Aproximace PENB štítku je veřejná aplikace, která převádí běžná provozní data bytu do orientačního odhadu energetické náročnosti. Cílem není nahradit certifikovaný průkaz energetické náročnosti budovy, ale dát vlastníkovi, kupujícímu nebo poradci rychlý a obhajitelný podklad pro další rozhodnutí.

---

Přehled projektu

Projekt spojuje několik vrstev, které se u podobných nástrojů často řeší odděleně:

• validaci vstupních údajů o bytě a vytápění,
• práci s meteorologickými daty pro danou lokalitu,
• kalibraci zjednodušeného RC modelu podle skutečné spotřeby,
• převod výsledku do srozumitelné energetické třídy a komentáře ke spolehlivosti,
• veřejný dvojjazyčný deployment, který je možné okamžitě sdílet.

Výsledkem není jen výpočet. Je to malý produkt se vstupním workflow, výpočetním jádrem, reportem a provozní vrstvou.

---

Problém

V praxi často existuje mezera mezi tím, co člověk potřebuje vědět hned, a tím, co poskytne formální audit:

• vlastník chce rychle zjistit, zda spotřeba odpovídá parametrům bytu,
• investor potřebuje předběžný screening ještě před hlubší due diligence,
• poradce nebo správce portfolia hledá způsob, jak prioritizovat jednotky k dalšímu řešení.

Formální PENB je pro právní účely správná cesta, ale pro první orientaci bývá příliš pomalá a drahá. Tento projekt vznikl právě pro situaci, kdy je potřeba rychlé rozhodovací vodítko založené na datech.

---

Řešení

Architektura

• Streamlit aplikace jako veřejné rozhraní pro zadání parametrů, výpočet a zobrazení výsledků.
• Doménové jádro v Pythonu, které validuje vstupy, připravuje časové řady, kalibruje model a simuluje roční potřebu energie.
• Hybridní vrstva počasí, která kombinuje WeatherAPI, Open-Meteo a fallback mechanismus pro případ chybějících dat.
• HTML report, který převádí výsledek do formy vhodné ke sdílení nebo dalšímu posouzení.

Návrhové principy

• Jednoduchý vstup pro uživatele, ne jednoduchý model za každou cenu.
• Transparentní omezení: aplikace otevřeně pracuje s tím, že jde o orientační odhad.
• Více režimů výpočtu: od rychlého odhadu po náročnější kalibraci.
• Oddělení výpočetní logiky od UI, aby bylo možné model a prezentaci iterovat zvlášť.

---

Workflow aplikace

Aplikace dnes pokrývá pět hlavních kroků:

1. Lokalita – zadání místa, pro které se připravují meteorologická data.
2. Parametry bytu – plocha, výška stropu, teplotní režim a typ vytápění.
3. Provozní data – nahrání CSV nebo práce s ukázkovými daty, výběr měsíců bez topení a odhad TUV.
4. Výpočet – výběr režimu, kalibrace modelu a simulace referenčního roku.
5. Výsledek – energetická třída, kvalitativní komentář, základní metriky a export reportu.

To je důležité i z produktového pohledu: uživatel není vystaven technickému detailu modelu dříve, než má správně připravený vstup.

---

Klíčové vlastnosti

• Tři výpočetní režimy podle kvality a rozsahu vstupních dat.
• Pět logických obrazovek UI, které vedou uživatele od vstupu k výsledku.
• Tři vrstvy počasí a fallbacku, aby aplikace nebyla křehká při výpadku jednoho zdroje.
• Kalibrace podle reálné spotřeby, nikoli jen statická tabulková aproximace.
• Výstup zaměřený na interpretaci, ne pouze na číslo bez kontextu.

Oblast	Aktuální stav
Veřejný přístup	Ano, přes samostatnou subdoménu
Jazykové verze	Čeština a angličtina
Export výsledku	HTML report
Režimy výpočtu	Basic, Standard, Advanced
Typ modelu	Zjednodušený RC model s kalibrací

---

Nasazení a provozní vrstva

Projekt je nasazen jako kontejnerizovaná Streamlit aplikace. Důležité je, že nejde jen o lokální experiment:

• existuje veřejná česká i anglická instance,
• běží v Dockeru s odděleným storage a reporty,
• je připravený na další iterace bez nutnosti přepisovat celé rozhraní,
• má jasně oddělené UI, doménovou logiku a reportovací vrstvu.

Stejně důležité jako samotný model je i to, že výsledek lze ukázat veřejně a srozumitelně. To z projektu dělá skutečnou case study, ne jen interní analytický skript.

---

Důležité omezení

Výstup aplikace je orientační odhad, nikoli oficiální PENB. Právě proto projekt klade důraz na vysvětlení nejistoty, doporučení pro interpretaci a jasné oddělení mezi rychlým screeningem a formálním auditem.

---

Série článků o vzniku aplikace

Na projekt navazuje úvodní článek a pětidílná série, která rozebírá, jak aplikace vznikala od problému přes data až po deployment:

0. PENB z provozních dat: kde končí odhad a začíná rozhodnutí – byznysový a produktový kontext celé aplikace.
1. Aproximace PENB štítku – Díl 1: Proč nestačí čekat na formální audit – proč má smysl orientační výpočet z provozních dat.
2. Aproximace PENB štítku – Díl 2: Jak z běžných spotřeb vznikne validní vstup – jak připravit data pro model bez zbytečného chaosu.
3. Aproximace PENB štítku – Díl 3: Počasí, topná sezona a RC model bez magie – jak funguje kombinace počasí, kalibrace a simulace.
4. Aproximace PENB štítku – Díl 4: Jak z výpočtu udělat aplikaci pro běžného uživatele – proč je UX stejně důležité jako model.
5. Aproximace PENB štítku – Díl 5: Nasazení, limity a co by přišlo dál – transparentně o provozu, limitech a dalším směru.

Unified ML Pipeline

Project Overview

Design and implementation of a unified ML pipeline for a banking institution, which accelerated model deployment and improved the stability of predictions.

---

The Challenge

The client had fragmented ML processes with different approaches across individual teams:

• Long deployment times for new models (averaging 10+ days)
• Inconsistent model quality
• Difficulty in tracking versions and experiments

---

The Solution

Architecture

• Databricks as the central platform for ML
• MLflow for tracking experiments and model registry
• Optuna for automated hyperparameter tuning
• Docker containers for a consistent environment

Key Features

1. Automated feature engineering pipeline
2. Centralized model registry with versioning
3. A/B testing for gradual deployment
4. Monitoring and alerting for model drift

---

The Results

Metric	Before	After	Improvement
Model deployment time	10 days	2 days	-8 days
Model accuracy	baseline	+15%	+15%
Pipeline execution time	4 hours	2.4 hours	-40%

---

Technology Stack

• Python, PySpark
• Databricks, MLflow
• Optuna, Docker
• GitHub Actions (CI/CD)