Automatizace koučovacích poznatků pomocí GenAI a AWS

Profesionální kouči často narazí na strop škálovatelnosti, protože tráví hodiny manuální analýzou fragmentovaných klientských dat a mír dokončení úkolů. Abychom to vyřešili, vyvinuli jsme serverless AI pipeline, která automaticky označuje výkonnostní trendy a navrhuje personalizované zprávy na základě sentimentu v reálném čase.

KlientB2B platform

PublikovánoJuly 2026

OdvětvíB2B produktivita

Tato případová studie zkoumá implementaci událostmi řízené architektury s využitím Amazon Bedrock a rodiny modelů Nova pro proměnu surových JSON dat na praktické souhrny pro koučink.

Klientem je inovativní B2B platforma pro produktivitu a osobní rozvoj, která pomáhá profesionálním koučům systematizovat jejich pracovní postupy a sledovat pokrok klientů. Jejich platforma přemosťuje mezery mezi koučovacími sezeními tím, že udržuje klienty zapojené a zodpovědné prostřednictvím denních rutin, sledování cílů a týdenních reflexí.

Kouči využívající platformu trávili nadměrné množství času manuálním procházením fragmentovaných klientských dat – například míra dokončení úkolů a kvalitativní týdenní reflexe. Bez centralizovaného, automatizovaného analytického nástroje bylo obtížné rychle posoudit skutečný pokrok klienta nebo identifikovat skrytá rizika, jako je vyhoření či klesající zapojení. Cílem klienta bylo vybudovat inteligentní motor, který ušetří koučům čas, automaticky označí kritické poznatky a proaktivně navrhne personalizované zprávy přizpůsobené aktuálnímu výkonu a emocionálnímu stavu klienta.

K řešení výzev klienta jsme navrhli a implementovali architekturu s plně bezserverovým, událostmi řízeným designem na AWS.

Z infrastrukturního hlediska řešení využívá spravované služby AWS k zajištění vysoké dostupnosti, škálovatelnosti a přísné kontroly nákladů.

Amazon S3: Slouží jako bezpečná vstupní zona pro přicházející datové snímky a úložiště pro generované AI poznatky.
AWS Step Functions: Slouží jako centrální orchestrátor celé pipeline. Spravuje stav a posloupnost vícekrokového analytického procesu a poskytuje vestavěné ošetření chyb a opakování.
AWS Lambda: Poskytuje bezserverový výpočetní výkon. Jednotlivé Lambda funkce jsou nasazeny pro zpracování konkrétních, izolovaných úloh (např. parsování JSON, komunikace s AI modely a formátování finálního výstupu).
Amazon Bedrock: Základní generativní AI služba. Bezpečně zpracovává prompty pomocí modelu Amazon Nova Premiere a aplikuje potřebné Guardrails, aby finální generované zprávy dodržovaly přísné bezpečnostní a tonální zásady.

Během vývoje jsme objevili několik důležitých technických poznatků, které výrazně ovlivnily efektivitu a nákladovou výhodnost finálního řešení:

Obejítí RAG pro strukturovaná data: Zpočátku byla zvažována pipeline typu Retrieval-Augmented Generation (RAG) využívající vektorovou databázi. Protože však vstupní data klienta byla poskytnuta ve vysoce strukturovaném formátu JSON, určili jsme, že složité nastavení RAG není potřeba. Přímým zpracováním strukturovaných dat se snížila jak latence, tak nároky na infrastrukturu.
Přijetí modelu na základě požadavků klienta: Klient specificky požadoval použití rodiny modelů Amazon Nova. Úspěšně jsme ji integrovali prostřednictvím Amazon Bedrock a prokázali, že je vysoce schopná zpracovávat jemně odstíněné koučovací instrukce a poskytuje vynikající nákladovou efektivitu pro požadované pracovní zátěže.
Optimalizace Bedrock Guardrails: Bezpečnost a bezpečnost obsahu jsou v koučinku klíčové. Ačkoli jsou Amazon Bedrock Guardrails nezbytné, naše nákladová analýza odhalila, že tvořily přibližně 84 % celkových nákladů na jeden požadavek na inferenci. Pro optimalizaci provozních výdajů jsme navrhli pipeline tak, aby Guardrails aplikovala pouze na finální výstup generovaný pro klienta, nikoli během mezikrokového navrhování.

Implementace byla velkým úspěchem a potvrdila, že generativní AI dokáže bezpečně a efektivně škálovat personalizovaný koučink.

Nákladová efektivita: Výběrem modelu a optimalizací Guardrails se celkové náklady na zpracování a analýzu týdenního snímku snížily na přibližně 0,014 – 0,017 USD za analýzu.
Dynamická kontextualizace: AI úspěšně prokázal schopnost přizpůsobit tonalitu a zaměření své komunikace na základě konkrétních výkonnostních kritérií a sentimentu a funguje jako skutečný co-pilot pro kouče.
Jasná cesta k produkci: Klient obdržel plně funkční demo prostředí a konkrétní integrační plán pro své minimálně životaschopné řešení (MVP), využívající Amazon DynamoDB a Amazon EventBridge k bezesšvovému propojení AI motoru s jejich existující aplikací.

AWS SERVICES

Amazon Bedrock

AWS Lambda

AWS Step Functions

Amazon S3

Klíčové poznatky

100 %

Serverless

0,016 $

Finální náklady na zpracování

0ms

Zpoždění

Igor je náš odborník na cloudové služby.

Zeptejte se ho na cokoliv.