Ako spracovať video, webinár a PDF do znalostnej databázy pre AI

Firma môže mať mimoriadne hodnotné know-how a napriek tomu ho prakticky nevedieť používať.

Predstavme si odborný webinár rozdelený do desiatich videí.

K tomu máme:

• 10 video kapitol vo formáte MP4,
• jeden pracovný materiál v PDF,
• niekoľko hodín hovoreného odborného obsahu,
• praktické príklady, ktoré vo firemnom webe ani dokumentácii nikde inde nie sú.

Z pohľadu človeka je to hodnotný obsah.

Z pohľadu klasického vyhľadávania však vzniká problém.

Ak si niekto spomenie:

„V treťom videu sa niekde hovorilo o tejto situácii.“

môže mu zostať jediná možnosť:

otvoriť video a hľadať.

Pri jednej nahrávke sa to ešte dá zvládnuť.

Pri desiatkach webinárov a stovkách hodín videa už nie.

Práve tu môže byť veľmi užitočné spracovať video, audio a súvisiace dokumenty do znalostnej vrstvy, nad ktorou dokáže AI vyhľadávať.

Používateľ potom nemusí vedieť, v ktorom videu alebo na ktorej strane PDF sa odpoveď nachádza.

Môže jednoducho položiť otázku.

A kvalitne navrhnutý systém dokáže odpovedať napríklad:

„Táto téma je vysvetlená v 3. kapitole webinára približne od 11:20. Súvisiaci postup nájdete aj na strane 18 pracovného materiálu.“

To je výrazne viac než obyčajný prepis videa.

Vytvárame vyhľadateľnú znalostnú databázu, ktorá prepája text, video, časové značky, dokumenty a AI.

Video samo osebe nie je ideálny zdroj pre textové AI vyhľadávanie

Človek dokáže pozerať video a rozumieť tomu, čo prednášajúci hovorí.

Pri rozsiahlej knowledge base však potrebujeme obsah dostať do štruktúry, v ktorej ho dokážeme:

• vyhľadávať,
• porovnávať,
• spájať s ďalšími zdrojmi,
• citovať,
• odkazovať na konkrétnu časť.

Pre hovorený obsah je preto prvým praktickým krokom spravidla transkripcia.

Základný proces môže vyzerať takto

VIDEO / WEBINÁR
       |
       v
AUDIO
       |
       v
TRANSKRIPT
       |
       v
ČISTENIE A ŠTRUKTÚRA
       |
       v
SEGMENTY + TIMESTAMPY
       |
       v
CHUNKING
       |
       v
EMBEDDINGY
       |
       v
VEKTOROVÉ VYHĽADÁVANIE
       |
       +-------------------+
       |                   |
       v                   v
     PDF                ĎALŠIE ZDROJE
       |                   |
       +---------+---------+
                 |
                 v
          AI VYHĽADÁVANIE
                 |
                 v
      ODPOVEĎ + KONKRÉTNY ZDROJ

V praxi je však medzi jednotlivými krokmi veľa rozhodnutí, ktoré ovplyvnia kvalitu výsledku.

Krok 1: najskôr si určíme, čo chceme na konci dosiahnuť

Pred spracovaním prvého videa je veľmi užitočné definovať výsledok.

Chceme iba:

„Vedieť vyhľadávať v prepisoch?“

Alebo chceme systém, ktorý dokáže:

• odpovedať na otázky naprieč všetkými webinármi,
• uviesť konkrétny zdroj,
• odkázať na konkrétnu minútu videa,
• prepojiť video s PDF,
• vytvárať z obsahu články,
• ponúknuť audio verziu ako podcast,
• sprístupniť časť obsahu pre verejné AI a klasické vyhľadávanie.

Architektúra bude podľa odpovede odlišná.

Náš modelový príklad: 10 MP4 + jedno PDF

Predstavme si konkrétny odborný webinár.

WEBINÁR
 |
 +-- video-01.mp4
 +-- video-02.mp4
 +-- video-03.mp4
 +-- video-04.mp4
 +-- video-05.mp4
 +-- video-06.mp4
 +-- video-07.mp4
 +-- video-08.mp4
 +-- video-09.mp4
 +-- video-10.mp4
 |
 +-- pracovny-material.pdf

Nechceme z toho vytvoriť iba jeden obrovský textový súbor.

Chceme zachovať informáciu:

• z ktorého videa text pochádza,
• z ktorej kapitoly,
• v akom čase bol vyslovený,
• či má súvisiaci materiál v PDF,
• aká téma sa tam rieši.

Práve metadata neskôr umožnia AI povedať používateľovi nielen odpoveď, ale aj:

„Pozrite si video 3 od 11. minúty.“

Krok 2: potrebujeme z videa audio?

Nie vždy.

Moderné transkripčné API môžu podporovať aj video kontajnery ako MP4 priamo.

Technicky teda nemusíme za každú cenu vytvoriť:

MP4
 |
 v
MP3
 |
 v
TRANSKRIPCIA

Môžeme mať aj:

MP4
 |
 v
TRANSKRIPCIA

Napriek tomu môže byť extrakcia audia veľmi praktická.

Prečo môže dávať zmysel audio oddeliť?

Video obsahuje obrazovú stopu, ktorú pri čistej transkripcii hovoreného slova nemusíme potrebovať.

Samostatný audio súbor môže byť:

• menší,
• rýchlejší na prenos,
• jednoduchší na archiváciu transkripčného workflow,
• použiteľný aj ako základ podcastovej verzie.

Najmä pri niekoľkohodinových webinároch môže byť rozdiel v prenášaných dátach významný.

Extrakcia audia nemusí znamenať ďalšiu AI službu

Na oddelenie zvuku z videa nepotrebujeme ďalší platený AI nástroj.

Ide o štandardnú multimediálnu operáciu.

Môžeme ju vykonať napríklad serverovo pomocou nástroja ako FFmpeg alebo inou vhodnou multimediálnou knižnicou.

Zjednodušene:

WEBINAR-03.MP4
      |
      v
EXTRAKCIA AUDIO STOPY
      |
      v
WEBINAR-03.MP3

Výhodou je, že zdrojové platené video nemusíme kvôli samotnej extrakcii posielať do ďalšej externej AI služby.

Samotná MP3 však nie je cieľ

Audio je stále lineárny obsah.

Ak niekto chce nájsť jednu konkrétnu odpoveď v dvojhodinovej nahrávke, problém sme ešte nevyriešili.

Potrebujeme text.

Krok 3: transkripcia

Transkripcia prevedie hovorené slovo na text.

Z:

00:11:20
„Pri tomto type prípadu je dôležité najskôr...“

získame textovú reprezentáciu, s ktorou už môžeme ďalej pracovať.

Pri profesionálnom spracovaní však nechceme iba výsledok:

dlhý text bez akejkoľvek štruktúry

Chceme zachovať aj čas.

Timestamp je veľmi cenná informácia

Ideálne môžeme pracovať so segmentmi:

video_id: 3

start: 00:10:52

end: 00:11:37

text:
„...“

Vďaka tomu neskôr vieme odpoveď spojiť s konkrétnou časťou pôvodného videa.

Používateľ tak nemusí veriť iba AI.

Môže si pôvodné vysvetlenie okamžite pozrieť.

Presnosť timestampov závisí od transkripčného workflow

Nie každý transkripčný režim poskytuje rovnakú granularitu časových značiek.

Ak potrebujeme odkazovať na presné sekundy alebo segmenty, túto požiadavku musíme zohľadniť už pri výbere spôsobu transkripcie.

Alternatívou je tiež spracovať audio v definovaných časových segmentoch a zachovať ich pôvodné časové offsety.

Dôležitý princíp je:

Časovú informáciu nesmieme stratiť počas prvého spracovania, ak ju chceme neskôr používať.

Krok 4: odborná terminológia

Automatická transkripcia môže mať problém s:

• menami,
• názvami produktov,
• skratkami,
• odbornou terminológiou,
• cudzími slovami.

Predstavme si odborný webinár, kde sa opakovane používajú špecifické názvy.

Ak sa jeden kľúčový pojem prepíše piatimi spôsobmi, znižuje sa aj kvalita následného vyhľadávania.

Preto má zmysel transkripcii poskytnúť kontext alebo zoznam očakávanej terminológie, ak použitá služba takúto možnosť podporuje.

Po transkripcii potrebujeme kontrolu

Automatický prepis by sme nemali automaticky považovať za dokonalý zdroj pravdy.

Najmä pri odborných materiáloch má význam kontrolovať:

• odborné výrazy,
• mená,
• číselné údaje,
• skratky,
• miesta, kde transkripcia nedáva význam.

Nemusíme nevyhnutne manuálne prepisovať celé hodiny videa.

Môžeme však identifikovať podozrivé alebo dôležité časti a pracovať s nimi cielene.

Raw transcript si ponechajme

Veľmi užitočné je mať dve vrstvy.

Raw transcript

Pôvodný výsledok transkripcie.

Processed transcript

Vyčistená verzia pripravená pre ďalšie AI spracovanie.

Napríklad:

/transcripts/raw/video-03.json

/transcripts/processed/video-03.json

Prečo?

Ak neskôr zistíme, že naše čistenie textu odstránilo dôležitú informáciu, nemusíme transkribovať celý webinár znova.

Krok 5: odstránenie šumu

Hovorený prejav obsahuje veľa prvkov, ktoré pri vyhľadávaní nemajú veľkú hodnotu.

Napríklad:

„Takže... vlastne... ako sme hovorili... dobre, poďme ďalej...“

Pri spracovaní môžeme časť takéhoto šumu odstrániť.

Treba však byť opatrný.

Nechceme z autentického odborného výkladu vytvoriť nový text s pozmeneným významom.

Čistenie má zlepšiť použiteľnosť, nie prepísať obsah podľa predstavy AI.

Čo môžeme normalizovať?

Napríklad:

• zjavné opakované slovné výplne,
• technické artefakty transkripcie,
• nekonzistentný zápis odborných skratiek,
• nesprávne zalomenia viet.

Čo by sme nemali svojvoľne meniť:

• čísla,
• odborné tvrdenia,
• výnimky,
• podmienky.

Krok 6: video musíme rozdeliť na významové segmenty

Predstavme si hodinový webinár.

Nechceme vytvoriť jeden embedding pre celý hodinový prepis.

Pri otázke na jednu konkrétnu vec by takýto blok obsahoval obrovské množstvo nerelevantného textu.

Potrebujeme chunking.

Mechanické delenie každých 500 slov nemusí byť ideálne

Ak veta začne v jednom chunku a výnimka pokračuje v ďalšom, môže sa význam rozbiť.

Lepšie môže byť kombinovať:

• časové segmenty,
• tematické celky,
• kapitoly,
• odseky,
• primeraný overlap.

Cieľom je, aby jeden chunk obsahoval dostatočne samostatnú myšlienku.

Každý chunk si ponechá pôvodný timestamp

Napríklad:

{
  "video_id": 3,
  "chapter": "Praktické príklady",
  "start_seconds": 664,
  "end_seconds": 748,
  "text": "...",
  "language": "sk"
}

Čísla sú iba ilustračné.

Podstatná je štruktúra.

Keď retrieval nájde tento chunk, aplikácia vie:

Odpoveď pochádza z videa 3 približne od 11:04.

Krok 7: PDF spracujeme iným spôsobom

Pracovný materiál v PDF je odlišný typ zdroja.

Pri ňom chceme zachovať napríklad:

• číslo strany,
• názov kapitoly,
• nadpis,
• text,
• prípadné tabuľky.

Výsledok môže vyzerať:

{
  "source_type": "pdf",
  "document": "pracovny-material",
  "page": 18,
  "section": "Praktický postup",
  "text": "..."
}

PDF môže obsahovať viac než text

Niektoré dokumenty obsahujú:

• diagramy,
• grafy,
• tabuľky,
• obrázky,
• formuláre.

Čistá extrakcia textu nemusí zachovať ich význam.

Pri takýchto dokumentoch môže byť potrebné špeciálne spracovanie.

Najmä tabuľka vytrhnutá z pôvodnej štruktúry môže po textovej extrakcii pôsobiť úplne inak.

Krok 8: vytvoríme jednotný dátový model

Veľmi užitočné je, keď všetky zdroje dokážeme reprezentovať podobným spôsobom.

Napríklad:

SourceId

SourceType
- video
- pdf
- article
- audio

Title

Chapter

Text

StartSeconds

EndSeconds

PageNumber

Language

Version

AccessLevel

Nie každé pole bude použité pri každom zdroji.

Video má timestamp.

PDF má číslo strany.

Ale aplikácia už vie pracovať so všetkými zdrojmi jednotným spôsobom.

Krok 9: embeddingy

Po príprave jednotlivých textových segmentov môžeme vytvoriť ich embeddingy.

Embedding predstavuje číselnú reprezentáciu významu textu.

Vďaka nemu môžeme nájsť významovo súvisiaci obsah aj vtedy, keď používateľ nepoužije presne rovnaké slová ako prednášajúci.

Napríklad:

„Čo ak klient nesplní túto podmienku?“

môže nájsť segment hovoriaci:

„V prípade nesplnenia požiadavky sa postupuje...“

Aj keď sa formulácie presne nezhodujú.

Embedding však nenahrádza pôvodný text

Do databázy si ponechávame:

• embedding,
• pôvodný text chunku,
• metadata,
• zdroj.

Embedding používame na vyhľadávanie.

AI následne dostane reálny text zdroja.

Krok 10: jeden globálny index alebo samostatný index pre každý webinár?

Veľmi praktická otázka.

Predstavme si, že neskôr máme:

Webinár A
Webinár B
Webinár C
Webinár D
...

Môžeme vytvoriť jeden globálny vyhľadávací priestor a každý chunk označiť metadátami:

webinar_id = 12
chapter_id = 3

Potom vieme podporovať dva režimy.

Vyhľadávanie iba v jednom webinári

Používateľ je na stránke konkrétneho školenia.

Systém filtruje:

webinar_id = 12

Globálne AI vyhľadávanie

Používateľ sa opýta:

„Kde sa vo všetkých školeniach rieši téma X?“

Vyhľadávanie prejde povolené zdroje naprieč viacerými webinármi.

Toto je oveľa výkonnejšie než samostatný chatbot pri každom videu.

Globálny index však musí rešpektovať oprávnenia

Predstavme si:

• webinár A si používateľ kúpil,
• webinár B si nekúpil.

Globálne vyhľadávanie nesmie používateľovi v odpovedi prezradiť platený obsah z webinára B.

Každý segment preto môže mať napríklad:

access_level

course_id

customer_access_required

Retrieval potom filtruje zdroje ešte predtým, než ich dostane jazykový model.

Bezpečnosť plateného obsahu nesmie stáť iba na prompte „neukazuj cudzie webináre“.

Krok 11: otázka používateľa

Predstavme si otázku:

„Čo mám urobiť, ak nastane situácia X?“

Systém môže postupovať:

OTÁZKA
   |
   v
URČENIE ROZSAHU
   |
   +-- aktuálny webinár?
   |
   +-- všetky zakúpené materiály?
   |
   v
SEMANTICKÉ + PRÍPADNE FULLTEXT VYHĽADÁVANIE
   |
   v
NAJRELEVANTNEJŠIE SEGMENTY
   |
   v
PRÍPADNÝ RERANKING
   |
   v
JAZYKOVÝ MODEL
   |
   v
ODPOVEĎ + ZDROJE

Prečo kombinovať semantické a klasické vyhľadávanie?

Semantické vyhľadávanie je výborné na význam.

Fulltext môže byť presnejší pri:

• konkrétnych názvoch,
• číslach,
• skratkách,
• presných odborných výrazoch.

Napríklad:

„Kde sa spomína formulár ABC-17?“

je typický prípad, pri ktorom môže mať presná textová zhoda veľkú hodnotu.

Preto môže byť vhodný hybridný retrieval.

Krok 12: odpoveď nemá obsahovať iba výsledný text

Oveľa hodnotnejší výstup môže byť:

Stručná odpoveď:
V tejto situácii je potrebné najskôr overiť...

Podrobnejšie:
...

Zdroj:
Webinár 3 – kapitola „Praktické príklady“, 11:04 – 12:28
Pracovný materiál – strana 18

Používateľ dostane odpoveď aj možnosť overenia.

Kliknutie môže otvoriť presnú minútu

Ak prehrávač podporuje štart od konkrétneho času, môžeme vytvoriť napríklad interný odkaz:

/webinar/video-3?t=664

Hodnota:

664 sekúnd

predstavuje približne 11:04.

Používateľ klikne a video sa otvorí priamo pri relevantnom vysvetlení.

Toto považujeme za jednu z najhodnotnejších vlastností celej architektúry.

AI sa tak nestáva náhradou videa

Naopak.

AI funguje ako navigácia k pôvodnému obsahu.

Namiesto:

„Nemusíte webinár pozerať.“

je logika:

„Tu je odpoveď a tu presne nájdete pôvodné vysvetlenie autora.“

To je dôležité aj z pohľadu dôveryhodnosti.

Krok 13: čo ak je odpoveď rozdelená medzi video a PDF?

To je veľmi reálna situácia.

Prednášajúci vo videu povie:

„Presný postup nájdete v pracovnom materiáli.“

AI môže nájsť oba zdroje.

Napríklad:

Webinár vysvetľuje dôvod a širší kontext. Konkrétny postup je uvedený na strane 24 pracovného materiálu.

To je podstatne hodnotnejšie než vyhľadávať vo videu a PDF oddelene.

Knowledge base teda nemusí kopírovať štruktúru súborov

Pôvodné dáta môžu byť:

VIDEO 1
VIDEO 2
VIDEO 3
PDF

Používateľ však hľadá podľa tém:

TÉMA A
   |
   +-- video 2, 08:14
   +-- video 5, 17:41
   +-- PDF, strana 12

TÉMA B
   |
   +-- video 1, 24:03
   +-- PDF, strana 19

A práve AI vyhľadávanie dokáže vytvoriť túto významovú vrstvu nad pôvodnou štruktúrou.

Krok 14: čo ak používateľ položí príliš všeobecnú otázku?

Napríklad:

„Povedz mi všetko o tejto téme.“

Retrieval môže nájsť desiatky segmentov.

Nemusíme všetky poslať modelu.

Môžeme:

1. nájsť širšiu sadu kandidátov,
2. zoradiť ich podľa relevantnosti,
3. vybrať reprezentatívne zdroje,
4. prípadne vytvoriť odpoveď po témach.

Pri rozsiahlych zdrojoch je retrieval stratégia často rovnako dôležitá ako samotný jazykový model.

Krok 15: čo ak odpoveď v zdrojoch nie je?

Platí rovnaké pravidlo ako pri ostatných odborných AI systémoch.

Agent si odpoveď nemá domyslieť.

Môže povedať:

„V dostupných webinároch a pracovnom materiáli som k tejto otázke nenašiel dostatočný podklad.“

A prípadne ponúknuť:

• podobnú tému,
• iné vyhľadávanie,
• kontakt na odborníka.

Bezpečnosť: čo ak ide o platený obsah?

Pri našom príklade je toto zásadná téma.

Ak zákazníci za webinár platia, nemôžeme bez rozmyslu poslať celý obsah na ľubovoľnú verejnú online službu.

Pred výberom transkripčného alebo AI poskytovateľa by sme mali riešiť:

• podmienky spracovania dát,
• uchovávanie nahraného obsahu,
• prístup k dátam,
• zmluvné podmienky,
• prípadných subdodávateľov.

Rovnako potrebujeme kontrolovať vlastnú aplikáciu.

Nemá zmysel mať bezpečné AI API, ak následne uložíme všetky prepisy do verejne prístupného adresára na serveri.

Platený obsah nemusíme sprístupniť verejnému AI

Tu je dôležité oddeliť dve veci.

Interná alebo zákaznícka knowledge base

Obsahuje plný platený obsah a je dostupná iba oprávneným používateľom.

Verejný obsah

Obsahuje vybrané články, ukážky, FAQ alebo odborné vysvetlenia, ktoré chceme sprístupniť vyhľadávačom a verejným AI systémom.

Nemusíme kvôli AI viditeľnosti publikovať celý platený webinár.

To je dôležité aj pre SEO a LLMO

Z jedného webinára môžeme pripraviť verejné odborné výstupy.

Napríklad:

• článok vysvetľujúci jednu tému,
• FAQ,
• stručný odborný súhrn,
• ukážku z webinára,
• prepis verejnej časti.

Tieto stránky môžu byť dostupné klasickým vyhľadávačom aj systémom, ktoré pracujú s verejným webom.

Plná knowledge base však zostáva chránená.

Jedna téma, dve vrstvy obsahu

ODBORNÝ WEBINÁR
       |
       +-------------------+
       |                   |
       v                   v
PLATENÁ VRSTVA        VEREJNÁ VRSTVA
       |                   |
       |                   +-- články
       |                   +-- FAQ
       |                   +-- ukážky
       |
       +-- video
       +-- celý transcript
       +-- pracovný materiál
       +-- interné AI vyhľadávanie

Tak môžeme spojiť ochranu plateného produktu s obsahovým marketingom.

Transcript nemusí byť iba technický medziprodukt

Keď už máme kvalitný prepis, vzniká ďalší potenciál.

Môže byť základom pre:

• články,
• súhrny,
• FAQ,
• newsletter,
• popis kapitoly,
• vyhľadávací index.

Samozrejme, automaticky vytvorený obsah by mal pred verejným publikovaním prejsť redakčnou a odbornou kontrolou.

Video môže začať generovať oveľa viac hodnoty

Pôvodne máme:

1 WEBINÁR

Po správnom spracovaní môžeme mať:

WEBINÁR
   |
   +-- video
   |
   +-- transcript
   |
   +-- AI knowledge base
   |
   +-- články
   |
   +-- FAQ
   |
   +-- podcast
   |
   +-- AI vyhľadávanie

Obsah nevytvárame od začiatku.

Využívame už existujúce odborné know-how vo viacerých formách.

A čo podcast?

Ak už máme z MP4 vyextrahovanú kvalitnú audio stopu, technicky sme veľmi blízko podcastovej verzii.

To však neznamená, že každé video je automaticky dobrý podcast.

Webinár môže obsahovať formulácie:

„Ako vidíte na tomto slide...“

alebo:

„Tu vľavo máme tabuľku...“

Bez obrazu potom poslucháč nevie, o čom je reč.

Pred publikovaním podcastu preto treba posúdiť zrozumiteľnosť bez obrazu

Máme viac možností.

1. Publikovať pôvodnú audio stopu

Ak webinár funguje dobre aj bez obrazu.

2. Upraviť audio

Odstrániť časti, ktoré bez videa nemajú význam.

3. Vytvoriť samostatnú audio verziu

Napríklad s úvodom:

„Počúvate audio verziu webinára...“

A doplniť krátke vysvetlenia tam, kde pôvodné video výrazne pracovalo s obrazom.

Audio verzia môže mať ďalšiu obchodnú hodnotu

Zákazník nemusí mať hodinu na pozeranie obrazovky.

Môže si odborný obsah:

• pustiť v aute,
• počúvať pri chôdzi,
• počúvať počas cesty.

Jedným spracovaním teda zvyšujeme využiteľnosť už vytvoreného obsahu.

Krok 16: články z webinára

Z transkriptu môžeme identifikovať samostatné odborné témy.

Napríklad jedno dvojhodinové školenie môže obsahovať:

téma A
téma B
téma C
téma D
téma E

Z každej môže vzniknúť samostatný článok.

Článok však nemá byť iba automaticky skopírovaný transcript.

Hovorený a písaný jazyk sú rozdielne.

Kvalitný článok potrebuje redakčné spracovanie

Môžeme zachovať:

• odborné fakty,
• argumentáciu,
• príklady,
• skúsenosti autora.

A upraviť:

• štruktúru,
• nadpisy,
• opakované hovorené formulácie,
• čitateľnosť.

Výsledkom je nový formát toho istého know-how, nie nový vymyslený obsah.

Článok môže spätne odkazovať na video

Napríklad:

„Podrobnejšie vysvetlenie nájdete vo videu od 18:35.“

A video môže odkazovať na článok:

„Ak preferujete textovú verziu, prečítajte si súvisiaci článok.“

Tým vytvárame obsahový ekosystém.

Krok 17: AI vyhľadávanie priamo pri prehrávači

Predstavme si stránku webinára.

Vedľa videa môže byť pole:

Opýtajte sa obsahu tohto webinára

Používateľ zadá:

„Kde sa vysvetľuje téma X?“

Agent odpovie:

Téma sa detailnejšie vysvetľuje v kapitole 4 približne od 17:20. Súvisiaci príklad je aj v pracovnom materiáli na strane 32.

A ponúkne tlačidlá:

[ PREJSŤ NA 17:20 ]

[ OTVORIŤ STRANU 32 ]

Takýto spôsob používania webinára môže výrazne zvýšiť jeho praktickú hodnotu.

Krok 18: globálne otázky nad viacerými webinármi

Na ďalšej úrovni už používateľ nemusí otvoriť konkrétny kurz.

Môže sa opýtať:

„Čo všetko sa v mojich zakúpených školeniach hovorí o téme X?“

Systém môže:

1. zistiť, ku ktorým kurzom má prístup,
2. vyhľadať relevantné segmenty,
3. spojiť odpoveď,
4. uviesť viac zdrojov.

Napríklad:

Webinár A: video 3, 11:20
Webinár B: video 1, 37:15
Webinár D: pracovný materiál, strana 24

Knowledge base sa tak postupne mení na odborný vyhľadávač nad celým obsahovým archívom.

Krok 19: odpoveď by nemala spájať zdroje bez kontroly

Ak dve školenia hovoria o podobnej téme z rozdielneho kontextu, AI ich nemá automaticky zlúčiť do jedného univerzálneho pravidla.

Metadata môžu obsahovať:

• dátum webinára,
• tému,
• jurisdikciu,
• verziu,
• autora.

Pri odborných alebo legislatívnych témach môže byť dátum zdroja mimoriadne dôležitý.

Krok 20: verzionovanie

Predstavme si, že o rok vznikne aktualizovaný webinár.

Nemali by sme iba pridať nový transcript k starému a dúfať, že retrieval vždy vyberie správny.

Môžeme evidovať:

course_id

version

valid_from

valid_to

is_current

A pri bežnej otázke preferovať aktuálny zdroj.

Historické materiály môžu zostať dostupné napríklad pri otázkach typu:

„Ako sa táto téma vysvetľovala v roku 2025?“

Bez kvalitných metadát vznikne časom chaos

Pri jednom webinári ešte vieme všetko pochopiť manuálne.

Pri:

• 50 kurzoch,
• 500 videách,
• desiatkach PDF,

už potrebujeme systematickú dátovú architektúru.

Preto má význam myslieť na škálovanie už pri prvom projekte.

Čo s obrázkami a slidmi vo videu?

Samotná transkripcia zachytí to, čo bolo povedané.

Nemusí zachytiť všetko, čo bolo na obrazovke.

Prednášajúci môže povedať:

„Pozrite sa na túto tabuľku.“

A ďalších 30 sekúnd mlčať.

Textový transcript potom význam tabuľky neobsahuje.

Pri projektoch, kde sú vizuály dôležitým nositeľom informácie, preto môžeme potrebovať ďalšiu vrstvu spracovania:

• slidy,
• PDF prezentáciu,
• vybrané snímky z videa,
• samostatné textové podklady.

Nie každý webinár potrebuje takúto úroveň spracovania.

Rozhodujeme podľa charakteru obsahu.

PDF pracovný materiál môže tento problém čiastočne vyriešiť

Ak pracovný materiál obsahuje rovnaké:

• tabuľky,
• diagramy,
• postupy,

nemusíme ich znovu extrahovať zo samotného videa.

Aj preto je veľmi užitočné kombinovať viac zdrojov jedného kurzu.

Ako by sme celý pipeline riešili technicky?

Jedna z možných architektúr:

1. UPLOAD
   |
   +-- MP4
   +-- PDF
   |
   v

2. MEDIA WORKER
   |
   +-- kontrola súborov
   +-- audio extrakcia podľa potreby
   |
   v

3. TRANSCRIPTION WORKER
   |
   +-- transcript
   +-- timestamps
   |
   v

4. PROCESSING
   |
   +-- čistenie
   +-- segmentácia
   +-- metadata
   |
   v

5. KNOWLEDGE PIPELINE
   |
   +-- chunking
   +-- embeddings
   +-- index
   |
   v

6. DATABASE
   |
   +-- zdroje
   +-- kapitoly
   +-- segmenty
   +-- oprávnenia
   |
   v

7. AI QUERY API
   |
   +-- retrieval
   +-- filtre
   +-- reranking
   +-- AI odpoveď
   |
   v

8. WEB
   |
   +-- odpoveď
   +-- zdroj
   +-- timestamp
   +-- odkaz na PDF

Nie všetko musí bežať v jednom procese.

Spracovanie hodinového videa je typická úloha, ktorú možno vykonávať asynchrónne prostredníctvom worker procesu.

.NET/C# projekt nemusíme kvôli tomu prepisovať

Ak existujúca aplikácia používa .NET/C# a relačnú databázu, môžeme túto architektúru rozšíriť.

Napríklad:

ASP.NET APLIKÁCIA
        |
        +-- upload
        +-- používateľské oprávnenia
        +-- prehrávač
        +-- AI Q&A
        |
        v
WORKER
        |
        +-- audio
        +-- transcription
        +-- processing
        +-- embeddings
        |
        v
SQL / KNOWLEDGE INDEX

AI pipeline sa tak stane ďalšou vrstvou existujúcej aplikácie.

Ktoré údaje by sme ukladali do klasickej databázy?

Napríklad:

Webinar

Video

Document

TranscriptSegment

Chunk

UserAccess

ProcessingJob

QueryLog

Vektorové úložisko nemusí nahrádzať klasickú databázu.

Každá technológia rieši inú úlohu.

V relačnej databáze chceme mať presné väzby

Napríklad:

Chunk 8472

patrí:
Video 3

patrí:
Webinár 12

čas:
11:04 – 12:28

oprávnenie:
CourseAccess = 12

Vektorové vyhľadávanie nám pomôže chunk nájsť.

Relačná databáza nám povie, čo presne tento chunk predstavuje.

Testovanie: ako zistíme, že knowledge base funguje?

Rovnako ako pri ostatných AI agentoch potrebujeme eval dataset.

Pri webinári môžeme vytvoriť napríklad otázky:

Otázka 1:
Odpoveď je iba vo videu 2.

Otázka 2:
Odpoveď je iba v PDF.

Otázka 3:
Odpoveď potrebuje video + PDF.

Otázka 4:
Odpoveď je v dvoch rôznych videách.

Otázka 5:
Odpoveď v materiáloch neexistuje.

Pri každom teste kontrolujeme:

• či retrieval našiel správny zdroj,
• či našiel správny timestamp,
• či AI správne interpretovala obsah,
• či nevytvorila nič navyše.

Testovať musíme aj samotné odkazy

Agent môže odpovedať správne, ale tlačidlo:

„Pozrieť od 11:20“

môže otvárať 18. minútu.

Pre používateľa je výsledok stále chybný.

Preto sú timestampy a prepojenie s prehrávačom súčasťou end-to-end testovania.

Čo môže pokaziť celý projekt?

Nie nevyhnutne jazykový model.

Problém môže byť:

• nekvalitný zvuk,
• chybný transcript,
• stratené timestampy,
• zlé delenie chunkov,
• nedostatočné metadata,
• slabý retrieval,
• nesprávne oprávnenia,
• zastaraná verzia materiálu.

Preto opäť platí:

AI je jedna vrstva celého softvérového systému.

Veľká výhoda: webinár už nie je „obsah, ktorý treba celý pozerať“

Po spracovaní vznikne nový spôsob používania.

Namiesto:

„Pamätám si, že sa to niekde vysvetľovalo.“

môžeme mať:

„Opýtam sa a systém mi ukáže presnú časť.“

Webinár sa tým z lineárneho média mení aj na znalostnú databázu.

To môže predĺžiť životnosť plateného obsahu

Starší webinár nemusí po odvysielaní postupne zapadnúť.

Jeho obsah môže byť ďalej používaný:

• pri AI vyhľadávaní,
• v internom vzdelávaní,
• ako referenčný zdroj,
• pri tvorbe nového obsahu.

Samozrejme, iba dovtedy, kým sú informácie aktuálne.

Preto má význam aj verzionovanie a revízia starších materiálov.

Webinár sa môže stať súčasťou firemnej knowledge base

A nemusí zostať izolovaný.

Do jednej znalostnej vrstvy môžeme postupne zapojiť:

WEBINÁRE
+
PDF
+
INTERNÉ DOKUMENTY
+
FAQ
+
ČLÁNKY
+
MANUÁLY

Používateľ potom nemusí vedieť, v akom formáte odpoveď existuje.
 
Agent nájde najlepší povolený zdroj.
 
Najzaujímavejšia vrstva: query routing
 
Nie každá otázka musí ísť rovnakým spôsobom cez celý index.
 
Napríklad:
 
Otázka
 
 
„Kde vo webinári sa hovorí o X?“
 
 
Priorita:
 
video transcript 
 
Otázka
 
 
„Na ktorej strane materiálu je formulár Y?“
 
 
Priorita:
 
PDF 
 
Otázka
 
 
„Vysvetli mi celú tému Z.“
 
 
Môžeme vyhľadávať:
 
video + PDF + články 
 
Takýto routing môže zlepšiť relevantnosť aj náklady.
 
Nemusíme zakaždým posielať AI celý webinár
 
To je jedna z hlavných výhod RAG architektúry.
 
Pri otázke použijeme iba niekoľko relevantných segmentov.
 
Napríklad:
 
Webinár: 120 000 slov Otázka: jedna konkrétna téma Retrieval: 4 relevantné chunks AI: pracuje iba s potrebným kontextom 
 
Čísla sú iba ilustrácia princípu.
 
Výsledkom môže byť nižšia spotreba a menej nerelevantného textu v kontexte modelu.
 
Ako môže vyzerať výsledné používateľské rozhranie?
 
Napríklad:
 
OPÝTAJTE SA WEBINÁRA [ Ako sa postupuje pri situácii X? ] ----------------------------------- Odpoveď: ... ZDROJE: ▶ Video 3 11:04 – 12:28 [PREHRAŤ] 📄 Pracovný materiál strana 18 [OTVORIŤ] Súvisiace: - téma A - téma B 
 
Pre používateľa je pritom technická zložitosť celého systému neviditeľná.
 
Nemusíme ukazovať technické skóre podobnosti
 
Používateľa väčšinou nezaujíma:
 
cosine_similarity = 0.87342 
 
Zaujíma ho:
 
 
odpoveď,
 
zdroj,
 
miesto vo videu,
 
možnosť overenia.
 
 
Technické skóre je užitočné skôr pri ladení a evaloch.
 
Čo by sme si ponechali pre administráciu?
 
Napríklad:
 
 
stav transkripcie každého videa,
 
počet segmentov,
 
verziu transcriptu,
 
stav embeddingov,
 
počet otázok,
 
najčastejšie témy,
 
otázky bez odpovede,
 
problematické vyhľadávania.
 
 
Tak vieme knowledge base priebežne zlepšovať.
 
Otázky bez odpovede sú veľmi hodnotné dáta
 
Predstavme si, že sa používatelia opakovane pýtajú:
 
 
„Ako je to s témou X?“
 
 
A odpoveď v žiadnom webinári nie je.
 
To je informácia pre tvorcu obsahu.
 
Možno práve vznikla téma na:
 
 
nový článok,
 
doplňujúce video,
 
nový webinár,
 
FAQ.
 
 
AI vyhľadávanie teda zároveň ukazuje, aké informácie ľuďom chýbajú.
 
Jeden zdroj môže vytvoriť celý obsahový ekosystém
 
Na začiatku máme:
 
10 MP4 + 1 PDF 
 
Po spracovaní môžeme mať:
 
10 VIDEÍ + AUDIO VERZIE + TRANSKRIPTY + KNOWLEDGE BASE + AI Q&A + TIMESTAMP VYHĽADÁVANIE + ČLÁNKY + FAQ + PODCAST + VEREJNÝ ODBORNÝ OBSAH 
 
A pritom všetky tieto vrstvy vychádzajú z rovnakého pôvodného odborného know-how.
 
To je podľa nás správne využitie generatívnej AI
 
Nie vyrábať čo najviac generického obsahu.
 
Ale zobrať hodnotný originálny obsah firmy alebo odborníka a:
 
 
lepšie ho sprístupniť,
 
urobiť ho vyhľadateľným,
 
prepojiť jednotlivé formáty,
 
umožniť používateľovi dostať sa rýchlo k odpovedi.
 
 
AI tu nevytvára know-how.
 
AI pomáha existujúce know-how nájsť a používať.
 
Záver: video sa môže z archívu zmeniť na aktívnu znalostnú databázu
 
Spracovanie webinára pre AI nie je iba:
 
MP4 → transcript 
 
Ak chceme profesionálny výsledok, potrebujeme celý pipeline:
 
 
spracovať video alebo audio,
 
vytvoriť kvalitný transcript,
 
zachovať timestampy,
 
vyčistiť a štruktúrovať text,
 
spracovať PDF a ďalšie materiály,
 
vytvoriť logické chunks,
 
doplniť metadata,
 
vytvoriť vyhľadávací index,
 
rešpektovať oprávnenia,
 
testovať retrieval a odpovede,
 
prepojiť výsledok s pôvodným médiom.
 
 
Výsledkom potom nemusí byť iba chatbot.
 
Môže vzniknúť systém, v ktorom používateľ položí odbornú otázku a dostane:
 
 
odpoveď + pôvodný zdroj + konkrétnu minútu videa + súvisiacu stranu PDF.
 
 
A práve tu vidíme veľký potenciál pre webináre, interné školenia, platený odborný obsah, produktové návody aj firemné videoarchívy.
 
Obsah, ktorý bol doteraz uzamknutý v hodinách videa, sa stáva vyhľadateľným.
 
Nie tým, že by sme video nahradili AI.
 
Ale tým, že medzi používateľa a rozsiahly obsah pridáme inteligentnú vyhľadávaciu vrstvu.
 
 
 
Máte webináre, videá alebo PDF plné odborného know-how?
 
Nemusia zostať iba v archíve alebo v členskej sekcii, kde používateľ musí celé hodiny hľadať jednu konkrétnu informáciu.
 
V Consultee vieme navrhnúť riešenie, ktoré spojí transkripciu, časové značky, dokumenty, vektorové vyhľadávanie, RAG a AI otázky a odpovede do jednej znalostnej vrstvy.
 
Výsledkom môže byť AI vyhľadávanie nad webinármi, internými školeniami alebo plateným odborným obsahom s odkazom priamo na konkrétne video, čas alebo stranu dokumentu.
 
A existujúci obsah môžeme zároveň využiť ako základ pre články, FAQ, audio verzie a ďalšie formáty bez toho, aby sme pôvodné know-how museli vytvárať znova.
 
Máte videoarchív alebo odborné materiály a chcete nad nimi vytvoriť AI vyhľadávanie? Kontaktujte nás a dohodnite si stretnutie →