Proč to zajímá lidi kolem fotovoltaiky

NADPIS: Za pár tisíc naučíte robota hlídat FVE. A data pošlete rovnou do cloudu bez bastlení S3

Robotická ruka za cenu lepšího mobilu dnes umí sbírat data, trénovat model a nasadit novou „politiku“ bez toho, aby člověk ručně kopíroval gigabajty videí mezi notebookem, NASem a cloudem. Hezké. A trochu děsivé. Stejný princip, který dovolí robotovi poznat uvolněný konektor u fotovoltaického střídače, totiž připomíná i druhou stranu AI kamer: chytré brýle Meta se prodávají po milionech a veřejný prostor se mění v permanentní testovací dataset.

Proč to zajímá lidi kolem fotovoltaiky

Fotovoltaika už není jen panel, střídač a dotace. U větších instalací se z ní stává datový provoz. Kamery sledují rozvaděče. IoT čidla měří teplotu baterií. Operátor řeší přetoky, spotové ceny, sdílení elektřiny a občas také lidskou chybu. Třeba servisák zapomene dotáhnout kryt. Nebo investor slíbí monitoring, ale ve skutečnosti posílá jednou denně CSV soubor e-mailem. To není digitalizace. To je folklór.

Strands Agents, LeRobot a Hugging Face Storage Buckets dávají dohromady zajímavý pracovní řetězec. Strands Agents řídí agentní logiku. LeRobot řeší robotiku, záznam demonstrací, trénink a nasazení modelu. Hugging Face Storage Buckets fungují jako praktické úložiště pro větší pracovní data: videa, Parquet soubory, checkpointy, logy a mezivýsledky. Nejde o další marketingový „AI stack“. Jde o poměrně konkrétní způsob, jak nahrát demonstraci, uložit ji, trénovat z ní model a poslat výsledek zpátky na hardware.

V energetice to dává smysl hlavně tam, kde se opakuje ruční kontrola. Kontrola rozvaděčů u firemní FVE. Vizuální inspekce bateriového úložiště. Třídění fotek z termokamery. Vyhledávání vadných konektorů. Nebo robotická manipulace s testovacími vzorky ve firmě, která vyvíjí vlastní komponenty pro obnovitelné zdroje. Kdo řeší obchodní stránku provozu FVE, měl by vedle techniky sledovat i sdílení elektřiny, spotové ceny a možnosti IoT monitoringu. Bez dat z provozu totiž AI jen hezky hádá.

Co přesně skládáme: agent, robot a bucket

Strands Agents je otevřené SDK pro stavbu AI agentů v Pythonu i TypeScriptu. V praxi to znamená, že velký jazykový model nedostane jen prompt, ale také nástroje. Třeba funkci pro spuštění záznamu, synchronizaci datasetu, kontrolu metrik nebo nasazení checkpointu. Agent pak může dostat úkol typu: „Nahraj deset demonstrací kontroly konektoru, ulož je, spusť trénink ACT policy a výsledek nasaď na testovací rameno.“ Zní to ambiciózně. Ale kostra je překvapivě obyčejná.

LeRobot od Hugging Face používá jednotný formát datasetu. Typicky obsahuje synchronizované video, stav robota a akce. Video bývá v MP4, tabulková data v Parquet souborech. To je důležité. Když data zůstanou ve stejném formátu od záznamu po deployment, mizí celá kategorie otravných chyb. Žádné „tady máme jiný timestamp“, „tady kamera běžela na 25 fps“ nebo „tady se ztratila osa kloubu číslo 3“. Tedy aspoň ne tak často.

Hugging Face Storage Buckets do toho přidávají pracovní úložiště. Na rozdíl od klasických modelových a datasetových repozitářů na Hubu nejsou verzované stejným způsobem. Jsou mutable. Hodí se na logy, checkpointy, průběžné artefakty a velké sbírky souborů, které se mění. Hugging Face je popisuje jako S3-like objektové úložiště s přístupem přes web, CLI i Python API. Pro tým, který už používá Hugging Face, je to kratší cesta než stavět vlastní S3 bucket, IAM role a datový pipeline.

Pro energetiku je to praktické. U výrobce FVE nebo servisní firmy mohou vznikat stovky krátkých videí denně. Robotické rameno ukáže správné dotažení konektoru. Kamera sleduje štítek střídače. Agent rozhodne, co uložit, co zahodit a co poslat do dalšího tréninku. Pokud zároveň řešíte výnosy a využití vyrobené elektřiny, dává smysl napojit technický monitoring na obchodní logiku přes energetická platforma SES a konkrétní služby pro [výrobce FVE](https://smartenergyshare.com/pro-vyrobce?utm_source=share-electric&utm_medium=referral&utm_campaign=satellite-marketing).

Praktický start: hardware, instalace a první záznam

Na hraní nepotřebujete humanoida za cenu bytu v Brně. Stačí levnější rameno typu SO-100 nebo SO-101, webkamera a počítač s Linuxem. Orientačně počítejte pár tisíc až nižší desítky tisíc korun podle toho, jestli kupujete hotový kit, tisknete díly na 3D tiskárně, nebo berete serva z ověřeného zdroje. Kamera Logitech C920 pořád stačí na spoustu úloh. Lepší světlo často pomůže víc než dražší objektiv. Ano, nudné fyzikální fotony zase vyhrály nad hype.

Základní instalace může vypadat takto:

```bash python -m venv .venv source .venv/bin/activate pip install -U "strands-agents" "huggingface_hub" pip install -U "lerobot" hf auth login ```

U ukázky Strands Robots publikované na Hugging Face se používá balík se simulací a LeRobot integrací:

```bash git clone https://github.com/strands-labs/robots.git cd robots uv pip install -U "strands-robots[sim-mujoco,lerobot]>=0.5.1" jupyter notebook examples/notebooks/05_streaming_data_loop.ipynb ```

První rozumný úkol není „oprav FVE“. Lepší je nudná manipulace. Například: zvedni červenou kostku, polož ji do boxu, vrať rameno. Nasbíráte 20 až 50 demonstrací. Každá má několik desítek sekund. Pokud nahráváte 640 × 480 při 30 fps ze dvou kamer, data rostou rychle. Jeden malý experiment může mít jednotky gigabajtů. U servisních datasetů z reálných instalací přidáte termokamery, snímky štítků a logy ze střídače. Pak už se bavíme o desítkách až stovkách gigabajtů.

LeRobot umí trénovat policy přímo nad datasetem:

```bash lerobot-train \ --dataset.repo_id=${HF_USER}/so101_fve_kontrola \ --policy.type=act \ --output_dir=outputs/train/act_fve_kontrola \ --job_name=act_fve_kontrola \ --policy.device=cuda \ --wandb.enable=true \ --policy.repo_id=${HF_USER}/act_fve_kontrola ```

Na notebooku bez GPU to půjde pomalu. Na NVIDIA kartě typu RTX 4070 už to začne být použitelné pro malé experimenty. Cloudová A10G nebo L4 instance dává smysl, když nechcete kupovat kartu. Počítejte ale s tím, že trénink není jen výpočet. Platíte i za úložiště, přenosy, čas ladění a vlastní omyly.

Storage Buckets: proč necpát všechno do Git repozitáře

Klasický datasetový repozitář na Hubu je skvělý, když chcete publikovat stabilní dataset. Jenže sběr robotických demonstrací není stabilní. Dnes nahrajete 30 epizod. Zítra zjistíte, že kamera mířila na šroubovák místo na konektor. Pozítří doplníte další úhel. Pak smažete pět špatných běhů. Verzovat každý takový mezikrok jako svatý artefakt je přehnané.

Storage Buckets jsou pracovní vrstva. Vytvoření přes CLI je jednoduché:

```bash hf buckets create moje-org/fve-robot-data --private ```

Soukromý bucket je pro energetiku skoro povinnost. Z videa servisního zásahu se dá vyčíst víc, než by se majiteli elektrárny líbilo: adresa, typ technologie, uspořádání rozvaděče, zvyky pracovníků i bezpečnostní slabiny. A pokud na záznamu náhodou projde člověk, jste najednou také v soukromí a ochraně osobních údajů. Tady se AI romantika rychle potká s právní realitou.

V Pythonu lze bucket vytvořit také přes `huggingface_hub`:

```python from huggingface_hub import create_bucket

create_bucket("moje-org/fve-robot-data", private=True) ```

V ukázkovém workflow se dataset nahraje do bucketu, pak se čte zpět přes Hub bez kompletního lokálního stažení. To je dobré hlavně při tréninku na vzdáleném GPU. Neposíláte ručně zip soubory. Neřešíte, jestli kolega přepsal poslední verzi. Agent může zapsat běh pod `RUN_ID`, spustit trénink a po vyhodnocení označit checkpoint, který má jít na rameno.

Ceny Storage Buckets se řídí objemem uložených dat a tarifem Hugging Face. Vždy ověřte aktuální stránku `hf.co/storage`, protože cloudové ceníky se mění častěji než dotační formuláře. U malého prototypu vás obvykle bude bolet spíš čas lidí než samotné úložiště. U flotily kamer a robotů už se data stanou položkou v rozpočtu.

Agentní smyčka: záznam, trénink, nasazení, opakovat

Skutečná hodnota není v tom, že umíte spustit jeden příkaz. Hodnota je ve smyčce. Robot nahraje demonstrace. Agent je uloží. Tréninkový job spočítá policy. Evaluační běh změří úspěšnost. Pokud model selže, agent vyžádá další demonstrace v problematické situaci. Tomu se v robotice říká méně poeticky: sběr dat bolí a automatizace trochu tlumí rány.

Minimalistická představa nástroje ve Strands může vypadat takto:

```python from strands import Agent, tool

@tool def record_fve_episode(task: str, episodes: int = 10) -> str: """Nahraje demonstrace robotické kontroly.""" return f"Nahráno {episodes} epizod pro úkol: {task}"

@tool def train_policy(dataset: str, policy: str = "act") -> str: """Spustí trénink policy nad datasetem.""" return f"Trénink {policy} spuštěn nad {dataset}"

agent = Agent(tools=[record_fve_episode, train_policy]) agent("Nahraj 20 demonstrací kontroly DC konektoru a spusť ACT trénink.") ```

V produkci by tyto funkce nevracely jen text. Volaly by LeRobot, zapisovaly metadata do bucketu, kontrolovaly stav GPU jobu a ukládaly metriky. Klíčové je držet agenta na uzdě. Nástroj pro mazání datasetů nemá být dostupný bez potvrzení. Nástroj pro nasazení policy na skutečné rameno má kontrolovat verzi, typ robota, kalibraci a bezpečnostní zónu. AI agent není seniorní technik. Je to velmi rychlý junior s právem mačkat tlačítka. Podle toho mu nastavte oprávnění.

Pro FVE je užitečné spojit robotická data s provozními daty. Kdy vznikla chyba? Byl střídač v limitaci? Jaká byla spotová cena? Měla baterie vysokou teplotu? Tohle je místo, kde se technická AI potkává s energetickým řízením. Pro firmy dává smysl prozkoumat řešení pro firmy, u větších baterií také obchodování flexibility. Další praktické texty k AI a energetice najdete třeba na SmartEnergyShare.info nebo na BESS Global Blogu.

LFM2.5-DSpark, Ollama a inference na hraně

Trénink je jen polovina příběhu. Druhá polovina je inference. Tedy okamžik, kdy model skutečně běží. Liquid AI oznámil LFM2.5-DSpark s až 3,18× vyšší propustností na GPU a až 2,87× na zařízení díky spekulativnímu dekódování. U agentů je zajímavé hlavně snížení latence funkčního volání. Pokud agent rozhoduje, jestli má spustit kameru, přečíst senzor nebo zastavit rameno, čekání na tokeny se mění v reálné zpoždění.

Spekulativní dekódování zjednodušeně používá menší draft model, který navrhne několik tokenů dopředu. Větší model je pak ověří najednou. Výstup má zůstat stejný, ale běh je rychlejší. Není to kouzlo. Je to chytrá optimalizace paměťově vázané části inference. Pro lokální agentní systém u FVE to znamená, že část rozhodování může běžet blíž zařízení. Třeba v servisním kufru s malým GPU, nebo na výkonnějším edge počítači v areálu.

Open-source alternativa je jasná: Ollama pro lokální modely, llama.cpp pro kvantizované běhy, vLLM nebo SGLang pro serverovou inferenci, LoRA pro levnější doladění modelu. LoRA se hodí, když nechcete přeučovat celý model, ale potřebujete ho naučit slovník konkrétního provozu: názvy střídačů, chybové kódy, typy konektorů, interní postupy. U vizuálně-robotických policy to není náhrada za kvalitní demonstrace. Spíš doplněk pro textovou a rozhodovací vrstvu agenta.

Pozor na jednu věc. Rychlejší inference neznamená bezpečnější inference. Model, který třikrát rychleji udělá špatné rozhodnutí, je jen efektivnější problém. U robotiky kolem elektrických zařízení musí být tvrdé bezpečnostní limity mimo jazykový model. Nouzové zastavení, maximální síla, zakázané zóny, kontrola napětí, režim bez pohybu při otevřeném krytu. To patří do řídicí vrstvy, ne do promptu.

Soukromí: Meta brýle ukazují, co se může pokazit

Masový nástup AI brýlí od Mety je varování pro všechny, kdo dnes montují kamery do provozu. Ars Technica popsala, že Meta v roce 2025 prodala přes 7 milionů AI brýlí a plánuje výrobu v řádu desítek milionů kusů ročně. Zároveň rostou zákazy ve školách, na akcích i v provozech, protože malá dioda na brýlích není zrovna robustní společenská smlouva.

Proč to tahat do článku o robotech a fotovoltaice? Protože datový problém je stejný. Kamera na robotické ruce může omylem nahrát člověka. Servisní brýle mohou zaznamenat soukromý pozemek. Dataset z kontroly FVE může obsahovat bezpečnostní detaily objektu. A jakmile taková data pošlete do cloudu, musíte vědět kam, proč, kdo k nim má přístup a kdy se smažou.

Praktické minimum vypadá takto. Buckety nastavte jako soukromé. Používejte oddělené tokeny pro záznam, trénink a deployment. Neukládejte do názvů souborů adresy zákazníků. Obličeje a registrační značky rozmazávejte před sdílením datasetu. U interních dat nastavte retenční dobu. Když dataset slouží jen k natrénování policy pro kontrolu konektoru, nepotřebuje zůstat navždy. A u zákaznických instalací si vyžádejte souhlas s použitím dat pro vývoj. Nudné? Ano. Levnější než vysvětlovat únik videí z technické místnosti.

Energetické komunity řeší podobnou datovou disciplínu. Sdílení elektřiny stojí na čtvrthodinových intervalech, EAN kódech a alokačních klíčích. ERÚ k tomu uvádí jasná pravidla. Kdo chce prakticky nastavit komunitní energetiku, může začít u přehledu jak to funguje a pak řešit konkrétní model pro domácnosti, obce nebo firmy.

Dotace, návratnost a kde AI opravdu vydělá

Fotovoltaické dotace v Česku se posouvají od jednoduchého „tady máte příspěvek na panely“ k chytřejším renovacím, úvěrům a kombinaci opatření. Nová zelená úsporám v roce 2026 cílí podporu jinak než starší programy. Zranitelné domácnosti mohou čerpat zálohovou podporu, u dalších žadatelů hrají roli bezúročné úvěry a komplexnější renovace. Pro SVJ a bytová družstva se u FVE uvádějí částky například 350 000 Kč na základní systém 5 kWp, 40 000 Kč za další kWp a 15 000 Kč za 1 kWh lithiové akumulace. To už je dost peněz na to, aby se vyplatilo hlídat provoz lépe než pohledem do aplikace jednou za měsíc.

AI robotika sama dotaci nezachrání. Nepřidá panelům účinnost. Neobejde distribuční pravidla. Ale může zlevnit servis, zrychlit diagnostiku a snížit počet opakovaných výjezdů. U firemního areálu s několika střídači a baterií může být nejdražší právě čas technika. Když model předem označí podezřelé místo, člověk nejede naslepo. Když agent porovná kamerový záznam, teplotní anomálii a data ze střídače, může z banální kontroly vzniknout prediktivní údržba.

Návratnost počítejte tvrdě. Malý prototyp: robotické rameno, kamera, lokální PC a cloudové tréninky. Desítky tisíc korun. Firemní pilot: více kamer, robustní edge hardware, bezpečnostní kryt, integrace s monitoringem, právní dokumentace. Spíš stovky tisíc. Nasazení ve flotile: vlastní datová strategie, MLOps, audit, smlouvy a odpovědnost. Tady se už bez rozpočtu a vlastníka procesu neděje nic rozumného.

Největší přínos přijde tam, kde máte opakovatelný úkol, dost dat a jasnou cenu chyby. Kontrola rozvaděčů. Třídění servisních snímků. Vyhodnocování termografie. Automatické vytěžení štítků. U rodinného domu s jednou FVE je to spíš hračka pro nadšence. U provozovatele portfolia elektráren nebo servisní firmy už to může být konkurenční výhoda.

Závěr: kdo nezačne sbírat data, bude kupovat cizí modely

Strands Agents, LeRobot a Hugging Face Storage Buckets ukazují směr, který bude v AI robotice běžný: jeden pracovní tok od záznamu přes trénink až po nasazení. Ne po pěti nástrojích, třech discích a jednom zapomenutém adresáři `final_final_v3`. Pro fotovoltaiku a energetiku je to šance. Ne proto, že každý rozvaděč potřebuje robota. Ale proto, že provozní data se konečně dají využít systematicky.

Kontroverzní předpověď? Do tří let nebude hlavní rozdíl mezi servisními firmami v tom, kdo má levnější výjezd. Bude v tom, kdo má lepší dataset poruch, lepší monitoring a rychlejší uzavřenou smyčku mezi terénem a modelem. Kdo začne až ve chvíli, kdy mu dodavatel nabídne hotovou AI krabičku, bude trénovat cizí byznys. Kdo začne dnes s malým pilotem, může mít za rok vlastní data, vlastní postupy a méně výmluv.

Zdroje

Obchodujete s batteriovými úložišti nebo hledáte partnera pro flexibilitu a day trading elektřiny? SmartEnergyShare nabízí kompletní řešení pro BESS projekty od 50 do 250 kW — obchodování flexibility, SVR služby a IoT monitoring. Zjistěte víc →

Další články na toto téma najdete na: SdileniEnergie.info SmartEnergyShare není dodavatel elektřiny: Jak funguje el... Vice o chladný duben