AI pro networking: mýty a realita

Opravdu, mnoho networkingových aplikací deklaruje AI matchmaking nebo smart networking, ale za tím mohou stát velmi různé úrovně skutečné inteligence – od banálního třídění podle tagů až po skutečně adaptivní doporučení s prvky strojového učení.

Rozeberme to po úrovních – od jednoduchého k pokročilému, s příklady možných vzorců a logiky.

🧩 1. "AI" na úrovni filtrování a průniku tagů (90 % reálných případů)

Jak to funguje:

Účastníci uvádějí zájmy, odvětví, pozici, cíle (například "hledám partnery ve fintechu").
Algoritmus prostě počítá počet shod podle tagů nebo kategorií.

Vzorec může být:

$$\text{score}(A,B) = \frac{|T_A \cap T_B|}{|T_A \cup T_B|}$$

kde $T_A,\,T_B$ – množiny zájmů účastníků $A$ a $B$.

Poté třídění podle score a zobrazení „top-5“ doporučení.

Co se nazývá "AI":
– "Semantic matching" (ale ve skutečnosti jen synonymizace tagů přes Word2Vec nebo GloVe)
– "Interest similarity" (podle embeddingů slov zájmů)

👉 Realita: algoritmus funguje stabilně, ale ne „inteligentně“ – jen protíná pole.

🤖 2. "Smart" algoritmy na embeddingech (Embedding-based similarity)

Jak je to uspořádáno:

Každý účastník je reprezentován jako vektor příznaků (skills, cíle, popis profilu, firma, témata).
Model (například Sentence-BERT) převádí text profilu do číselného prostoru.
Pak se hledají nejbližší podle kosinové podobnosti.

Vzorec:

$$\text{similarity}(A,B) = \frac{v_A \cdot v_B}{\|v_A\| \, \|v_B\|}$$

(kosinová podobnost mezi embedding vektory)

Plus: Lze najít „sémanticky blízké“ lidi, i když nepoužívají stejná slova.
Mínus: Vyžaduje kvalitní texty a výpočetní výkon.

🧠 3. "Behavioral AI-matching" (vyskytuje se méně často)

Jak to funguje:

Systém sbírá chování uživatele: s kým komunikoval, koho lajkoval, koho přeskočil, které schůzky potvrdil.
Poté trénuje doporučovací model (jako Netflix):
- Collaborative filtering (podobní uživatelé – podobná doporučení)
- Nebo Reinforcement learning (optimalizace pomocí metrik odezvy)

Vzorec (příklad maticové faktorizace):

$$\hat{r}_{ij} = p_i^{T} q_j$$

kde $p_i$ – vektor preferencí uživatele $i$ a $q_j$ – vektor charakteristik jiného účastníka.

Čím vyšší $\hat{r}_{ij}$, tím vyšší „kompatibilita“.

Realita: Velmi vzácný případ, protože je potřeba hodně dat, aby to fungovalo.

🎩 4. "Kouzlo marketingu"

Některé platformy prostě dělají:

Náhodný výběr z těch, se kterými ses ještě neviděl;
Nebo filtrují podle města/odvětví;
A do popisu funkce přidají „AI powered“.

Kontrola je jednoduchá:
– Pokud v rozhraní není možnost uvést cíle/zájmy nebo se neshromažďují údaje o interakcích – „AI“ je tam fiktivní.
– Pokud jsou doporučení vždy šablonovitá a opakují se – pravděpodobně jde o obyčejný filtr podle tagů.

💡 Příklady skutečných platforem:

Platforma	Co deklarují	Co je ve skutečnosti
Brella	AI matchmaking	Tag overlap + Semantic matching
Grip	AI-powered networking	Embeddings + Interest weighting
Swapcard	Smart recommendations	Tag matching + Simple ML weighting
MeetingMojo / Whova	Smart search	Filtrování a třídění
Zerista / Bizzabo	Intelligent matches	Smíšený systém (tagy + analýza textu)

AI-matching pro konference – technická dokumentace

Sestaveno z popisu architektury, algoritmů a API, které ukazují realistickou implementaci smart-matchingu pro aplikaci konferencí.

Stručný obsah

Úrovně implementace „AI“: od jednoduchých tagů po behaviorální modely.
Hybridní vzorec skórování a konkrétní signály (tag, embedding, role, goal, behavior).
Pseudokód implementace a číselný příklad výpočtu score.
Schéma DB (PostgreSQL), tabulky a API-endpointy.
Architektura: Matching Service, AI Layer (embeddings + FAISS) a cachování.

1. Úrovně „AI“ v networkingových aplikacích

Níže – přehled realistických úrovní, které se vyskytují u dodavatelů:

1. Filtrování / průnik tagů

Jeden z nejrozšířenějších přístupů: účastníci uvádějí tagy/zájmy; platforma počítá shody (například Jaccard) a třídí podle tohoto ukazatele.

Vzorec (Jaccard): S_tag = |T_A ∩ T_B| / |T_A ∪ T_B|

2. Embeddingy a kosinová podobnost

Profily se převádějí do vektorového prostoru (Sentence-BERT, USE) a hledají se nejbližší sousedé podle kosinové míry.

Vzorec: S_embed = (v_A · v_B) / (||v_A|| ||v_B||)

3. Behaviorální modely

Využívají data o interakcích (lajky, schůzky, zobrazení) a staví collaborative filtering, maticovou faktorizaci nebo graph embeddings.

Vyžaduje dostatečný objem dat, proto se vyskytuje méně často.

4. Marketingová „AI-magie“

Některé platformy zjednodušují – používají randomizaci nebo čisté filtrování, ale funkci označují jako „AI“. Ověřovat podle UI a přítomnosti textových signálů/chování.

2. Hybridní vzorec skórování (koncept)

Spojujeme signály s vahami. Obecný vzorec:

$$ \text{score}(A, B) = \sigma \big( w_1 \cdot S_{\text{tag}} + w_2 \cdot S_{\text{embed}} + w_3 \cdot S_{\text{role}} + w_4 \cdot S_{\text{goal}} + w_5 \cdot S_{\text{behavior}} - w_6 \cdot C_{\text{conflict}} \big) $$

Zde σ – normalizace (například sigmoida) pro převedení výsledku do (0,1).

Signály (popis)

$S_{\text{tag}}$ – podobnost podle tagů (Jaccard nebo weighted overlap);
$S_{\text{embed}}$ – kosinová podobnost embeddingů (normalizujeme do [0,1]);
$S_{\text{role}}$ – matice kompatibility rolí (například founder ↔ investor = 0.9);
$S_{\text{goal}}$ – shoda cílů (hledám / nabízím);
$S_{\text{behavior}}$ - collaborative signal (kdo lajkoval/domlouval schůzky podobným uživatelům);
$C_{\text{conflict}}$ – penalizace (například stejný e-mail/firma → vyloučení nebo silná penalizace);

3. Konkrétní vzorce signálů

3.1 Tag similarity (Jaccard)

$$S_{\text{tag}}(A, B) = \frac{|T_A \cap T_B|}{|T_A \cup T_B|}$$

3.2 Embedding similarity (cosine)

$$S_{\text{embed}}(A, B) = \frac{v_A \cdot v_B}{\|v_A\| \, \|v_B\|}$$

Hodnota v [-1,1] → normalizujeme do [0,1] jako (x+1)/2.

3.3 Role compatibility

Matice kompatibility rolí: předem zadaná tabulka hodnot v rozsahu [0,1].

3.4 Goal match

Jednoduchá logika shody cílů (například „hledám partnery“ vs „nabízím partnerství“ → 1.0).

3.5 Behavioral signal

Příklad: využití informací o tom, které profily si vybrali podobní uživatelé.

Nejjednodušší signatura: $$S_{\text{behavior}}(A, B) = \frac{\#\,\text{users similar to } A \text{ who connected to } B}{\#\,\text{users similar to } A}$$

4. Normalizace a spojení

Každý signál normalizujeme do [0,1]. Poté kombinujeme podle vah a aplikujeme sigmoidní normalizaci:

$$ \text{raw} = \sum_i w_i S_i - w_6 C $$

$$ \text{score} = \text{sigmoid}\left( \alpha \cdot (\text{raw} - \beta) \right) $$

5. Číselný příklad

Nechť:

$T_A = \{\text{fintech}, \text{payments}, \text{API}\}$
$T_B = \{\text{payments}, \text{banking}\}$
$S_{\text{tag}} = \frac{|T_A \cap T_B|}{|T_A \cup T_B|} = \frac{1}{4} = 0.25$
$\text{cosine}(v_A, v_B) = 0.6 \Rightarrow S_{\text{embed}} = \frac{0.6 + 1}{2} = 0.8$
$S_{\text{role}} = 0.7,\; S_{\text{goal}} = 1.0,\; S_{\text{behavior}} = 0.0,\; C_{\text{conflict}} = 0$

Váhy: $w_{\text{tag}}=0.15,\; w_{\text{embed}}=0.35,\; w_{\text{role}}=0.15,\; w_{\text{goal}}=0.25,\; w_{\text{behavior}}=0.05$

\[ \text{raw} = 0.15 \cdot 0.25 + 0.35 \cdot 0.8 + 0.15 \cdot 0.7 + 0.25 \cdot 1.0 + 0.05 \cdot 0 = 0.6725 \] \[ \text{score} = \sigma(8 \cdot (0.6725 - 0.5)) \approx \sigma(1.38) \approx 0.8 \]

Celkem: B – výborný kandidát ($\text{score} \approx 0.8$).

6. Praktické postupy a vylepšení

Cold start: oblíbené profily + signály pouze z obsahu.
Trénování vah: A/B testování a supervised learning (logistická regrese, LightGBM) podle štítků užitečnosti.
Rychlost: předpočítávat embeddingy, ANN (FAISS/pgvector) → candidate generation + re-rank.
Interpretovatelnost: zobrazovat důvod shody v UI (společné tagy, shoda cílů).
Soukromí: možnosti "neúčastnit se", explicitní uvedení, jaká data se používají.

7. API-endpointy (REST)

GET /api/users/{id} – profil a tagy.
POST /api/users – vytvoření/aktualizace profilu (spouštěč generování embeddingu).
GET /api/matching/{user_id} – vrací top-N doporučených partnerů pro rozhovor (refresh parametr pro přepočet).
GET /api/matching/search – vyhledávání kandidátů podle filtrů (tags, roles, location).
POST /api/interactions – registrace like/skip/meeting_confirmed (zpětná vazba pro model).

8. Architektura a tok dat

Stručně: Frontend ↔ API Gateway ↔ Matching Service ↔ Database / AI Layer / Cache.

Architektonický diagram

Aktualizovaný flowchart: Matching Service, AI Layer (embeddings + ML), DB, Cache.

9. Pipeline ML na pozadí

daily_batch.py – sbírá interactions, aktualizuje latent vectors.
retrain_embeddings.py – regenerace embeddingů po změně modelu.
generate_faiss_index.py – staví ANN index pro rychlé top-N dotazy.

10. Doporučení pro MVP a škálování

Začít s tagy + Jaccard → přidat embeddingy (Sentence-BERT) → ANN (FAISS) + re-rank.
Cache shod 1–3 hodiny pro snížení zátěže.
Pro 50k účastníků – pgvector + Redis; >100k - FAISS/Milvus.

A formát, kdybychom byli běžnou službou pro marketéry a laiky:

sběr dat

Sběr zájmů a preferencí účastníků

Pro vytvoření relevantních doporučení podle profilu je zapotřebí velký objem dat. Účastníci tato data přirozeně shromažďují vyplňováním údajů ve svých profilech a prostým používáním platformy

Účastníci navštěvují profily jeden druhého a spojují se prostřednictvím zpráv a žádostí o schůzky
To zanechává stopu spojení a vytváří složitou síť interakcí účastníků
Spolu s daty z jejich profilů jsou tyto informace nepřetržitě předávány našemu algoritmu strojového učení v režimu blízkém reálnému času

analýza dat

Porozumění potřebám účastníků pomocí strojového učení

Při sběru dat je algoritmus zároveň zpracovává. Tento nepřetržitý cyklus mu umožňuje zjistit, co každého účastníka zajímá

Algoritmus neustále analyzuje chování účastníků a informace v jejich profilech
Jde o interpretaci dat k pochopení zájmů a cílů každého účastníka
Když to pochopí, dokáže předpovědět, které profily mohou účastníka zajímat

doporučené profily

Poskytování relevantních doporučení profilů

Po vytvoření doporučení je lze představit účastníkům. To podněcuje zapojení a interakci v rámci vaší networkingové akce

Každý účastník vidí jinou sadu doporučení profilů podle svých zájmů
Jak algoritmus dále zpracovává data, doporučení se zlepšují
Účastník může některá doporučení označit jako nerelevantní, což zase pomáhá algoritmu
Čím aktivnější účastník, tím lepší doporučení