Umělá inteligence má vlastní jazyk plný zkratek a pojmů, které se často překrývají. Tento slovník vysvětluje 50 nejdůležitějších výrazů z oblasti AI jednoduše, věcně a s praktickými příklady.

Základy umělé inteligence

1. Umělá inteligence (AI)
Obor vytvářející systémy schopné řešit úlohy spojované s lidskou inteligencí: rozumět textu, rozpoznávat obraz, plánovat nebo doporučovat další krok.
2. Strojové učení (Machine Learning, ML)
Způsob tvorby softwaru, při němž se model učí vztahy z dat místo ručního zápisu všech pravidel. Příkladem je rozpoznávání spamu.
3. Hluboké učení (Deep Learning)
Část strojového učení využívající neuronové sítě s mnoha vrstvami. Uplatňuje se při práci s obrazem, zvukem, videem i jazykem.
4. Neuronová síť
Výpočetní model tvořený propojenými vrstvami uzlů. Během tréninku upravuje své váhy, aby vstup převáděl na co nejpřesnější výstup.
5. Algoritmus
Přesně definovaný postup pro řešení úlohy. V AI určuje například způsob učení, vyhledávání řešení nebo výběr výsledku.
6. Model AI
Natrénovaný matematický systém, který přijímá vstup a vytváří předpověď či obsah. Modelem je klasifikátor obrázků i velký jazykový model.
7. Parametr
Číselná hodnota uvnitř modelu, kterou trénink upravuje. Parametry uchovávají naučené vztahy; vyšší počet sám o sobě nezaručuje vyšší kvalitu.
8. Inference
Okamžik, kdy natrénovaný model zpracovává nový vstup a vytváří výsledek. Když chatbot odpovídá, právě probíhá inference.

Učení a tvorba modelů

9. Trénink modelu
Proces, při kterém model pracuje s daty, měří chybu a upravuje parametry. Trénink velkých modelů vyžaduje rozsáhlou výpočetní infrastrukturu.
10. Trénovací data
Data používaná k učení modelu. Jejich kvalita, původ, aktuálnost a rozmanitost zásadně ovlivňují schopnosti i chyby výsledného systému.
11. Učení s učitelem
Model se učí z příkladů se známou správnou odpovědí. Používá se pro klasifikaci, předpověď ceny nebo rozpoznávání objektů.
12. Učení bez učitele
Model hledá strukturu v datech bez připravených správných odpovědí. Umí seskupit podobné zákazníky nebo odhalit neobvyklé chování.
13. Posilované učení (RL)
Agent se učí rozhodovat pomocí odměn a postihů za následky akcí. Metoda se používá ve hrách, robotice, optimalizaci i dolaďování modelů.
14. Fine-tuning
Dodatečné trénování existujícího modelu na užším souboru příkladů. Přizpůsobuje styl, terminologii nebo chování konkrétní úloze.
15. Transfer learning
Přenesení znalostí z modelu vytrénovaného pro jednu oblast do jiné úlohy. Dobré výsledky pak lze získat i s menším množstvím vlastních dat.
16. Overfitting (přeučení)
Stav, kdy si model příliš zapamatuje trénovací data a selhává na nových příkladech. Omezuje se vhodným testováním a regularizací.
17. Dataset
Uspořádaná datová sada pro trénink, validaci nebo testování. Může obsahovat text, obraz, zvuk, tabulky i štítky správných odpovědí.

Generativní AI a jazykové modely

18. Generativní AI
Modely vytvářející nový text, obraz, hudbu, video nebo kód podle vzorů naučených z dat a pokynů uživatele.
19. Velký jazykový model (LLM)
Neuronová síť natrénovaná na rozsáhlých textových datech. Umí shrnovat, překládat, odpovídat, analyzovat a generovat programový kód.
20. Transformer
Architektura neuronové sítě založená na mechanismu pozornosti. Efektivně zpracovává vztahy mezi částmi textu a stojí za většinou současných LLM.
21. Token
Jednotka textu, se kterou model pracuje. Může jít o slovo, část slova, číslo či interpunkci; počet tokenů ovlivňuje cenu i délku kontextu.
22. Kontextové okno
Maximální množství tokenů, které model při jednom požadavku zohlední. Patří sem instrukce, historie, dokumenty i očekávaná odpověď.
23. Prompt
Vstupní pokyn pro model. Dobrý prompt popisuje cíl, kontext, omezení, očekávaný formát a případně příklady správného výsledku.
24. Prompt engineering
Navrhování a testování instrukcí pro spolehlivější výsledky. Zahrnuje strukturu zadání, příklady, práci s kontextem a kontrolu výstupu.
25. System prompt
Instrukce s vyšší prioritou, které určují roli, pravidla a hranice asistenta. Běžný uživatel je často nevidí.
26. Teplota (Temperature)
Nastavení ovlivňující variabilitu odpovědí. Nižší hodnota bývá předvídatelnější, vyšší podporuje pestrost, ale může zvýšit chybovost.
27. Multimodální model
Model pracující s více druhy vstupů nebo výstupů, například současně s textem, obrazem, zvukem a videem.
28. Difuzní model
Generativní model často používaný pro tvorbu obrázků. Učí se odstraňovat šum, až z něj podle zadání vytvoří smysluplný obraz.

Data, znalosti a vyhledávání

29. Embedding
Číselné vyjádření významu textu, obrázku či jiného objektu. Obsah s podobným významem má blízké vektory, což umožňuje sémantické vyhledávání.
30. Vektorová databáze
Databáze optimalizovaná pro ukládání embeddingů a hledání nejpodobnějších položek. Používá se pro doporučování a dohledávání podkladů.
31. RAG
Retrieval-Augmented Generation před odpovědí vyhledá relevantní informace ve zvolených zdrojích a předá je modelu jako kontext.
32. Sémantické vyhledávání
Hledání podle významu namísto pouhé shody slov. Dotaz „jak vrátit zboží“ tak může najít dokument „reklamace a odstoupení“.
33. Znalostní báze
Spravovaný soubor informací pro lidi nebo AI aplikace. Obsahuje návody, produkty, pravidla, FAQ či technickou dokumentaci.
34. Syntetická data
Uměle vytvořená data napodobující vlastnosti reálných dat. Mohou doplnit vzácné situace a chránit soukromí, ale také přenést chyby generátoru.

AI agenti, nástroje a integrace

35. AI agent
Systém, který dostane cíl, volí postup a používá dostupné nástroje. Může provést více kroků, kontrolovat stav a reagovat na výsledky.
36. Agentní workflow
Proces kombinující model, nástroje, pravidla a kontrolní body do opakovatelného postupu, například od poptávky po návrh ke schválení.
37. Orchestrace AI
Koordinace modelů, agentů, datových zdrojů a podnikových systémů. Orchestrátor rozděluje práci, předává kontext, řeší chyby a skládá výsledek.
38. Tool calling
Schopnost modelu požádat aplikaci o provedení přesně popsané funkce, například vyhledání objednávky. Akci vykonává aplikace, nikoli model.
39. MCP
Model Context Protocol je otevřený standard pro připojení AI aplikací k nástrojům a datům, například souborům, databázi, CRM nebo webu.
40. API
Rozhraní, přes které spolu komunikují aplikace. AI agent pomocí API načte data nebo provede povolenou operaci v externím systému.
41. Human in the loop
Zapojení člověka do rozhodující části procesu. Schválení je vhodné zejména před publikací, platbou, změnou práv nebo smazáním dat.

Provoz, kvalita a měření

42. Halucinace
Přesvědčivá, ale nepravdivá či nepodložená odpověď modelu. Riziko snižuje kvalitní kontext, RAG, ověřování zdrojů a omezení akcí.
43. Evaluace (Evals)
Systematické měření kvality AI na připravených příkladech. Ověřuje přesnost, bezpečnost, formát, rychlost i náklady před nasazením a po změnách.
44. Benchmark
Standardizovaný test pro porovnání modelů. Je užitečný jen tehdy, když odpovídá reálné úloze a nebyl součástí trénovacích dat.
45. Latence
Doba od odeslání požadavku do přijetí odpovědi. U agentních procesů se sčítá přes několik modelů, databází a externích služeb.
46. MLOps
Postupy a nástroje pro nasazování, sledování a správu modelů: verze dat, automatické testy, monitoring i návrat ke starší verzi.

Bezpečnost, rizika a etika

47. Bias (zkreslení)
Systematické zvýhodnění nebo znevýhodnění určitých výsledků či skupin. Může vzniknout v datech, návrhu úlohy, hodnocení i nasazení.
48. Prompt injection
Útok, při němž nedůvěryhodný obsah přesvědčuje AI, aby ignorovala pravidla, vyzradila data nebo zneužila nástroj.
49. Guardrails
Technická a procesní ochranná pravidla pro vstupy, výstupy a akce AI: validace, filtry, rozpočty, oprávnění, logy a lidské schvalování.
50. Explainable AI (XAI)
Metody pomáhající lidem pochopit, proč systém dospěl k určitému výsledku. Zásadní jsou zejména v regulovaných a vysoce rizikových oblastech.

Jak slovník používat v praxi

Při výběru AI nástroje začněte popisem úlohy, potřebných dat, povolených akcí a kontroly. Pro interní znalosti využijete RAG, embeddingy a vektorové vyhledávání. Pro provádění kroků potřebujete tool calling, API či MCP a jasné guardrails. Kvalitu průběžně ověřujte pomocí evals na vlastních příkladech.

Časté otázky o pojmech z AI

AI je nejširší obor. Strojové učení je jeho část učící se z dat a hluboké učení používá vícevrstvé neuronové sítě.

ChatGPT je aplikace využívající jazykové modely a další funkce. LLM je samotný model použitelný v mnoha aplikacích.

Ne. RAG poskytne podklady, ale model je může špatně vyložit. Důležité údaje je nutné ověřovat.

API je rozhraní konkrétní služby. MCP sjednocuje způsob, jakým AI aplikace objevují a používají různé nástroje a zdroje.

Bez opakovatelných testů nelze poznat, zda změna modelu, promptu nebo dat kvalitu zlepšila, nebo zhoršila.

Další zdroje

Mohlo by vás také zajímat...