Povyrost: jak z prototypu udělat produkční aplikaci s AI

AI umí prototyp rychle. Produkční aplikace ale musí zvládnout účty, cizí data, zálohy, mazání a chyby, které se objeví až u dalších lidí. Přesně na tomto rozdílu stojí příběh Povyrostu.

Povyrost začínal jako nápad a lokální prototyp. AI pomohla s produktovým plánováním, UX, implementací i testy. Zásadní obrat ale nastal, když se aplikace dostala k dalším lidem: přešla z funkční ukázky na webovou službu s účty, backendem, synchronizací, platebními tarify a pravidly pro práci s daty.

Dnes je Povyrost ve veřejné testovací verzi. Rodiče v něm evidují dětské oblečení a vybavení, velikosti, umístění i stav věcí. AI z dávkové fotografie navrhuje jednotlivé položky a jejich atributy, například název, kategorii nebo velikost. Uživatel návrh potvrzuje.

Rozhraní aplikace Povyrost s registrací, přihlášením a demo režimem bez účtu.

ZDROJ: app.povyrost.cz ↗

Prototyp není totéž co produkce

Diskuze mluví o „dotáhnutí aplikace do produkce“. Odborně jde o přechod z funkčního prototypu na produkční systém: změnit způsob ukládání dat, přidat více uživatelů, vyřešit současné úpravy, oprávnění, obnovu po chybě, testování, monitorování a provozní správu.

Právě zde je know-how z diskuse nejcennější. AI je užitečný pomocník při plánování a tvorbě jednotlivých částí, ale nevlastní invarianty systému. Autorka se proto nezamýšlela pouze nad kódem. Řešila:

• izolaci dat jednotlivých účtů a přihlašování;
• synchronizaci změn mezi zařízeními;
• zálohy, obnovu a trvalé mazání;
• oprávnění, oddělená prostředí a návrat nepovedených změn;
• testy, produkční nasazení, administraci a platby.

Další diskutující upozornili na zásadní rozdíl mezi kódem a udržitelným produktem. Kód, který vyhovuje jednomu scénáři, může být jen malou částí práce. Produkční aplikace potřebuje opravy, podporu, předvídatelná vývojová prostředí a průběžné ověřování změn.

AI pomáhá i v testech, ale testy musí zachycovat skutečné invarianty: data jednoho uživatele nesmějí prosáknout do účtu druhého, smazání musí odstranit data i ze záloh a předchozí verze aplikace musí bezpečně převést nové schéma databáze.

Veřejná prezentační stránka Povyrostu popisuje evidenci dětského oblečení a AI rozpoznávání štítků.

ZDROJ: povyrost.cz ↗

AI rozpoznává atributy, nespravuje sklad

Komunita považuje fotografické rozpoznávání za hlavní hodnotovou funkci Povyrostu. Rodič vyfotí více kusů najednou a AI navrhne položky, které pak člověk potvrdí nebo opraví. To je užitečné zvláště u hromadného třídění prádla.

Přesněji jde o multimodální klasifikaci a obohacení katalogu, nikoli o plnohodnotnou evidenci jednotlivých fyzických kusů. Model může odhadnout typ, barvu, kategorii či velikost, ale nemá stabilní identitu konkrétního kusu. Z podobné fotografie může také navrhnout jiný výsledek. Model nepozná, že druhé tričko je přesně stejné jako první a už v katalogu existuje.

Dedikovaný katalogový systém proto musí navržené položky převést na záznamy s kontrolovaným schématem, prahem kvality a lidskou opravou. Samotné označení „AI rozpoznáno“ neznamená, že záznam smí být uložen.

Praktickou šablonu pro vyhodnocení rozpoznávání lze sestavit takto:

Identify individual items in [popis scény].
Return each item as [název, typ, barva, velikost, confidence].
Use [seznam materiálů] only when visible in the image.
Keep the output in [cílový styl] and validate it against a strict schema.
Flag [nežádoucí artefakty], duplicates, and uncertain attributes for human review.

Vlastní zkušenost Povyrostu je v dávkovém zadání a následném rychlém lidském potvrzení. Komunita ale upozornila na slepé místo: velikost často nelze spolehlivě určit z detailu visačky, z tisku na opotřebeném prádle nebo z předmětu bez viditelného štítku. Podobné kusy v různých velikostech jsou přitom běžné.

Jak to funguje pod kapotou a kde má postup limity

Rozpoznávání bude nejlépe fungovat na čistých katalogových fotografiích. Telefonní snímek v předsíni, překryv kusů, stín nebo silné zploštění výsledek zhoršují. Bez testovací sady z reálných domácností nelze z dema odvodit kvalitu v provozu.

Druhou slabinou je nedeterminismus. Bez pevného výstupního schématu, hodnoty confidence a prahu pro ruční kontrolu se chyba může přenést do databáze. Deduplikace navíc vyžaduje porovnání s existujícím katalogem; podobnost obrazu není totéž co sériové číslo nebo potvrzení stejného kusu.

Vyhodnotit funkci lze na zlaté sadě přibližně 100–300 reálných fotografií. Přesnost je vhodné měřit zvlášť pro typ, barvu a velikost, zaznamenávat chybovost ručních oprav a při výměně modelu spouštět regresní testy.

Samotný AI model nevyřeší:

• autorizaci a oddělení uživatelských dat;
• migrace databázového schématu;
• zálohy, výmaz a obnovu;
• předplatné a daňové povinnosti;
• smlouvy s dodavateli infrastruktury;
• smazání dat z kopií u subdodavatelů.

Právní základ, souhlas rodiče nebo výmaz z natrénovaného modelu nelze vygenerovat příkazem v promptu. Ani dlouhý agentní přepis nepřidá schopnost trvale držet bezpečnostní invarianty. Musí je hlídat kód, databáze, testy a smluvní nastavení.

Bezpečnost, GDPR a peníze

Povyrost v zásadách ochrany osobních údajů uvádí, že demo zůstává v prohlížeči a data se na server neposílají. Přihlašovací kód je chráněn službou Cloudflare Turnstile. IP adresa a údaje o prohlížeči se podle zásad uchovávají pouze jako otisk po dobu nejvýše 24 hodin. Účet, který neobdrží potvrzení podmínek a nemá data, se po ověření smaže.

Tím se nezruší odpovědnost za celý datový tok. Je nutné ověřit, zda se ke cloudovému poskytovateli posílají fotografie dětí, jak dlouho se ukládají, kdo k nim přistupuje a zda je smazání skutečně odstraní ze všech kopií. Diskuze správně upozornila také na zpracovatelské smlouvy s poskytovateli infrastruktury, IP adresy a identifikátory zařízení. Zásady AI governance je proto třeba chápat jako mapu toků, ne jako jediný dokument na konci projektu.

Ekonomika AI modulu musí počítat cenu jedné úspěšně zařazené položky, ne jen cenu jednoho API volání. Do rovnice patří API, úložiště, zálohy, monitoring, podpora, platby a daně. Důležitější než počet stažení je počet pravidelně platících uživatelů, kteří aplikaci kvůli úspoře času skutečně používají.

Jeden z diskutujících navrhl modelovat 100 tisíc korun tržeb měsíčně, odpočítat provize obchodů, DPH a daň ze zisku. Bez konkrétních tržeb Povyrostu jde jen o model, nikoli o ověřený výsledek. Pro reálnou udržitelnost je potřeba měřit čas ručního zadání, podíl potvrzených návrhů, korekce, náklad na položku a míru odchodů.

Co si z toho vzít

• AI výrazně zrychluje prototypování, UX, implementaci a testování, ale neodstraňuje odpovědnost za architekturu a provoz.
• Produkční systém musí řešit účty, autorizaci, synchronizaci, zálohy, mazání, migraci i návrat chybných změn.
• AI rozpoznávání je návrhář katalogu; lidské potvrzení je součástí funkce, ne výjimkou.
• Kvalitu je nutné měřit na reálných datech podle jednotlivých atributů a průběžně testovat regrese.
• Udržitelnost určuje cena jednoho úspěšně zařazeného kusu včetně podpory, ne ceník samotného API.
• Zásady ochrany osobních údajů musí pokrývat celý tok včetně fotografií, IP adres, identifikátorů zařízení a subdodavatelů.