I have spent more than a decade building production systems across Apple platforms, Windows, MDM and backend infrastructure.Více než desetiletý vývoj produkčních systémů napříč Apple platformami, Windows, MDM a backend infrastrukturou.
My background includes enterprise mobile SDKs, security software, cryptography, document signing, supervised device fleets and large-scale integrations.Praxe pokrývá enterprise mobilní SDK, bezpečnostní software, kryptografii, podepisování dokumentů, spravované flotily zařízení a integrace ve velkém měřítku.
Today I focus heavily on document intelligence, private AI inference and reliable production pipelines.Nyní se intenzivně věnuji dokumentové inteligenci, privátní inferenci AI a spolehlivým produkčním pipeline.
It did not start with prompting assistants. Objective‑C and Swift hardened under telemetry pressure, cryptography that had to defend itself in audits, supervised fleets that cannot afford fragile agents, backends that reconcile asynchronous truth — groundwork for document workflows where correctness is measurable.Nezačínal jsem „prompty“. Objective‑C a Swift pod telemetrickou zátěží, kryptografie musící obstát v auditech, spravované flotily nesnesou křehké agenty a backend řeší asynchronní pravdu — fundament pro práci s dokumenty, kde se správnost dá ověřit.
Swift, Objective‑C, UIKit and SwiftUI — contractual builds for constrained buyers, SDK layers inside enterprise ecosystems with sustained high‑volume ingestion, and consumer security shipped broadly.Swift, Objective‑C, UIKit a SwiftUI — smluvní dodávky pod přísnými omezeními, mobilní vrstvy nad enterprise datovými back-endy s masivním ingestem a bezpečnostní produkty se širokou distribucí.
Long-term experience across mobile platforms, security, backend systems and AI-focused products.Dlouhodobá praxe přes mobilní platformy, bezpečnost, backend a produkty s AI zaměřením.
In‑house inference stacks for documents, RAG pipelines, structured extraction, validation layers and local workflows.Vlastní inferenční stack nad dokumenty, RAG pipeline, strukturovaná extrakce, ověřovací vrstvy a lokální zpracování.
Products and platforms I actively build — not pitch decks.Produkty a platformy, na kterých reálně stavím — ne jen slidové prezentace.
Private AI systems, secure local inference, document intelligence and production AI workflows.Privátní AI systémy, bezpečná lokální inference, práce s dokumenty a produkční AI workflow.
Visit websiteNavštívit webAI-powered invoice understanding focused on reliability, validation and secure processing.AI pro faktury se zaměřením na spolehlivost, validaci a bezpečné zpracování.
Open productOtevřít produktProduction iOS and macOS development across fintech, security and enterprise environments.Produkční vývoj pro iOS a macOS ve fintechu, u bezpečnostního softwaru a v enterprise prostředích.
Experience with secure systems, cryptography and document signing workflows used in production environments.Praxe se zabezpečenými systémy, kryptografií a procesy podepisování dokumentů v ostřém provozu.
Cross‑platform experience outside the Apple ecosystem as well.Cross‑platform práce i mimo ekosystém Apple.
Backend services and AI‑related processing systems.Backend služby a zpracování související s AI.
My strongest area in AI is practical document understanding: a tight loop between a document‑focused inference engine, validation logic and backend services running as steady production workflows.Nejsilnější oblastí je pro mě praktické chápání dokumentů: těsně svázaný okruh inferenčního engine pro dokumenty, ověřovací logiky a backendových služeb ve stabilních produkčních procesech.
Beyond brittle OCR and regex-only pipelines: layered extraction where layout-aware parsers feed an inference stack tuned for structured outputs.Za hranicemi křehkého OCR a regex‑pipeline — vrstvená extrakce: rozhraní citlivé na rozvržení napojuje inference stack laděný na strukturovaný výstup.
Invoice understanding, VAT logic, line items, metadata extraction and structured JSON outputs.Čtení faktur, logika DPH, položky, metadata a strukturovaný JSON.
Experience with chunking, embeddings, Qdrant, retrieval quality and semantic search workflows.Chunking, embeddings, Qdrant, kvalita vyhledávání a sémantické workflow.
Building QA layers comparing extracted JSON against original documents to detect inconsistencies.QA vrstvy, které porovnávají extrahovaný JSON s originálem a odhalují nesrovnalosti.
LoRA fine-tuning, GPU inference, batching strategies and privacy-first architecture.LoRA fine‑tuning, inference na GPU, dávkování a architektura s důrazem na soukromí.
Real-world AI systems are not only about prompts. Reliability comes from validation, orchestration, retrieval quality and handling edge cases.Reálné AI není jen o promptech. Spolehlivost staví na validaci, orchestraci, kvalitě vyhledávání a zvládnutí okrajových případů.
Structured, engineering-first conversations — no hype, no boilerplate outreach.Strukturované, engineering-first konverzace — bez buzzwordů a generického oslovování.
Lessons from shipping, not from tutorials.Poučení ze skutečného provozu, ne z tutoriálů.
Generative AI is not just working with APIs and prompts. It sits on decades of evolution — statistical models and classical ML, deep neural nets, foundational architectures and multimodal systems.Generativní AI není jen práce s API nebo prompty. Oblast stojí na desítkách let vývoje — od statistických modelů a klasického machine learningu přes hluboké neuronové sítě, klíčové architektury a multimodální modely.
The GEN AI program (Johns Hopkins University / Great Learning) helped me situate modern AI systems in a broader technical framework:Program GEN AI (Johns Hopkins University / Great Learning) mi pomohl zasadit moderní AI systémy do širšího technického kontextu:
GEN AI · Johns Hopkins University / Great Learning
Verified certification and public credential record.Ověřený certifikát a veřejný záznam u vydavatele.
View certificateZobrazit certifikát