Claim OwnershipData: Heaven or Hell? (Adastra Podcast)
Subscribed: 2Played: 50
Subscribe
© Adastra s.r.o.
Description
Listen to Adastra’s podcast dedicated to latest trends in data management, AI and analytics.
This engaging podcast series showcases the visionaries reshaping the tech landscape. Featuring strategic leaders and boardroom heroes who persuade decision-makers to back new technologies, each episode dives into stories of ambition, innovation, and collaboration.
Join us to witness the evolution of technology across various sectors.
This engaging podcast series showcases the visionaries reshaping the tech landscape. Featuring strategic leaders and boardroom heroes who persuade decision-makers to back new technologies, each episode dives into stories of ambition, innovation, and collaboration.
Join us to witness the evolution of technology across various sectors.
79 Episodes
Reverse
Rehan Shah, General Manager and Head of Channel and Partner Sales for US Greenfield at AWS, explains how the right mix of AI tools, trustworthy data, and strong controls turns early AI trials into real business results. He shows how AWS provides access to top models, better value, responsible AI practices, and secure ways to connect your systems. Examples include instant insights from manufacturing data and Breakthru Beverage moving hundreds of servers, plus quick AI helpers like a Sales Coach and a Legal Assistant. He also shares how to keep costs in check and set up a company-wide AI program with clear budgets and accountability.
What does it take to move from quick wins with Amazon Q to custom agents on Bedrock that scale across the enterprise?
When is “good enough” data enough to start, and how can AI assistants surface gaps while improving data quality over time?
Which operating model and risk-based guardrails help leaders control cost and compliance while accelerating adoption?
Chris‑Markus “CMK” Kratz, AWS Global Director of Automotive and Manufacturing, explains how outcome‑first, customer‑obsessed transformation and ecosystem partnerships are reshaping the industry. He details the shift to software‑defined vehicles and the car as a proactive companion, how GenAI is collapsing mainframe refactoring from years to months, and what it takes to move beyond pilots to production. Kratz shares lessons from Amazon’s own “shop floor” in its fulfillment centers, why the cloud is ready for OT, and why critical thinking and change management matter as much as technology. He also covers autonomy at scale, the equalizing effect of AI for SMBs and OEMs alike, and the “better together” role of SIs like Adastra.
How do OEMs and suppliers work backwards from outcomes to deploy GenAI in real production?
What makes the factory floor ready for cloud and AI, and how do you ensure resilience?
How does mainframe modernization unlock microservices and accelerate transformation?
Which ecosystem partnerships and governance practices deliver value without slowing execution?
Is AI the great equalizer across company sizes, and how should leaders manage the cultural shift?
Glenn Remoreras, EVP, Chief Information Officer at Breakthru Beverage Group, shares how a cloud-first “platform, data, AI” architecture and executive-led AI readiness turn market pressures into value. He highlights migrating 300+ services to AWS, why the data layer is the most critical, risk-based guardrails, and quick-win pilots like Legal GPT and an AI Sales Coach.
What does it take to build a foundation that learns fast and scales AI beyond hype?
When is “good enough” data enough, and how can AI expose and fix the gaps?
Which operating model and governance enable adoption without slowing delivery?
Jak dlouho trval vývoj a rollout řešení?
Proč byl pilot klíčový pro přijetí mezi poradci?
A jaké další procesy chtějí v Člověku v tísni digitalizovat dál – od komunikace s finančním arbitrem až po soudy?
Více o řešeních Power Platform a kvalitě dat.
Learn more about: Adastra AI
What does it take to build an incubator that learns fast and delivers real value?
When is “good enough” data enough—and how can AI expose and improve the gaps?
Which operating model and governance practices drive adoption without slowing execution?
Learn more about: GenAI, Adastra AI
How can artificial intelligence help protect biodiversity?
Will we ever objectively understand what is in the “interest” of other species?
And what happens when the interests of different species collide?
How does Snowflake work with AI models to keep data in a secure environment
Why is going back to on-prem solutions no longer an option?
And why does Wojtkowski believe SaaS and AI will dominate the future of data platforms?
What use cases are companies solving with Fabric most often?
How can organizations start with smaller projects and scale them to an enterprise level?
And why does Andersen believe it’s always worth building new solutions “on a blank sheet of paper”?
How can data observability organizations detect silent failures before they impact business decisions?
What’s the difference between data quality management and data observability—and why does it matter for AI readiness?
What should organizations consider when deciding to build or buy a data observability solution?
Learn more about the solution: AI-ready data
Proč je porovnávání statutů fondů ideální úkol pro umělou inteligenci— a jak AVANTu pomáhá snížit riziko chyb i právní nejistoty.
Jak by AI mohla asistovat při oceňování aktiv na základě předchozích posudků a výpočtových rámců.
Proč si Bezděk myslí, že AI může porazit juniory, ale ne nahradit manažera, který dělá zásadní rozhodnutí bez dostatku dat.
Jaké změny AI přináší na trh práce — a proč se podle Bezděka vyplatí jít cestou, která člověka skutečně baví.
Proč je regulace AI nezbytná, i když nedokáže zastavit vývoj.
A jak by mohla AI sehrát roli ve světovém geopolitickém přetahování o technologickou dominanci.
How do you measure the success of data governance? Where do you find both the technical and “human” profiles for the team? And why should data governance be a natural part of work — not just another extra activity?
In the podcast, Pavlína Vajgarová, Data Intelligence Lead at one of the largest Czech banks, explains how Česká spořitelna gradually transformed its approach to data over three years — from an Excel sheet of business terms to a dedicated data governance team and a full organizational rollout.
Zemědělské stroje, které se skládají z tisíců dílů. Tým plánovačů, který přestával stíhat každou změnu. A linková výroba, která měla přinést vyšší efektivitu – ale zpočátku zpomalila celý provoz. „Museli jsme si přiznat, že to sami neutáhneme. A začali jsme hledat nástroj, který by plánování zvládl rychleji a lépe než člověk,“ říká Jan Slavík, IT ředitel společnosti Bednar FMT, v podcastu Adastry. Zjistěte více o řešení: AI plánování a optimalizace
V CETIN nepodléhají každému hype. Když přišla AI vlna, místo chatbotů a hezkých demo ukázek začali hledat konkrétní byznysové případy, kde může umělá inteligence reálně pomoct. „Nepotřebujeme víc sexy nástrojů. Potřebujeme nástroje, které fungují,“ říká Jan Štěpánovský, CIO CETIN, v novém dílu podcastu Adastry. Zjistěte více o řešení: Data governance
Zjistěte více o řešení: Hyperautomatizace
Tracking ESG data in Excel? With over 100 sites in 50 countries, that simply wouldn’t work at KUKA. “To manage ESG effectively, it’s not enough to just collect data. We need to understand the impact – across divisions, regions, and products,” says Kerstin Heinrich, Head of Corporate Sustainability at KUKA. In the latest Adastra podcast episode, she explains how ESG reporting is no longer just a compliance formality. It’s becoming a new standard—much like financial accounting. KUKA implemented Microsoft Sustainability Manager, built a custom data collector, and developed detailed guidelines for data governance and estimations.
Na trhu existuje přes 900 000 jazykových modelů. Najít ten nejlepší pro konkrétní úkol je pro většinu lidí téměř nemožné. I proto vznikla platforma Everbot, která za uživatele vybere ideální AI model. „Lidé chtějí výsledek. Ne řešit, který z nástrojů použít,“ říká v novém dílu podcastu Adastry Roman Berglowiec, zakladatel a CEO Everbot a podnikatel, který s AI pracuje už od roku 2018.
Jak snížit spotřebu materiálu v lakovně, vytížit linky ve svařovně a zohlednit 13 výrobních omezení v každodenním plánu? V Hyundai Nošovice na to šli přes data a optimalizační algoritmy. „Naše výroba funguje jako obrovský orloj – pokud něco nezapadne, celé se to zpomalí. Lidské plánování už nestačilo,“ říká Artur Heider, specialista na výrobní plánování v Hyundai, v novém díle podcastu Adastry. Ve spolupráci s Adastrou spustili proof of concept optimalizačního softwaru pro lakovnu a svařovnu. Výsledek? Úspora okolo 13 milionů korun ročně a návratnost investice do čtyř měsíců.
Co všechno projekt přinesl?
Ve svařovně pomohl model zohlednit složitá omezení pro sekvenci modelů různých aut, aby nedocházelo ke zbytečným prostojům.
V lakovně vedla optimalizace k výraznému snížení spotřeby ředidel, protože minimalizuje zbytečné přepínání barev.
Softwarová aplikace se přes API napojuje na interní systém, upraví plán a vrací ho zpět – denně, automaticky.
Projekt zaujal i ostatní závody v rámci koncernu Hyundai-Kia, například v Žilině nebo Turecku. A co bylo nejtěžší? „Přesvědčit vedení, že se vyplatí investovat do nástroje, který není z Koreje. Ale povedlo se – a dnes už vidí výsledky,“ uzavírá Heider. Zjistěte více o řešení: AI plánování a optimalizacePřečtěte si celou případovou studii: https://adastracorp.com/cs/success-stories/optimalizace-vyrobniho-planu-a-lakovny-setri-hyundai-125-milionu-kc-rocne/
Jestli chcete demokratizovat data, nestačí nasadit nový cloud nebo postavit datový tým. „Data mesh není jen technologická změna. Měníme způsob, jakým firma přemýšlí o datech i o odpovědnosti,“ říká Adéla Ráčková, Tribe Leader datového týmu v T-Mobile, v novém dílu podcastu Adastry. Spolu s Vojtěchem Laifrem, Data Mesh Product Ownerem, mluví o tom, proč se rozhodli opustit starý datový sklad a jít cestou decentralizace. T-Mobile dnes buduje hybridní architekturu s využitím privátního i veřejného cloudu, zavádí datovou akademii, datovou kulturu a mění i operační model tak, aby byznysové jednotky samy vytvářely datové produkty a sdílely je napříč firmou. - Osm byznysových domén už pracuje s data meshem. Cílem je jich 47 – a žádná cesta není stejná. - Vzdělávání běžných uživatelů i analytiků běží přes datovou akademii a interní komunitu. - Kde nestačí centrální IT, nastupují týmy s vlastními datovými rolemi. Výsledkem jsou rychlejší use cases, které přináší hodnotu bez zdlouhavého schvalování. Jak se nastavuje data governance v decentralizovaném světě? Kdy dává smysl veřejný cloud – a kdy ten privátní? A proč je důležité nezapomenout na manažery, kteří mají datové změny podporovat? Zajímá vás data mesh? Zjistěte více: https://adastracorp.com/cs/data-mesh/
Každý den musí AAA Auto vykoupit a prodat 300 aut. Bez pokročilých datových systémů by to podle Zdeňka Demetera, CEO společnosti Resulmatic (data a AI divize AAA Auto), nebylo možné. „Dnes už nejsme jen data-driven firma. Jsme data-managed. Polovina cesty zákazníka je čistě digitální,“ říká v novém dílu podcastu Adastry.V podcastu popisuje, jak Resulmatic za posledních deset let vybudovala robustní datovou infrastrukturu a týmy, které zajišťují, aby byl nákup a prodej ojetých vozů v Česku, na Slovensku i v Polsku maximálně efektivní.- Každý týden probíhá detailní rozbor více než 20 klíčových metrik napříč celým funnel procesem.- Nasazení AI hlasového asistenta do call centra přineslo výsledky tak dobré, že dnes zvládá velkou část běžné agendy lépe než lidští operátoři.- Z dat dokážou predikovat poptávku, sezónnost i důsledky geopolitických změn. A to v reálném čase.Jak se podařilo postavit firmu, kde se každý týden dívají na čísla až na třech úrovních managementu? Jak AI volá zákazníkům a domlouvá schůzky? A proč je podle Demetera nejtěžší věcí v AI projektech dodat správný kontext dat?Poslechněte si celý díl podcastu.Zjistěte více o řešení: AI-ready data
Comments
Download from Google Play
Download from App Store
United States