Monitoring odpovědí – Kontinuální vylepšování
4. Zpětná vazba – Palec nahoru/dolů pro trénování

Výsledek: 90%+ přesnost ihned, až 99% do 3 měsíců.

Profesionální služba (doporučeno)

Pro koho:

• Nemáte kapacitu řešit přípravu dat
• Chcete garantovaný výsledek bez starostí
• Oceníte expertní vedení a podporu

Cena: od 2 500 Kč/hod nebo od 15 000 Kč za datový zdroj

👉 Objednat přípravu dat na klíč

RAGus.ai Self-service

Pro koho:

• Máte technický tým a chcete kontrolu
• Potřebujete automatizaci a škálování
• Stavíte vlastní AI produkty

Cena: od $49.99/měsíc

👉 Vyzkoušet RAGus.ai zdarma

Klíčové poznatky

1. 95% RAG projektů selhává kvůli špatné struktuře dat
2. 4 hlavní problémy: Struktura, Chunking, Metadata, Aktualizace
3. 5 chunking strategií – od jednoduché po AI-řízenou
4. Enhancement techniky dramaticky zvyšují přesnost
5. RAGus.ai nabízí kompletní řešení od přípravy po monitoring

Vytvořte si svůj "druhý mozek" pro AI

Nezáleží, kde máte data ani v jakém formátu. Vše propojíme do jednoho uceleného místa – znalostní báze, ze které AI čerpá.

Žádné hledání. Žádné hádání. Žádné halucinace.

*Máte zájem o bezplatnou konzultaci? Kontaktujte nás a ukážeme vám, jak z rozházených dat vytvořit jeden ucelený zdroj pravdy.*