AI Specialist
Tři výzvy. Tři řešení. Postaveno prakticky.
Jan Šubrt
Prozkoumat řešeníAutomatická klasifikace klíčových slov pomocí AI
Vstupní CSV s tisíci KW → sémantické clustery → pojmenované skupiny pomocí LLM — bez manuální práce.
KW Clustering — Pipeline
Technické řešení
import openai
import numpy as np
from sklearn.cluster import KMeans
from sklearn.preprocessing import normalize
def cluster_keywords(keywords: list[str], n_clusters: int = 10) -> dict:
# 1. Získej embeddings
response = openai.embeddings.create(
model="text-embedding-3-small",
input=keywords
)
embeddings = [e.embedding for e in response.data]
# 2. Normalizuj vektory
X = normalize(np.array(embeddings))
# 3. K-means clustering
kmeans = KMeans(n_clusters=n_clusters, random_state=42, n_init=10)
labels = kmeans.fit_predict(X)
# 4. Pojmenuj clustery pomocí LLM
clusters = {}
for i, (kw, label) in enumerate(zip(keywords, labels)):
clusters.setdefault(label, []).append(kw)
return name_clusters_with_llm(clusters)Live Demo — AI Clustering
Vložte klíčová slova oddělená čárkami a klikněte na "Spustit clustering"
Batch překladová pipeline s faktickou validací
Hromadný překlad produktových popisků z Google Sheets s automatickou kontrolou faktické přesnosti.
Pipeline vizualizace
Async překladová pipeline
async def translate_and_validate(product: dict, target_langs: list[str]) -> dict:
results = {}
for lang in target_langs:
# Přeložení s kontextem
translation = await translate_with_context(
text=product["description"],
source_lang="cs",
target_lang=lang,
product_params=product["params"] # klíčové parametry
)
# Faktická validace
validation = await validate_facts(
original=product["description"],
translated=translation,
params=product["params"],
lang=lang
)
results[lang] = {
"text": translation,
"confidence": validation.score,
"issues": validation.issues, # ["Chybná délka: 120cm vs 122cm"]
"status": "approved" if validation.score > 0.95 else "review"
}
return resultsLive Demo — Přeložit a validovat
Vložte produktový popis v češtině, vyberte jazyky a spusťte překlad s faktickou validací.
Monitoring viditelnosti webů v AI asistentů
Automatický systém měřící, jak často jsou weby klientů zmiňovány v odpovědích ChatGPT, Claude a Perplexity.
Architektura systému
Viditelnost v AI (posledních 90 dní)
Počet zmínek podle AI asistenta
Implementace monitoring agenta
async def check_ai_visibility(domain: str, prompts: list[str]) -> list[Mention]:
mentions = []
for prompt in prompts:
# Paralelně dotazuj všechny AI
responses = await asyncio.gather(
query_chatgpt(prompt),
query_claude(prompt),
query_perplexity(prompt)
)
for ai_name, response in zip(["ChatGPT", "Claude", "Perplexity"], responses):
if domain in response.text:
mentions.append(Mention(
domain=domain,
ai_assistant=ai_name,
prompt=prompt,
excerpt=extract_context(response.text, domain),
sentiment=analyze_sentiment(response.text),
timestamp=datetime.now()
))
return mentionsLive Check — Zkontrolovat AI viditelnost
Zadejte doménu a prompty — systém se dotáže Claude a vyhodnotí, zda doménu zmíní.
Jan Šubrt
AI & Automation Specialist
Stavím AI nástroje, které šetří čas a přinášejí výsledky. Specializuji se na LLM integrace, automatizace workflow a interní nástroje pro marketingové týmy. Tento web jsem postavil jako praktickou ukázku pro pohovor u Proficio/Keypers.
Pojďme posunout Keypers na další úroveň
Máte výzvy s AI automatizací, keyword analýzou nebo monitoring visibility? Pojďme si promluvit.