1. Poslovni proces i prioriteti
Analiziramo konkretan proces, utvrđujemo početno stanje i određujemo prioritet jednog slučaja upotrebe, sa odgovornom osobom i realnom procenom poslovne vrednosti.
Valanor AI · Data-to-Action Engineering
Podaci ne treba samo da pokažu šta se dogodilo. Treba da pokrenu sledeći korak.
Valanor AI povezuje podatke iz poslovnih sistema, mašina i senzora sa analitikom, Machine Learning modelima i AI funkcijama. Određujemo prioritet konkretnog slučaja upotrebe, razvijamo odgovarajući workflow i uvodimo obrazložene preporuke i zadatke u vaše sisteme – od podataka i obrade u realnom vremenu do redovnog rada i održavanja.
Od podataka do odluka. Od odluka do konkretnih zadataka.
Izveštaji, modeli i AI asistenti malo vrede ako njihovi rezultati ne postanu deo svakodnevnog rada. Valanor AI povezuje pouzdane podatke sa konkretnim procesom: proverava informacije, otkriva odstupanja i priprema sledeći korak.
Rezultat nije još jedna strategija u dokumentu niti izdvojen prototip. Timovi dobijaju obrazložene preporuke i zadatke u sistemima koje već koriste. Za radnje koje nose veći rizik ostaje obavezno odobrenje.
Preuzimamo dogovoreni razvoj i integraciju: od podataka i poslovne logike, preko analitike ili Machine Learning modela, do testiranja, deploymenta i monitoringa.
Šta obuhvata Valanor AI
2. Data Foundation
Povezujemo poslovne sisteme, mašine i senzore, proveravamo kvalitet i ažurnost podataka i razvijamo pouzdane tokove. Prema potrebi koristimo batch obradu ili kontinuirane tokove događaja.
3. Analytics, Machine Learning i AI
Razvijamo metrike, prognoze, klasifikaciju ili generativne funkcije kada imaju opravdanu primenu. Rezultate upoređujemo sa postojećim načinom rada.
4. Konkretni zadaci i integracija sistema
Rezultate pretvaramo u obrazložene preporuke, prioritetne zadatke ili odobrene akcije i prosleđujemo ih aplikacijama koje timovi već koriste.
5. Operativni rad i kontinuirana unapređenja
Pratimo dogovoreno rešenje, analiziramo greške, kvalitet, korišćenje i troškove i sprovodimo prioritetna poboljšanja u okviru ugovorenih usluga.
Preporuka vredi kada postoji sledeći korak.
Konkretni zadaci, ne još jedan izdvojeni dashboard.
Primer iz obrade porudžbina: sistem otkriva da je potvrđeni prijem robe planiran nakon obećanog roka isporuke kupcu. Umesto da prikaže samo ocenu rizika, priprema zadatak za nabavku i planiranje: proveriti alternativne zalihe, razmotriti delimičnu isporuku i zabeležiti odluku.
Zadatak sadrži izvorne podatke, vreme poslednjeg ažuriranja, obrazloženje, odgovornu osobu i korake za proveru. Bez odobrenja sistem ne pokreće novu nabavku i ne menja obećani rok kupcu.
Na taj način imamo proverljiv tok rada: prikupiti podatke, proceniti situaciju, dodeliti zadatak, doneti odluku i izmeriti rezultat.
Tri koraka. Jasna odgovornost.
1. Valanor AI — Start
Analiziramo jednu poslovnu oblast, relevantne izvore podataka i konkretan proces. Dobijate prioritetnu odluku o realizaciji, podatke koji su potrebni, procenu koristi, zavisnosti i kriterijume prihvatanja. Nedostajuće preduslove utvrđujemo pre razvoja.
2. Valanor AI — Build
Razvijamo jedan jasno definisan Data-to-Action workflow: povezivanje podataka, poslovnu logiku ili model, korisnički interfejs, integraciju sa ciljnim sistemom, testiranje i kontrolisano uvođenje. Obim i fiksnu cenu dogovaramo nakon faze Start.
3. Valanor AI — Run & Improve
Održavamo ugovoreni workflow, pratimo kvalitet podataka, ponašanje sistema i troškove i unapređujemo ga prema prioritetnom backlogu. Vreme podrške, kapacitet i proširenja jasno definišemo ugovorom.
Gde Valanor AI donosi vrednost
1. Servis i korisnička podrška
Klasifikujemo servisne zahteve, povezujemo relevantne informacije, pripremamo obrazložene predloge za obradu i dodeljujemo zadatke odgovornim timovima.
2. Planiranje i operativna koordinacija
Analiziramo potrebe i odstupanja, prepoznajemo rizike u zalihama ili rokovima isporuke i pripremamo konkretne provere i zadatke za planiranje.
3. Procesi zasnovani na dokumentima
Izdvajamo podatke iz dokumenata, proveravamo ih prema poslovnim pravilima i prosleđujemo potvrđene zapise ili zahteve za dopunu u poslovne sisteme.
4. Operativni reporting i analitika
Objedinjujemo podatke iz više sistema, usklađujemo metrike, pokazujemo odstupanja i pretvaramo nalaze u zadatke sa jasnim odgovornostima.
Podatke sa mašina i senzora obrađujemo dok su relevantni.
Real-Time Data Processing i Edge AI
Temperatura, vibracije, potrošnja energije i stanje mašina neprestano se menjaju. Prikupljamo relevantne signale, izračunavamo metrike i prepoznajemo odstupanja tokom rada, bez čekanja na sledeći izvoz podataka.
Kada se pojave neuobičajene vibracije, upoređujemo merenja sa prethodnim ponašanjem mašine i pripremamo zadatak za proveru u održavanju. Zadatak sadrži izvor podataka, obrazloženje, prioritet i odgovornu osobu. Intervencije ostaju pod kontrolom definisanih odobrenja.
U zavisnosti od potrebnog odziva i mrežne veze, obradu izvršavamo na Edge uređajima ili centralnoj platformi. Više o lokalnim modelima i industrijskoj primeni pročitajte na stranici Edge AI.
Tehnologiju biramo prema procesu, ne obrnuto.
Nije svakom workflowu potreban jezički model ili AI agent. Pouzdani data pipelineovi, poslovna pravila i klasični modeli za prognozu često su ekonomičniji. Odluku donosimo na osnovu podataka, poslovne koristi, posledica grešaka, integracije i održavanja.
Razvijamo nove komponente i koristimo postojeći softver kada ispunjava zahteve. Kontrola pristupa, poreklo podataka, ljudska provera, testiranje i monitoring deo su arhitekture od početka.
Više o našim uslugama pročitajte u oblasti Data & AI Engineering. Ako prvo treba razjasniti arhitekturu ili tehničku izvodljivost, počinjemo kroz Consulting & Diagnostics.
Pouzdana osnova podataka za analitiku i AI.
Arhitektura iza Valanor AI
Za podatkovni sloj koristimo dlt, Floe, Apache Iceberg, dbt i Trino. dlt preuzima izvorne podatke u Bronze sloj. Floe proverava data contracts i kvalitet podataka za Silver. Uz dbt i Trino razvijamo poslovne Gold modele koje koriste analitika, Machine Learning i aplikacije.
Dagster orkestrira tokove i obradu podataka. Apache Iceberg i objektni storage razdvajaju čuvanje podataka od obrade. Iceberg katalog, poput Apache Polaris ili AWS Glue, upravlja tabelama u skladu sa okruženjem. OpenMetadata po potrebi dodaje governance i lineage, a Superset analitički interfejs.
Na tu osnovu dodajemo Machine Learning, generativni AI i operativne workflowe. Odvajamo obradu podataka, izvršavanje modela i poslovne akcije kako bismo lakše testirali sistem, kontrolisali prava pristupa, obrađivali greške i uvodili promene.
Streaming i lakehouse rade zajedno.
Kontinuirane senzorske podatke obrađujemo zasebnim streaming tokom, paralelno sa batch obradom. Količina događaja, potrebna latencija, dostupnost i postojeća OT/IT infrastruktura određuju izbor komponenti.
Povezivanje senzora i mašina
Preko gateway uređaja i protokola kao što su OPC UA, MQTT i po potrebi Modbus povezujemo mašine, PLC kontrolere i senzore. EMQX ili Mosquitto omogućavaju MQTT komunikaciju.
Distribucija događaja
Apache Kafka ili Redpanda prihvataju i distribuiraju događaje kada postoji više potrošača, veća količina podataka ili potreba za ponovnom obradom. Za manje sisteme često je dovoljan jednostavniji MQTT tok.
Kontinuirana obrada tokova
Apache Flink obrađuje vremenske prozore, povezuje događaje i uzima u obzir podatke koji kasne. Za jednostavna pravila i agregacije ne uvodimo nepotrebno složenu streaming infrastrukturu.
Live analitika i istorijski podaci
ClickHouse omogućava brzu analizu pristiglih događaja, dok je TimescaleDB alternativa za time-series potrebe bliske PostgreSQL-u. Istorijske podatke kontrolisano prenosimo u Apache Iceberg.
Lokalna inferencija i zadaci
Za Edge Inference biramo ONNX Runtime ili NVIDIA Triton prema hardveru i modelu. Nalaze prosleđujemo preko definisanih API-ja u MES, ERP ili sisteme za održavanje.
Od validiranih podataka do modela u produkciji.
MLflow: eksperimenti i verzije modela
Za klasični Machine Learning MLflow beleži treninge, parametre, metrike i artefakte. Model Registry evidentira odobrene verzije i omogućava ponovljiv deployment.
Dagster: treniranje i periodični poslovi
Treniranje i batch scoring koriste proverene Silver ili Gold podatke. Dagster upravlja izvršavanjem i zavisnostima. Modeli čitaju lakehouse podatke bez preuzimanja odgovornosti za upis u Bronze, Silver i Gold slojeve.
BentoML ili KServe: inferencija
BentoML koristimo kada je potreban jednostavniji API za modele. KServe je opcija kada su opravdani Kubernetes skaliranje i složeniji zahtevi za serving. Batch prognoze ne zahtevaju uvek stalno aktivan endpoint.
Evidently i metrike: kvalitet modela
Proveravamo ulazne podatke, njihove raspodele i kvalitet predviđanja prema dogovorenim referentnim vrednostima. Signali za drift pokreću proveru, ne automatsko ponovno treniranje ili zamenu modela.
Generativni AI uz kontrolisan pristup podacima.
vLLM: lokalno izvršavanje jezičkih modela
Uz vLLM izvršavamo odgovarajuće jezičke modele na infrastrukturi pod kontrolom klijenta. Kontrolisani model gateway upravlja pristupom, limitima i korišćenjem. Eksterni AI API-ji nisu obavezni; u izolovanim okruženjima modeli i runtime zavisnosti ostaju lokalni.
Qdrant ili pgvector: pretraga internog znanja
Za pretragu dokumenata i poslovnog znanja biramo Qdrant ili pgvector prema obimu i zahtevima. Haystack ili LlamaIndex mogu da dopune retrieval logiku. Planiramo ažuriranje, prava pristupa, izvore odgovora i lokalno generisanje embeddinga.
MLflow: tracing i evaluacija
Generativne funkcije testiramo na reprezentativnim zadacima i pratimo verzije promptova, traces i ocene kvaliteta. MLflow podržava ove tokove; dodatne RAG alate za evaluaciju uvodimo samo kada su potrebni.
Akcije uz odobrenje
Model predlaže samo akcije koje aplikacija izričito dozvoljava. Zaseban API i workflow sloj proverava prava pristupa, poslovna pravila i odobrenja ljudi pre promene podataka u ERP, CRM ili ticketing sistemima.
Rad u produkciji zahteva više od modela koji funkcioniše.
Pratimo izvršavanje pipelineova, model endpointove, greške, vreme obrade i infrastrukturu kroz metrike i logove, na primer uz Prometheus i Grafana. MLflow služi za eksperimente i verzije modela, ali ne zamenjuje infrastrukturni monitoring.
Za osetljive i poslovno kritične procese definišemo upravljanje tajnama, pristup, mrežna ograničenja, backup i restore, testiran rollback, kontrolu troškova i odvojena okruženja. Zahtevi procesa određuju koje komponente moraju neprekidno da rade.
Osnovni lakehouse tok prvenstveno koristi batch obradu. Zahtevi za rad u realnom vremenu i streaming traže dodatne komponente. Produkcionu instalaciju proveravamo testovima, lokalno dostupnim zavisnostima za air-gapped okruženja i jasnim modelom održavanja.
Otvorene komponente. Jasno definisana arhitektura.
Za prikupljanje, čuvanje i transformaciju podataka koristimo dlt, Floe, Apache Iceberg, Trino, dbt i Dagster. MLflow pokriva verzionisanje modela i evaluaciju, a vLLM, Qdrant ili pgvector i odgovarajući serving alati podržavaju AI aplikacije. Komponente biramo prema podacima, bezbednosti, opterećenju i poslovnom procesu, a ne prema fiksnoj listi alata.
Otvorene komponente, jasno definisana arhitektura
Za obradu i transformaciju podataka koristimo dlt, Floe, Apache Iceberg, Trino, dbt i Dagster prema zahtevima. MLflow podržava verzionisanje i evaluaciju, a vLLM, Qdrant ili pgvector AI funkcije. Svaka komponenta ima jasno određenu ulogu.
Česta pitanja o Valanor AI
Da li je Valanor AI softverska platforma?
Ne. Valanor AI povezuje otvorenu arhitekturu podataka sa analitikom, Machine Learning i AI aplikacijama. Razvijamo i integrišemo potreban workflow u vaše postojeće sisteme, bez obaveze da uvodite još jednu gotovu korisničku platformu.
Koji podaci su potrebni za početak?
Potreban je konkretan proces, odgovorna osoba iz poslovnog tima i pristup reprezentativnim podacima ili odgovarajućim uzorcima. Obim i kvalitet proveravamo tokom faze Start.
Da li već moramo da imamo data platformu ili AI modele?
Ne. Proveravamo postojeću arhitekturu i razvijamo potrebne tokove podataka ili funkcionalnosti u dogovorenom obimu. Potpuna zamena IT infrastrukture nije podrazumevani deo projekta.
Kako sprečavate pogrešne preporuke i nekontrolisane akcije?
Definišemo proverljive izvore, kriterijume evaluacije, granice rada sistema i ljudska odobrenja. Kada podaci nedostaju ili nisu dovoljno kvalitetni, sistem mora kontrolisano da reaguje i po potrebi prosledi slučaj odgovornoj osobi.
Kako merite uspeh?
Pre realizacije dogovaramo početne vrednosti i poslovne pokazatelje kao što su vreme obrade, učestalost grešaka, kvalitet prognoza ili ručni rad na proverama. Tokom rada pratimo i korišćenje, kvalitet podataka i troškove.
Koliko košta Valanor AI?
Start ima jasno definisan obim. Cenu razvoja i daljeg rada određujemo prema konkretnom workflowu, integracijama i operativnim zahtevima, uz precizno definisane granice usluge.
Može li Valanor AI da obrađuje senzorske podatke u realnom vremenu?
Da. Povezujemo mašine i senzore, na primer preko OPC UA ili MQTT, kontinuirano obrađujemo događaje i rezultate koristimo za live analitiku, otkrivanje anomalija i operativne zadatke. Potrebnu latenciju proveravamo u konkretnom procesu. Bezbednosno kritično upravljanje i isključivanje ostaju u determinističkim sistemima kao što su PLC kontroleri.
Valanor AI
Koji proces bi vaši podaci trebalo sledeći da unaprede?
Opišite nam proces, sisteme i odluku koja danas oduzima previše vremena ili nosi previše neizvesnosti. Zajedno ćemo proceniti gde prvi Data-to-Action workflow donosi najviše smisla.
Aleksandar Basara
Managing Director
aleks@valanor.co
Bulevar Milutina Milankovića 7Đ, 11070 Beograd, Srbija
