OpenAI API v praxi: integrace AI do podnikových systémů

Kurz nabízí praktický návod, jak integrovat modely OpenAI prostřednictvím API do firemních aplikací a systémů. Účastníci se seznámí s generováním textu a obrázků, prací s hlasem, embeddingy, využíváním nástrojů a pokročilejšími možnostmi integrace AI. Naučí se také optimalizovat výkon, náklady a bezpečnost při nasazování AI řešení. Důraz je kladen na praktické příklady a postupy využitelné ve vlastních projektech. Kurz je určen vývojářům, IT architektům a AI konzultantům se zkušenostmi s programováním a REST API.

Lektor kurzu

JAROSLAV ČECH

Jaroslav Čech je zkušený softwarový architekt a AI konzultant s více než 30 lety praxe v IT. Spolupracoval se společnostmi BMW, O2, ČEZ či PPL a stál u zrodu úspěšné platformy mluvii.

Více o lektorovi

Dnes se specializuje na AI agenty, RAG systémy, podnikové AI integrace a nástroje GitHub Copilot a Codex. Ve svých kurzech propojuje hluboké technické znalosti s praktickými zkušenostmi z reálných projektů a předává účastníkům postupy okamžitě využitelné v praxi.

Cílová skupina

• Vývojáři backendových i frontendových aplikací, kteří chtějí integrovat AI do svých řešení.
• IT architekti, kteří navrhují nebo plánují systémy využívající AI.
• AI konzultanti, kteří hledají praktické postupy pro integraci modelů OpenAI do firemních aplikací.

Cíle kurzu

• Získat přehled o možnostech OpenAI API a jejich využití při vývoji aplikací.
• Naučit se pracovat s jednotlivými funkcemi API na praktických příkladech.
• Porozumět možnostem integrace generativní AI, embeddingů a nástrojů do podnikových systémů.
• Seznámit se s principy bezpečného nasazení, optimalizace výkonu a řízení nákladů.
• Získat praktické postupy využitelné při návrhu a implementaci vlastních AI řešení.

Osnova kurzu

1. Přehled OpenAI API a volba vhodného rozhraní 

• ChatGPT jako aplikace vs. OpenAI API jako služba pro vlastní software.
• API projekty, přístupová oprávnění, účtování a dostupnost modelů.
• Responses API: generování, multimodální vstupy, strukturované výstupy a nástroje.
• Chat Completions: orientace ve stávajících integracích.
• Agents SDK a Agents API: vlastní orchestrace vs. spravovaný agentní běh.
• Text, obrázky, audio, embeddings a moderace: přehled schopností.
• Rozdíl mezi jedním voláním modelu, pevným workflow a agentem.
• Výběr modelu podle kvality, rychlosti, ceny a podporovaných funkcí.
• Dostupnost funkcí, verzování modelů a sledování ukončované podpory.

2. První integrace: od požadavku k odpovědi ve frontendu 

• Oficiální SDK a přímé HTTP volání.
• API klíče na backendu, správa konfigurace a oddělení prostředí.
• Sestavení požadavku: instrukce, vstupy a parametry podporované modelem.
• Práce s textem, dokumentem a obrazovým vstupem.
• Správné čtení odpovědi: text, volání nástrojů a další výstupní položky.
• Streaming: průběžné předávání výsledku z API přes backend do frontendu.
• Dokončení, přerušení a zrušení požadavku.
• Chybové odpovědi, request ID a základní diagnostika.
• Proč nelze automaticky přebírat všechny parametry mezi různými modely.

3. Strukturované výstupy a automatizace podnikových rozhodnutí 

• Klasifikace, extrakce údajů, sumarizace a směrování požadavků.
• Structured Outputs a JSON Schema.
• Rozdíl mezi validním JSON, dodržením schématu a věcnou správností.
• Povinné položky, enumy, chybějící hodnoty a vnořené struktury.
• Deserializace do aplikačních typů a následná validace.
• Ošetření odmítnuté nebo neúplné odpovědi.
• Práce s nejednoznačnými údaji a předání případu člověku.
• Verzování promptu, schématu a pravidel validace.
• Náhled Decisions API pro klasifikaci, ověření podmínky a hodnocení; aktuálně veřejná beta, nikoli povinná součást praktického projektu.

4. Function calling, MCP a propojení s podnikovými systémy 

• Návrh nástroje: název, popis, parametry a výstup.
• Model navrhuje volání; aplikace ověřuje oprávnění a provádí vlastní funkci.
• Cyklus volání nástroje a předání výsledku zpět modelu.
• Napojení REST API, databáze, ERP, CRM nebo ticketovacího systému.
• Oddělení nástrojů pro čtení od nástrojů měnících stav.
• Validace argumentů, timeouty a zpracování chyb.
• Idempotence: prevence opakovaného založení objednávky nebo ticketu.
• Schvalování významných akcí a omezení počtu kroků.
• MCP jako standardizované připojení externích nástrojů.
• Přehled hostovaných nástrojů: web search, file search a spouštění kódu podle zvoleného API.
• Kdy postačí pevné workflow a kdy se vyplatí agentní orchestrace. 

5. Firemní znalosti, RAG a správa konverzací 

Práce s firemními znalostmi

• Embeddings: význam vektorové reprezentace a její využití.
• Vlastní retrieval nad databází vs. hostovaný File Search.
• Nahrání dokumentů, indexace, metadata a životní cyklus dat.
• Výběr podkladů a odpovědi s citacemi.
• Přístupová práva ke zdrojům a oddělení tenantů.

Stav aplikace a konverzace

• Vlastní historie vs. návaznost odpovědí a Conversations API.
• Kontext modelu, uložený stav a dlouhodobá aplikační paměť.
• Identifikace uživatele, konverzace a zpracovávané úlohy.
• Omezení kontextu, shrnování a náklady opakovaných vstupů.
• Proč víceuživatelská aplikace nevyžaduje agentní architekturu.

6. Multimodalita, Realtime a asynchronní zpracování 

• Obrazové vstupy: analýza dokumentu, fotografie nebo screenshotu.
• Generování a úprava obrázků jako samostatný integrační scénář.
• Speech-to-Text a Text-to-Speech.
• Hlasový asistent: přepis → textové zpracování → syntéza vs. přímá hlasová interakce.
• Realtime API a obousměrná komunikace s nízkou latencí.
• Moderace obsahu a její odlišnost od validace obchodních pravidel.

7. Bezpečnost, ochrana dat a provozní spolehlivost 

• Backend jako místo pro autentizaci, autorizaci a řízení přístupu.
• Projektové klíče, servisní identity, správa tajemství a rotace.
• Minimalizace a anonymizace odesílaných dat.
• Rozdíl mezi použitím dat pro trénování, provozními logy a uloženým stavem.
• Retence, mazání souborů a konverzací, data residency a podmínky ZDR.
• Ověření pravidel pro konkrétní endpoint a použitý nástroj.
• Prompt injection v dokumentech a výsledcích nástrojů.
• Limity oprávnění, schvalování zápisů a audit skutečně provedených akcí.
• Rate limits, timeouty, retry s backoffem a rozlišení opakovatelných chyb.
• Fronty, omezení souběhu a zotavení po výpadku.
• Korelační identifikátory a logování bez úniku citlivých dat.

8. Praktický workshop: příchozí dokument → ověřený návrh záznamu 

• Přijetí e-mailu, textu nebo dokumentu.
• Klasifikace a extrakce do definovaného schématu.
• Ověření zákazníka a položek prostřednictvím nástrojů.
• Doplnění potřebných pravidel z interní dokumentace.
• Zobrazení výsledku, zdrojů a nevyřešených údajů operátorovi.
• Schválení a uložení do testovacího systému.
• Ochrana proti duplicitnímu zpracování.
• Auditní záznam, měření latence a spotřeby.
• Test neúplného dokumentu, neznámé položky a nedostupného API.

9. Evaluace, optimalizace nákladů a další postup 

Cíl: Rozhodovat o kvalitě a přínosu integrace podle výsledků.

• Malá testovací sada odvozená z reálných případů.
• Správnost extrakce, úspěšnost celého procesu a četnost lidských oprav.
• Regresní testy při změně modelu, promptu nebo schématu.
• Menší modely pro jednodušší úlohy a řízený přechod na výkonnější model.
• Omezení vstupního kontextu, délky výstupu a počtu volání.
• Prompt caching vs. aplikační cache hotových odpovědí.
• Batch pro vhodné hromadné úlohy.
• Cena za úspěšně zpracovaný případ včetně kontroly a oprav.
• Plán pilotu, kritéria nasazení a Q&A.

Požadavky na účastníky

• Praktická znalost alespoň jednoho programovacího jazyka: Python, C# (většina ukázek bude v těchto jazycích) nebo JavaScript včetně prostředí a frameworků jako Node.js, React či Angular.
• Znalost práce s Gitem a verzovacími systémy.
• Pokročilejší znalost REST API – volání endpointů a zpracování odpovědí.

Technické požadavky

• Vlastní notebook s připojením k internetu.
• Nainstalované vývojové prostředí pro používaný programovací jazyk.
• Přístup k OpenAI API a možnost využívat API kredity pro praktická cvičení (konkrétní požadavky budou upřesněny před kurzem).