Od výzkumu přes startup až do Škodovky. „Zlatý věk IT nekončí, ale mění nároky,“ říká absolvent FIT

FIT absolvoval teprve v roce 2024, přesto má za sebou řadu profesních zkušeností – od akademického výzkumu přes vedoucí pozici ve startupu až po práci pro nadnárodní korporaci. Dnes se jeho práce točí především kolem umělé inteligence. „Je to extrémně dynamická oblast, ale bez pevných základů se v ní nedá dlouhodobě obstát,“ říká Petr Pouč, který působí jako AI Engineer ve společnosti Green:Code (Škoda Auto).

FIT jste absolvoval teprve nedávno, a přesto máte v životopise výzkum, startup i korporát. Jak se to povedlo?

Moje kariéra nezačala až diplomem. Je dobré si praxi najít již během školy. Na FITu probíhá spousta výzkumných projektů a s fakultou spolupracuje řada IT firem, které nabízejí stáže. Obou těchto příležitostí jsem využil. Po státnicích jsem tak nenastupoval jako úplný junior, nemusel jsem začínat od nuly a mohl jsem si rovnou vyjednat zajímavější podmínky.

Už během studia jste se zapojil do výzkumné skupiny FETA. Byl právě tohle ten moment, který vás nasměroval k umělé inteligenci?

Jednoznačně. Právě tam jsem poprvé skutečně pronikl do hloubky strojového učení, které dnes vnímám jako klíčovou součást a základ umělé inteligence. Chtěl jsem získat první pracovní zkušenost, ale nakonec mi to ukázalo směr, kterým se chci v celé kariéře ubírat. Výzkum mi umožnil propojit teorii z přednášek s reálnými daty, což jsem pak využil i v diplomové práci. Autorsky jsem se také podílel na článku v renomovaném žurnálu Data in Brief. To všechno mi hodně pomohlo při vstupu na trh práce – když máte v životopise, že jste jako student pracoval na projektu pro ministerstvo vnitra, je to skvělý otvírák konverzace na jakémkoliv pohovoru.

Paralelně s výzkumem ve FETA jste nastoupil do brněnského startupu Lakmoos, který pomocí AI vytváří „digitální klony“ zákazníků pro průzkumy trhu. A nastoupil jste rovnou do vedoucí pozice…

To byl křest ohněm. Nastoupil jsem jako Data Science Team Lead a s minimálními pracovními zkušenostmi – a ještě menšími v oblasti vedení lidí – jsem měl najednou vést tým. Tady jsem poprvé pocítil skutečný přínos FITu. I když pro mě bylo vše nové, schopnost rychle se učit, reagovat na změny, dodržovat deadliny, pracovat ve skupině či vést projekt… to jsou všechno dovednosti, které na FITu pilujete denně. Začátek byl dost krkolomný. Zadání se měnila, lidé v týmu se střídali, často jsme pracovali přesčasy a o víkendech. Ale nakonec se vše ustálilo, firma přežila a dnes se jí daří velmi dobře. A já si odnáším schopnost vést lidi, komunikovat se zákazníky a efektivně pracovat se svým časem. Myslím, že by si každý vývojář měl startup aspoň jednou vyzkoušet, v porovnání s korporátem je to naprosto nesrovnatelná zkušenost.

Vy teď pro jeden korporát pracujete – přešel jste do struktur Škoda Auto, konkrétně do joint venture Green:Code, kde působíte jako AI Engineer. Co taková práce obnáší?

Práce AI/ML Engineera se velmi liší podle prostředí, ve kterém člověk působí. Přechod ze startupu do korporátu pro mě znamenal výraznou změnu především v dynamice a tempu práce. Ve startupovém prostředí je kladen extrémní důraz na rychlost dodání. Pokud je deadline stanoven na pátek, chceme to stihnout do středy. Naproti tomu korporátní prostředí se vyznačuje mnohem delšími schvalovacími procesy a termíny se vnímají s větší rezervou. Projekt s původním deadlinem v říjnu se klidně přesune na prosinec a v konečném důsledku je za úspěch považováno i dokončení v březnu.

Co se týče samotné náplně práce, moje role se v čase dost proměnila. Dříve jsem se ve výzkumu věnoval samotným architekturám neuronových sítí, šel jsem do hloubky a zkoumal, jak se modely chovají. Dnes, v produkčním prostředí, se pohybujeme o několik úrovní abstrakce výše. Primárně nevyvíjíme modely od nuly, ale orchestrujeme silné předtrénované modely, jako jsou modely od OpenAI nebo open-source varianty typu Llama. Role moderního ML Engineera je mnohem více o stavbě robustního ekosystému kolem těchto modelů a o jejich efektivní integraci do firemních procesů.

To zní, jako by se práce programátora zjednodušovala. Znamená to, že už nemusíte rozumět tomu, co se děje „pod kapotou“, a stačí jen správně zaúkolovat AI?

Právě naopak, ta role je dnes neuvěřitelně komplexní. Musíte rozumět celé pipeline – od extrakce a strukturování dokumentů přes prompt engineering až po správu vektorových databází jako Qdrant, což zahrnuje práci s embedding modely, similarity metrikami a indexací pro RAG architektury. Navrhujete škálovatelná API, která musí zvládnout tisíce dotazů a řešit rate limiting nebo fallback mechanismy. Musíte umět kriticky myslet – řešit, proč model halucinuje, jak systematicky odstranit bias a jestli je pro daný úkol prioritou rychlost, nebo přesnost. Jde o explorativní analýzu, nebo produkční nasazení? Tato rozhodnutí pak ovlivňují celou architekturu řešení. A co je v této oblasti možná nejtěžší, je naprosto nezbytné být neustále v obraze. Vycházejí nové technologie, nové knihovny, nové modely, nové best practices. Občas mám pocit, že když odjedu na týden na dovolenou, vrátím se do světa, který už je zase o kus jinde. Je to extrémně dynamické prostředí, což je na této práci nejvíc vzrušující.

Jde tedy o vysoce odbornou práci. Přesto se v médiích často objevují titulky, že „zlatý věk IT končí“ a že programátory brzy nahradí umělá inteligence. Jak se na to díváte?

Je pravda, že vznikají nové fenomény jako „vibe-coding“, kdy si lidé nechávají generovat kód, aniž by mu hlouběji rozuměli. Tento přístup má však jasné limity ve chvíli, kdy je potřeba řešit chyby, debugovat neočekávané chování, posoudit bezpečnostní rizika, optimalizovat výkon pod zátěží nebo zajistit stabilní škálovatelný provoz v produkci. Vidím to tak, že zlatý věk IT nekončí, ale mění se nároky. Junior programátor, který jen mechanicky píše kód podle zadání, to bude mít těžké a možná nebude potřeba. Naopak odborníci, kteří rozumí systémům v celé jejich komplexitě, kteří dokážou navrhnout robustní řešení, identifikovat rizika, zajistit bezpečnost a škálovatelnost, ti budou pořád velmi žádaní. Možná dokonce víc než kdykoliv předtím.

Takže FIT VUT a jeho pověstná náročnost je stále relevantní?

Absolutně. FIT mi dal solidní základ – když rozumíte algoritmům, datovým strukturám, síťovým protokolům, základním principům softwarového inženýrství, dokážete se přizpůsobit čemukoliv. Technologie se mění každý rok, ale tyhle principy zůstávají. Zejména v oblastech, jako jsou kyberbezpečnost, systémová architektura, cloud, sítě či embedded systémy, hloubka znalostí opravdu dělá rozdíl. Jsou to všechno oblasti, kde AI sice může pomoct s jednotlivými úkoly, ale nikdy nenahradí člověka, který rozumí celému kontextu a dokáže dělat kritická rozhodnutí.

Vy sám pro Škodovku vytváříte řešení, která mají lidem práci usnadnit. Kde je ale podle vás hranice mezi „pomocí“ a momentem, kdy AI člověka úplně nahradí?

Zastávám názor, že AI lidi nenahradí. Ale lidé, kteří AI efektivně využívají, nahradí ty, kteří se jí brání. Oddělení, ve kterém pracuji, se zaměřuje na vývoj interních AI aplikací, které mají lidem ušetřit spoustu starostí a času. Momentálně například vyvíjíme „sémantický checklist“ pro výrobu. Ten za technologa projde složitou dokumentaci, od logiky a gramatiky přes formální náležitosti až po správnost odkazů a soulad s manuály, a generuje návrhy konkrétních úprav. Nebo pracujeme na interním vyhledávači typu RAG, který dokáže z desítek gigabajtů interních dokumentů najít přesnou odpověď na technický dotaz a zvýraznit relevantní pasáže. To nejsou nástroje, které by člověka připravily o místo, jen mu tu práci usnadní.

Říkáte, že se technologie mění pod rukama. Máte v takovém prostředí vy sám nějaký dlouhodobý kariérní plán?

Momentálně jsem spokojený s projekty, na kterých pracuji, mají reálný dopad a technicky mě stále posouvají dopředu. Zároveň si uvědomuji, že odvětví, ve kterém se pohybuji, je extrémně dynamické, neustále se posouvají hranice toho, co je technicky realizovatelné, a vznikají zcela nové oblasti. Nějaké konkrétní dlouhodobé plány do budoucna tedy nemám, přijde mi, že postrádají smysl. Zastávám názor, že v IT je vzdělávání nekonečný proces. Je důležité nezakrnět, průběžně si udržovat přehled, experimentovat s novými technologiemi, sledovat výzkum a umět rychle přizpůsobit svoje řešení tomu, co funguje nejlépe.

Byl to pro vás skok do hluboké vody, přijít ze školy do takového prostředí? Jak vypadal váš přechod ze studia do práce?

Popravdě, byl vlastně velmi příjemný. Intenzivní příprava na státnice a nabitá zkoušková období mě naučily efektivně hospodařit s časem. Po dokončení studia jsem měl prvních pár měsíců pocit, že můj den má najednou 30 hodin (smích). Ale dnes právě náročnost a praktické zaměření vnímám jako největší benefit FITu. Drtivá většina předmětů má součástí zápočtu praktické projekty, všichni studenti mají tedy možnost přenést své znalosti do praxe. FIT mi také přinesl spoustu kontaktů, známostí a kamarádů, což se v IT oboru velmi hodí, protože tyto vztahy často přinášejí zajímavé pracovní příležitosti.

Vraťme se ale úplně na začátek. Tíhl jste k technologiím už jako dítě, nebo nápad studovat IT vznikl až před maturitou?

K technologiím mě to táhlo od mala. Počítače mě fascinovaly. Pamatuji si, jak mi rodiče museli doma vypínat Wi-Fi nebo zamykat ložnici s routerem, aby mě donutili věnovat se taky škole. Definitivní rozhodnutí ale padlo až na gymnáziu při výběru seminářů. V té době jsem si ještě nedokázal představit, co přesně se za tím skrývá, ale programování znělo prostě ‚hustě‘. Navíc ho vyučoval můj oblíbený třídní učitel, což hrálo velkou roli.

Proč to tehdy u vás „vyhrál“ zrovna FIT?

Tehdy na semináři prezentovali studenti z IT fakult, kteří říkali: ‚Jestli chcete mít klidný život, jděte jinam. FIT je dřina.‘ Otočil jsem se tehdy na svého nejlepšího kamaráda a říkám, jak trapné by bylo vybrat si školu jen proto, že je lehká. Lákala mě ta výzva. FIT měl pověst prestižní a náročné fakulty, a to se mi líbilo.

Vzpomenete si na první dojmy z fakulty?

Pamatuji si to naprosto přesně. Prvních pár dní byl nářez, byli jsme přehlceni informacemi. V paměti mi nejvíc utkvěla věta jednoho z vyučujících z úvodní přednášky: ‚Podívejte se nalevo, podívejte se napravo. Z vás tří na konci studia zůstane jen jeden.‘ Tohle ‚strašení‘ ale bylo důležité – nedovolilo nám na začátku polevit. Nakonec ale neměl tak úplně pravdu. S kamarády z obou mých stran jsme úspěšně dokončili studium, dokonce to inženýrské (smích).

Ing. Petr Pouč je absolventem Fakulty informačních technologií VUT v Brně (2024). Svou kariéru v IT odstartoval již během studia ve výzkumné skupině FETA, kde se podílel na projektech využívajících strojové učení. Manažerské zkušenosti získal jako Data Science Team Lead v brněnském startupu Lakmoos, kde působí dodnes. Souběžně pracuje jako Machine Learning Engineer ve společnosti Green:Code (Škoda Auto), kde se specializuje na implementaci AI nástrojů do firemních procesů.