Slovník AI pojmů
Slovník AI pojmů
Jednoduché vysvětlení pojmů, na které narazíš ve světě umělé inteligence.
A
Activation Function (Aktivační funkce)
Matematická funkce v neuronu, která rozhoduje, jestli se signál pošle dál. Bez ní by neuronová síť nebyla schopná učit se složité vzory. Nejznámější jsou ReLU, Sigmoid a Tanh – každá se hodí na něco jiného.
Agentic AI
Další stupeň AI agentů – systémy, které nejen plní úkoly, ale samy se rozhodují, jaký úkol splnit, plánují postup a přizpůsobují se změnám. Agentic AI umí sama definovat cíle a hledat cesty k jejich dosažení.
Agenti (AI Agents)
Autonomní systémy umělé inteligence, které samy plní zadané úkoly – třeba prohledají web, napíšou e-mail nebo objednají službu. Nemusíš je u každého kroku kontrolovat, stačí jim zadat cíl.
AGI (Artificial General Intelligence)
Umělá inteligence, která by se chytrostí vyrovnala člověku – zvládala by jakýkoli úkol, nejen jeden konkrétní. Dnešní AI (chatboti, generátory obrázků) jsou úzké, AGI zatím neexistuje.
AI Safety (Bezpečnost AI)
Obor, který se zabývá tím, aby AI systémy byly bezpečné, předvídatelné a jednaly v souladu s lidskými hodnotami. Řeší otázky jako alignment, regulace, kontrola a dlouhodobá rizika.
Alignment
Snaha zajistit, aby AI dělala to, co po ní člověk opravdu chce – a ne to, co řekl doslova. Cílem je, aby se AI chovala bezpečně a v souladu s lidskými hodnotami.
Anthropic
Americká společnost stojící za modelem Claude. Založená bývalými zaměstnanci OpenAI, zaměřuje se na bezpečnou AI a výzkum alignmentu. Její motto: „AI research that’s careful and reliable.“
API (Application Programming Interface)
Rozhraní, přes které spolu aplikace komunikují. AI API umožňuje vývojářům posílat dotazy na modely (třeba GPT nebo Claude) a dostávat odpovědi, aniž by museli model sami provozovat.
Attention
Klíčový mechanismus v moderních modelech, který jim říká, na která slova ve vstupu se mají zaměřit. Díky tomu AI chápe souvislosti – třeba že „banka“ může být finanční ústav i místo k sezení.
Autoencoder
Typ neuronové sítě, která se učí komprimovat data a pak je rekonstruovat. Používá se pro odstraňování šumu z obrázků, detekci anomálií nebo jako stavební blok větších modelů.
A/B Testing (A/B testování)
Metoda porovnávání dvou verzí řešení – uživatelé jsou náhodně rozděleni do skupin a měří se, která verze funguje líp. V AI se používá pro testování modelů, promptů nebo celých featurek.
Active Learning (Aktivní učení)
Způsob trénování, kde si model sám říká o označkování dat, u kterých si není jistý. Místo náhodného výběru se člověk soustředí na nejednoznačné případy, což šetří čas a zlepšuje výsledky.
Adam (optimalizační algoritmus)
Nejpoužívanější algoritmus pro trénování neuronových sítí. Kombinuje výhody SGD s adaptivní rychlostí učení – sám si hlídá, jak velké krůčky má dělat. Dnes standard pro většinu modelů.
Adversarial Attack (Adversariální útok)
Útok na AI model, kdy se vstupní data cíleně upraví tak, aby model udělal chybu – třeba nepatrná změna pixelů způsobí, že model vidí pandu místo gibona. Testuje odolnost modelů.
AI Ethics (Etika AI)
Soubor principů a pravidel pro zodpovědný vývoj a používání AI. Řeší otázky jako soukromí, diskriminace, transparentnost, odpovědnost za rozhodnutí a dopad na společnost a pracovní trh.
AI Governance (Správa AI)
Rámec pravidel, procesů a kontrol pro řízení AI systémů v organizaci. Zahrnuje dohled nad vývojem, nasazením, monitorováním a dodržováním předpisů jako EU AI Act.
AI Winter (Zima AI)
Období útlumu v historii AI, kdy opadlo nadšení a vyschly finanční zdroje kvůli nenaplněným slibům. Poslední AI winter byl v 80.–90. letech. Dnešní boom je nejdelší v historii.
Algorithm (Algoritmus)
Předepsaný postup krok za krokem pro vyřešení problému. V AI jsou algoritmy základem všeho – od trénování modelů po vyhledávání v datech. Každý model používá jeden nebo více algoritmů.
AlphaGo
AI od DeepMind (Google), která v roce 2016 porazila mistra světa ve hře Go – což se dlouho považovalo za nemožné. Průlom v kombinaci hlubokého učení a prohledávacích algoritmů.
Anomaly Detection (Detekce anomálií)
Automatické nacházení podezřelých nebo neobvyklých vzorů v datech. Používá se pro odhalování podvodů s kartami, průniků do sítě, poruch strojů nebo vzácných onemocnění v medicíně.
AUC-ROC
Metrika pro měření kvality binárních klasifikátorů (modelů, které rozhodují ANO/NE). Hodnota 1 = perfektní model, 0.5 = náhoda. Skvělá pro porovnávání modelů na nevyvážených datech.
AutoML (Automated Machine Learning)
Automatizace procesu vývoje ML modelů – sám zkouší různé algoritmy, hyperparametry a kombinace, aby našel ten nejlepší. Cílem je zpřístupnit strojové učení i ne-expertům.
Autonomous Systems (Autonomní systémy)
Systémy schopné samostatného rozhodování a akce bez lidského zásahu. Zahrnují autonomní vozidla, drony, roboty ve výrobě a AI agenty. Kombinují vnímání, plánování a řízení.
B
Backpropagation
Způsob, jakým se neuronová síť učí ze svých chyb. Spočítá, kde udělala chybu, a postupně opravuje všechny své vnitřní „šroubky“ od konce na začátek, dokud výsledky nejsou správné.
Benchmark
Standardizovaný test, který měří výkon AI modelů – například jak dobře model odpovídá na matematické otázky, překládá texty nebo rozpoznává obrázky. Slouží k porovnávání modelů mezi sebou.
BERT
Průlomový jazykový model od Googlu (2018), který změnil způsob, jakým AI rozumí textu. Na rozdíl od starších modelů čte větu oběma směry najednou, což mu dává mnohem lepší pochopení kontextu.
Bias
Zkreslení nebo předpojatost v AI. Model se může naučit zaujatosti z trénovacích dat – například spojovat určitá povolání s pohlavím. Odstraňování biasu je důležitou součástí vývoje AI.
Bag of Words (Pytel slov)
Jednoduchá technika reprezentace textu – spočítá, kolikrát se každé slovo v dokumentu vyskytuje, a zapomene na pořadí slov. Používá se pro klasifikaci textů, spam filtry nebo analýzu sentimentu.
Baseline
Základní referenční model nebo metoda, se kterou se porovnávají složitější přístupy. Pokud tvůj nový model nepřekoná baseline, tak vlastně nepřináší žádnou přidanou hodnotu.
Batch (Dávka)
Skupina trénovacích příkladů zpracovávaná modelem najednou. Místo učení z jednoho příkladu po druhém se model učí z celé dávky, což je stabilnější a efektivnější. Velikost dávky je důležitý hyperparametr.
Bayesian Network (Bayesovská síť)
Model, který pomocí pravděpodobnosti zobrazuje vztahy mezi proměnnými. Umožňuje odpovídat na otázky typu „jaká je pravděpodobnost, že X platí, když víme Y?“ Používá se v diagnostice, predikci a rozhodování.
Beam Search
Algoritmus pro hledání nejlepšího výstupu – místo výběru jen jednoho nejpravděpodobnějšího slova si drží několik možností najednou (tzv. beam). Používá se při generování textu a překladu pro kvalitnější výsledky.
Binary Classification (Binární klasifikace)
Nejzákladnější typ klasifikačního úkolu – model rozhoduje mezi dvěma možnostmi: spam/ne spam, nemocný/zdravý, pravda/lež. Většina metrik (přesnost, recall, F1) je navržena právě pro binární klasifikaci.
BLEU
Metrika pro hodnocení kvality strojového překladu. Porovnává výstup modelu s lidským překladem a počítá, kolik slovních spojení se shoduje. Skóre 0 = úplně jiný text, 100 = identický s referencí.
Boosting
Technika kombinování slabších modelů do silnějšího. Každý další model se zaměřuje na chyby, které udělal ten předchozí. Výsledkem je velmi přesný ensemble. Známé implementace: XGBoost, AdaBoost, LightGBM.
BPE (Byte Pair Encoding)
Nejpoužívanější algoritmus pro tokenizaci textu. Postupně spojuje nejčastější dvojice znaků do nových tokenů – výsledkem je slovník, který efektivně pokrývá celý jazyk. Používají ho GPT, Claude a mnoho dalších modelů.
C
Chain-of-Thought (CoT)
Technika, při které AI řeší problém tak, že ho rozloží na menší kroky a každý z nich popíše – podobně jako když člověk při počítání postupuje krok za krokem. Výrazně zlepšuje logické uvažování modelu.
ChatGPT
Nejznámější AI chatbot od OpenAI, který v roce 2022 odstartoval boom generativní AI. Umí psát texty, programovat, analyzovat data a řešit problémy. Postavený na modelech GPT.
Claude
AI model od společnosti Anthropic, známý důrazem na bezpečnost, dlouhým kontextovým oknem a kvalitním uvažováním. Konkurent GPT, oblíbený pro práci s dlouhými texty a kódem.
CLIP
Model od OpenAI, který propojuje text a obrázky – rozumí tomu, že \“červené auto\“ vypadá stejně v textu i na fotce. Základní stavební kámen pro moderní multimodální a vyhledávací systémy.
CNN (Convolutional Neural Network)
Typ neuronové sítě specializovaný na zpracování obrázků. Funguje tak, že postupně hledá jednoduché vzory (hrany, tvary) a skládá je do složitějších. Základ většiny moderní počítačové grafiky.
Computer Vision (Počítačové vidění)
Oblast AI, která učí počítače \“vidět\“ a rozumět obrázkům a videím. Aplikace zahrnují rozpoznávání obličejů, detekci objektů, autonomní řízení nebo analýzu medicínských snímků.
Context Window (Kontextové okno)
Maximální množství textu, které model najednou \“vidí\“ a ze kterého vychází při odpovědi. Čím větší kontextové okno, tím delší texty může AI zpracovávat – třeba celé knihy nebo rozsáhlé kódové repozitáře.
Copilot
AI asistent pro programování od Microsoftu a GitHubu. Navrhuje a dokončuje kód přímo v editoru. Podobných nástrojů je dnes celá řada – Cursor, Codeium, Amazon Q, Tabnine.
Cross-Validation (Křížová validace)
Technika testování modelu, která data opakovaně dělí na trénovací a testovací části. Model se trénuje na jedné části a testuje na druhé, pak se role vymění. Zajišťuje, že model není přeučený.
Cursor
Moderní editor kódu postavený na VS Code s integrovanou AI. Na rozdíl od Copilota umí pracovat s celým kódem najednou – rozumí struktuře projektu, opravuje chyby a navrhuje změny napříč soubory.
Clustering (Shlukování)
Metoda strojového učení bez učitele, která automaticky rozděluje data do skupin (shluků) podle podobnosti. Používá se pro segmentaci zákazníků, organizaci dokumentů nebo analýzu sociálních sítí.
Classifier (Klasifikátor)
Model, který přiřazuje vstupní data do předem definovaných kategorií. Například: „je tento e-mail spam nebo ne?“, „je na fotce kočka nebo pes?“ Jeden z nejběžnějších typů modelů v ML.
Cognitive Computing (Kognitivní výpočty)
Systémy, které se snaží napodobit lidské myšlení – uvažování, učení se zkušeností, porozumění přirozenému jazyku. Cílem není nahradit člověka, ale rozšířit jeho schopnosti při rozhodování.
Confusion Matrix (Matice záměn)
Tabulka, která ukazuje, jak dobře model klasifikuje – porovnává skutečné hodnoty s predikcemi. Obsahuje TP, TN, FP, FN. Z ní se počítá přesnost, recall, F1 score a další metriky.
Contrastive Learning (Kontrastivní učení)
Technika učení bez učitele, kde se model učí rozlišovat podobné a nepodobné příklady. Cílem je, aby podobné věci měly podobné embeddingy a nepodobné co nejvzdálenější. Základ modelů jako CLIP.
Convolution (Konvoluce)
Matematická operace, která je základem CNN. Malé okénko (filtr) přejíždí přes obrázek a hledá vzory – hrany, textury, tvary. Každá vrstva konvoluce najde složitější vzory než ta předchozí.
Cosine Similarity (Kosínová podobnost)
Metrika měřící podobnost dvou vektorů (embeddingů) – čím bližší je hodnota 1, tím jsou si podobnější. Používá se pro vyhledávání podobných dokumentů, doporučování obsahu nebo porovnávání vět.
Curse of Dimensionality (Prokletí dimenzionality)
Problém, kdy s rostoucím počtem dimenzí (proměnných)数据 se data stávají řídkými a model potřebuje exponenciálně více příkladů. Řeší se redukcí dimenzí (PCA) nebo výběrem relevantních příznaků.
CycleGAN
Typ GANu, který umí převádět obrázky z jedné domény do druhé bez spárovaných trénovacích dat – třeba fotku koně na zebru nebo letní scénu na zimní. Průlom v neparalelním překladu obrazu.
D
DALL-E
Model od OpenAI pro generování obrázků z textových popisů. Dokáže vytvořit ilustraci k článku, logo nebo koncept produktu – stačí napsat, co chceš vidět. Aktuálně ve verzi DALL-E 3 s výrazně lepší kvalitou.
Data Mining (Dolování dat)
Proces objevování vzorů a souvislostí v obrovském množství dat. AI prohledává data a nachází vztahy, které by člověk přehlédl – třeba že zákazníci, kteří koupí A, často kupují i B.
Dataset (Datová sada)
Kolekce dat, na kterých se AI model trénuje. Může to být miliony textů (pro jazykové modely), označkovaných obrázků (pro rozpoznávání) nebo jiných dat. Kvalita datasetu je klíčová pro výslednou kvalitu modelu.
Decision Tree (Rozhodovací strom)
Jeden z nejjednodušších a nejpochopitelnějších algoritmů strojového učení. Rozhoduje se sérií otázek typu „je hodnota větší než X?“ – jako hra na hádání. Snadno se vysvětluje a vizualizuje.
Deepfake
AI technika, která vytváří falešná videa nebo zvuky věrně napodobující skutečné lidi. Umí například dosadit tvář jedné osoby na tělo druhé nebo vytvořit falešnou nahrávku hlasu. Vyvolává etické otázky.
Deep Learning (Hluboké učení)
Podoblast strojového učení, která používá mnohovrstvé neuronové sítě. Díky mnoha vrstvám dokáže rozpoznávat složité vzory – od jednoduchých tvarů až po abstraktní koncepty. Základ dnešních jazykových modelů.
Diffusion (Difúzní modely)
Technologie za generátory obrázků jako Midjourney, Stable Diffusion nebo DALL-E. Model se naučí postupně odstraňovat šum z obrázku, až vznikne čistý výsledek – podobně jako když sochař odsekává kusy kamene.
Dropout
Technika proti přeučení – během trénování se náhodně „vypíná“ část neuronů, aby se síť nenaučila spoléhat na konkrétní cestu. Díky tomu model lépe zobecňuje a funguje i na nových datech.
Data Augmentation (Rozšíření dat)
Technika umělého zvětšování trénovacího datasetu pomocí modifikací existujících dat – otáčení obrázků, přidávání šumu, synonyma v textu. Zlepšuje odolnost modelu a snižuje přeučení.
Data Science (Datová věda)
Interdisciplinární obor kombinující statistiku, programování a domain knowledge pro extrakci znalostí z dat. Zahrnuje čištění dat, vizualizaci, strojové učení a interpretaci výsledků.
DBSCAN
Algoritmus pro shlukování, který na rozdíl od K-means nepotřebuje předem znát počet skupin a umí najít shluky libovolného tvaru. Navíc automaticky detekuje odlehlé hodnoty (outliers).
Deep Q-Learning
Kombinace hlubokého učení s Q-learningem – neuronová síť se učí hrát hry nebo řídit roboty jen z pixelů, bez jakýchkoli předchozích znalostí. Proslavil ho DeepMind, který tak naučil AI hrát Atari hry.
Dimensionality Reduction (Redukce dimenzí)
Snižování počtu proměnných v datech při zachování co nejvíce informace. Zjednodušuje model, urychluje trénování a pomáhá vizualizaci. Nejznámější metody: PCA, t-SNE, UMAP.
Discriminator (Diskriminátor)
Část GANu, která se snaží rozlišit, zda je obrázek skutečný nebo vytvořený generátorem. Čím lépe diskriminátor odhaluje fake, tím více se generátor musí zlepšovat – vzniká tak realistický obsah.
Distributed Computing (Distribuované výpočty)
Rozložení výpočtů přes více počítačů nebo GPU pro trénování obrovských modelů. Jediný model může být tak velký, že se nevejde do paměti jedné karty – musí se rozdělit mezi desítky nebo stovky zařízení.
E
Edge AI
AI, která běží přímo na zařízení (mobil, auto, kamera), ne v cloudu. Výhody: rychlejší odezva, funguje offline, data nemusí nikam odcházet. Typický příklad: rozpoznávání obličeje v mobilu.
Embeddingy
Číselné reprezentace slov, vět nebo obrázků, kterým rozumí počítač. Podobná slova (král–královna) mají podobná čísla, vzdálenější (král–jablko) jsou od sebe dál. Základ pro vyhledávání a pochopení významu.
Encoder (Kodér)
Část modelu, která převádí vstupní data (text, obrázky) na vnitřní reprezentaci – číselnou „myšlenku“. V transformer modelech encoder čte a analyzuje vstup, dekodér pak na jejím základě vytváří výstup.
Epoch (Epocha)
Jedno celé průchod trénovacích dat modelem během učení. Model vidí každý příklad jednou za epochu. Větší počet epoch znamená důkladnější učení, ale hrozí přeučení (overfitting), kdy se model naučí data nazpaměť.
Explainable AI / XAI
Obor, který se snaží, aby AI modely byly průhledné a jejich rozhodnutí pochopitelná pro lidi. Proč model řekl, že žádost o úvěr zamítá? XAI hledá cesty, jak to vysvětlit.
Expert System (Expertní systém)
Jeden z prvních typů AI – program, který se rozhoduje podle předem napsaných pravidel (když–tak). Na rozdíl od dnešních modelů se neučí z dat, ale spoléhá na znalosti zapsané člověkem.
EDA (Exploratory Data Analysis)
První krok v analýze dat – zkoumání dat pomocí grafů, statistik a vizualizací ještě před samotným modelováním. Cílem je pochopit strukturu dat, najít chyby, odlehlé hodnoty a vztahy mezi proměnnými.
Elastic Net
Regresní metoda kombinující L1 (Lasso) a L2 (Ridge) regularizaci. Používá se když má dataset hodně proměnných a některé jsou korelované. Pomáhá vybrat ty nejdůležitější a zabránit přeučení.
ELMo (Embeddings from Language Models)
Průlomová technika (2018) pro kontextové embeddingy – stejné slovo má různý embedding podle okolních slov. Předchůdce BERTu, který ukázal, že kontextové reprezentace jsou mnohem lepší než statické Word2Vec.
Ensemble Learning
Kombinace více modelů pro dosažení lepších výsledků než jediný model. Princip: skupina slabších modelů dohromady vytvoří silný model. Příklady: Random Forest (les stromů), Boosting, Bagging.
Evolutionary Algorithm
Optimalizační metoda inspirovaná přírodním výběrem – generace řešení se kříží, mutují a přežívají jen ty nejlepší. Používá se pro hledání optimálních hyperparametrů, architektur sítí nebo strategií v hrách.
F
F1 Score
Metrika kvality modelu, která kombinuje precision a recall. Hodnota 1 = perfektní model, 0 = nejhorší. Používá se hlavně u nevyvážených dat, kde samotná přesnost není vypovídající.
Federated Learning (Federované učení)
Způsob trénování AI bez sdílení dat – model se učí přímo na zařízení uživatele a na centrální server se posílají jen vylepšení, ne samotná data. Chrání soukromí, používá ho třeba klávesnice v mobilu.
Few-shot (Učení z několika příkladů)
Schopnost modelu pochopit úkol z několika málo příkladů v promptu. Ukážeš mu 2–3 ukázky a on podle nich pokračuje. Základní vlastnost velkých jazykových modelů – není potřeba doladění.
Fine-tuning (Doladění)
Proces, při kterém se už hotový model dále trénuje na specifických datech – například aby lépe odpovídal v češtině nebo se vyznal v právních dokumentech. Levnější a rychlejší než trénování modelu od nuly.
Foundation Model (Základní model)
Obrovský model natrénovaný na obrovském množství dat, který slouží jako základ pro konkrétní aplikace. GPT-4, Claude nebo Llama jsou foundation modely – vývojáři na nich staví specializované nástroje.
Feature Engineering
Proces vytváření nových proměnných (features) z existujících dat pro zlepšení výkonu modelu. Zahrnuje transformace, kombinace nebo vytváření interakcí mezi proměnnými. Často důležitější než samotný algoritmus.
FLOPs
Počet operací s plovoucí řádovou čárkou, které model potřebuje pro jeden průchod. Udává výpočetní náročnost modelu – čím víc FLOPs, tím víc výkonu potřebuješ. Klíčové pro srovnávání efektivity modelů.
Forward Propagation
Průchod dat neuronovou sítí od vstupu k výstupu – každá vrstva zpracuje data a pošle je dál. Výsledkem je predikce modelu. Opakem je backpropagation, která jde pozpátku a opravuje chyby.
FPGA
Programovatelný čip, který lze nakonfigurovat přímo pro konkrétní AI výpočty. Nabízí kompromis mezi flexibilitou GPU a efektivitou ASIC. Používá se pro low-latency inferenci v autonomních systémech a IoT.
Forecasting (Predikce)
Předpovídání budoucích hodnot na základě historických dat – počasí, ceny akcií, poptávka po zboží. AI modely dokážou zachytit složité sezónní vzory a nelineární závislosti, které klasické statistiky přehlédnou.
G
GAN (Generative Adversarial Network)
Dva modely soupeřící proti sobě – generator vytváří falešné obrázky, diskriminátor se je snaží odhalit. Díky tomuto „souboji“ se generator postupně zlepšuje, až vytváří velmi realistická data.
Gemini
Rodina multimodálních modelů od Googlu, nástupce dřívějších PaLM a Bard. Gemini umí zpracovávat text, obrázky, audio a video – a je integrovaný do produktů Googlu jako Gmail, Maps nebo Android.
Generativní AI (GenAI)
Typ AI, který vytváří nový obsah – text, obrázky, hudbu, video nebo kód – na základě naučených vzorů. Na rozdíl od klasické AI, která jen analyzuje nebo klasifikuje, generativní AI tvoří něco nového.
GPT (Generative Pre-trained Transformer)
Série modelů od OpenAI, která odstartovala moderní éru AI. Od GPT-3 (2020) přes ChatGPT až po GPT-4 a novější. Slovo „GPT“ se často používá jako obecné označení pro jazykové modely, i když je to ochranná známka.
GPU (Graphics Processing Unit)
Původně grafické karty do počítačů, dnes klíčový hardware pro AI. GPU zvládají tisíce výpočtů najednou, což je ideální pro trénování neuronových sítí. Bez GPU by dnešní AI prakticky neexistovala.
Gradient Descent (Gradientní sestup)
Základní algoritmus, kterým se modely učí. Funguje jako slepec na kopci – zkouší, kudy cesta vede dolů, a postupně se propracuje k nejnižšímu bodu (nejmenší chybě). Dělá malé krůčky správným směrem.
Graph Neural Network (GNN)
Neuronová síť specializovaná na data ve tvaru grafů (uzly a hrany). Používá se pro analýzu sociálních sítí, molekul v chemii, dopravních sítí nebo doporučovacích systémů.
Genetic Algorithm (Genetický algoritmus)
Optimalizační technika inspirovaná evolucí – populace řešení se kříží, mutuje a podléhá přírodnímu výběru. Používá se pro hledání optimálních hyperparametrů, návrh architektur neuronových sítí nebo plánování.
Generalization (Generalizace)
Schopnost modelu fungovat dobře i na datech, která během trénování neviděl. Cílem není naučit se trénovací data nazpaměť, ale pochopit obecné vzory. Kvalita modelu se měří podle generalizace, ne podle trénovací přesnosti.
Gradient Boosting
Pokročilá technika souborového učení, kde každý nový model opravuje chyby předchozího. Výsledkem je velmi přesný model. Nejznámější implementace: XGBoost, LightGBM, CatBoost – standard pro tabulková data.
Ground Truth (Základní pravda)
Správná odpověď nebo reálná hodnota, se kterou se porovnávají predikce modelu. Bez ground truth nelze změřit, jestli model funguje. V trénovacích datech je ground truth to, co model má predikovat.
Grok
AI model od společnosti xAI Elona Muska, integrovaný do sociální sítě X (Twitter). Specializuje se na analýzu a sumarizaci obsahu z platformy v reálném čase. Konkurent ChatGPT a Claude.
GRU (Gated Recurrent Unit)
Zjednodušená varianta LSTM pro zpracování sekvencí – má méně parametrů, a proto se rychleji trénuje. Podobně jako LSTM si pamatuje dlouhodobé závislosti v datech. Používá se pro text a časové řady.
H
Hallucination (Halucinace)
Jev, kdy AI model s jistotou tvrdí něco, co není pravda – vymýšlí si fakta, citace nebo události. Není to chyba v programu, ale vlastnost modelů, které „tipují“ další slovo a někdy se netrefí.
Hidden Layer (Skrytá vrstva)
Vrstva neuronů mezi vstupem a výstupem sítě. Právě v nich probíhá to „kouzlo“ – zpracování informací, rozpoznávání vzorů.
Hyperparameter (Hyperparametr)
Nastavení modelu, které se neurčí sám, ale musí ho zvolit člověk – třeba počet vrstev, rychlost učení (learning rate) nebo velikost dávky.
Heuristic (Heuristika)
Zjednodušená metoda řešení problémů založená na zkušenosti a odhadech, ne na přesném výpočtu.
Human-in-the-loop (Člověk ve smyčce)
Přístup, kde člověk spolupracuje s AI – model dělá rutinní rozhodnutí, složité případy předává člověku.
I
Image Generation (Generování obrázků)
Tvorba obrázků na základě textového popisu (promptu). Nástroje jako Midjourney, DALL-E nebo Stable Diffusion.
Inference (Inference / Odvozování)
Fáze, kdy už hotový model používáš – zadáš mu dotaz a on odpoví.
Instruction Tuning
Doladění modelu na instrukce – učí se reagovat na různé typy zadání.
Image Classification (Klasifikace obrázků)
Úkol přiřadit obrázku kategorii – „kočka“, „pes“, „auto“.
Imitation Learning (Učení imitací)
Model se učí napodobováním expertních ukázek.
IoU (Intersection over Union)
Metrika měřící překryv predikovaného rámečku se skutečným.
J
JAX
Knihovna od Googlu pro vědecké výpočty a strojové učení s podporou GPU/TPU.
JSON (JavaScript Object Notation)
Lehký formát pro výměnu dat, snadno čitelný pro lidi i počítače.
Jupyter Notebook
Webové vývojové prostředí pro datovou vědu a AI.
Jaccard Index
Metrika podobnosti mezi dvěma množinami.
K
K-means
Algoritmus pro shlukování dat do K skupin na základě podobnosti.
Knowledge Distillation (Znalostní destilace)
Přenos znalostí z velkého modelu do menšího a rychlejšího.
Knowledge Graph (Znalostní graf)
Databáze ukládající informace jako propojené uzly.
Kvantizace (Quantization)
Zmenšení modelu snížením přesnosti čísel.
Keras
Vysokoúrovňová API pro neuronové sítě nad TensorFlow.
KNN (K-Nearest Neighbors)
Algoritmus zařazující nový příklad podle nejbližších sousedů.
KL Divergence
Míra odlišnosti dvou pravděpodobnostních rozdělení.
L
LLM (Large Language Model)
Velký jazykový model natrénovaný na obrovském množství textu.
LoRA (Low-Rank Adaptation)
Efektivní metoda doladění modelu bez trénování celého modelu.
Loss Function (Ztrátová funkce)
Číslo, které říká, jak moc se model plete.
LSTM (Long Short-Term Memory)
Speciální typ neuronové sítě s dlouhodobou pamětí.
Label (Štítek)
Správná odpověď přiřazená k trénovacímu příkladu.
Language Model (Jazykový model)
Model učící se pravděpodobnosti slov a vět.
Learning Rate (Rychlost učení)
Hyperparametr určující velikost optimalizačních krůčků.
Linear Regression (Lineární regrese)
Algoritmus prokládající data přímkou.
Llama
Série open-source modelů od Meta.
Logistic Regression (Logistická regrese)
Algoritmus pro binární klasifikaci.
M
Machine Learning (Strojové učení)
Podoblast AI, kde se počítač učí z dat bez explicitního programování. Místo pravidel zadáš data a algoritmus sám najde vzory. Většina dnešní AI (od rozpoznávání fotek po ChatGPT) je strojové učení.
MCP (Model Context Protocol)
Otevřený standard od Anthropicu, který propojuje AI modely s externími nástroji a daty. Místo aby model jen psal text, může přes MCP číst soubory, pracovat s databází nebo ovládat aplikace.
Mistral
Francouzská AI společnost známá svými výkonnými open-source modely. Mistral dokazuje, že menší modely můžou konkurovat obrům – jejich 7B model poráží mnohem větší konkurenty v poměru výkon/výpočetní náročnost.
MLOps
Soubor postupů a nástrojů pro nasazování, monitorování a údržbu AI modelů v produkci. Řeší, jak model dostat z laboratoře do ostrého provozu, jak ho aktualizovat a kontrolovat jeho výkon.
MoE (Mixture of Experts)
Architektura, kde model rozděluje zpracování mezi specializované „experty“. Každý dotaz aktivuje jen část neuronů – díky tomu je model efektivnější. Používají ji DeepSeek, Mixtral nebo GPT-4.
Multimodální AI
Model, který zpracovává více typů dat najednou – text, obrázky, audio, video. Můžeš mu poslat fotku jídla a zeptat se na recept, nebo nahrát nahrávku a nechat si ji přepsat.
Mamba
Nová architektura (2024), která chce nahradit transformery – zpracovává text lineárně místo kvadraticky, což znamená mnohem delší kontext a nižší nároky. Zatím experimentální, ale s obrovským potenciálem pro dlouhé sekvence.
Markov Chain (Markovův řetězec)
Pravděpodobnostní model, kde další stav závisí jen na tom aktuálním. Základ pro generování textu ještě před neuronovými sítěmi. Dnešní LLM používají podobný princip, ale s mnohem složitějšími přechody.
Meta-Learning (Učení se učit)
Model, který se učí, jak se rychle učit nové úkoly – stačí mu pár příkladů a už ví, jak postupovat. Cílem je dosáhnout few-shot schopnosti, aniž by byl model předtrénovaný na milionech podobných úkolů.
MNIST
Klasický dataset pro rozpoznávání ručně psaných číslic (28×28 pixelů, 60 000 trénovacích obrázků). „Hello world“ počítačového vidění – každá nová architektura se na něm testuje. Dnešní modely mají přesnost přes 99 %.
Multi-head Attention (Vícenásobná pozornost)
Klíčová součást transformerů – místo jedné pozornosti používá několik hlav najednou, každá se zaměřuje na jiný aspekt vztahů mezi slovy. Výsledky se pak spojí, což modelu dává bohatší pochopení kontextu.
Momentum (Hybnost)
Vylepšení gradient descentu – místo slepých krůčků si pamatuje směr z minulých kroků a přidává „setrvačnost“. Pomáhá překonat lokální minima a zrychlit trénování. Standardní součást optimizerů jako Adam nebo SGD.
N
Naive Bayes (Naivní Bayes)
Jednoduchý a rychlý klasifikační algoritmus založený na pravděpodobnosti. Předpokládá, že všechny vstupní znaky jsou na sobě nezávislé (odtud „naivní“). Používá se pro spam filtry, analýzu sentimentu a kategorizaci.
NER (Named Entity Recognition)
Technika pro automatické rozpoznávání jmenovaných entit v textu – jmen osob, míst, organizací, dat. AI přečte článek a označí, že „Jan Novák“ je člověk, „Praha“ je město a „Apple“ je firma.
Neural Network (Neuronová síť)
Počítačový systém inspirovaný lidským mozkem – tvoří ho vrstvy propojených „neuronů“, které zpracovávají informace. Každý neuron dostane vstup, něco s ním udělá a pošle dál. Základ všech moderních AI modelů.
Neuron
Základní jednotka neuronové sítě – přijímá čísla, matematicky je zpracuje a pošle výsledek dál. Jeden neuron sám o sobě nic nezmůže, ale v síti tisíců až miliard neuronů vzniká inteligentní chování.
NLP (Natural Language Processing)
Zpracování přirozeného jazyka – oblast AI, která se zabývá tím, aby počítače rozuměly lidské řeči a textu. Zahrnuje překladače, sentiment analýzu, chatboty nebo kontrolu pravopisu.
Normalization (Normalizace)
Úprava dat do jednotného rozsahu (např. 0–1), aby model správně fungoval. Kdyby měl jeden údaj hodnoty 0–10 a druhý 0–10 000, model by se soustředil jen na ten větší. Normalizace tomu brání.
NAS (Neural Architecture Search)
Automatické hledání optimální architektury neuronové sítě – AI navrhuje a testuje tisíce možných návrhů, aby našla tu nejlepší pro daný úkol. Výsledkem jsou efektivnější modely než ty navržené člověkem.
NeRF (Neural Radiance Field)
Technika pro vytváření 3D scén z 2D fotek – model se naučí, jak scéna vypadá z libovolného úhlu a umí vygenerovat nové pohledy. Průlom v počítačové grafice a rozšířené realitě.
Neuro-symbolic AI (Neuro-symbolická AI)
Kombinace neuronových sítí (učí se z dat) se symbolickou AI (pracuje s pravidly a logikou). Cílem je spojit schopnost učení s přesným uvažováním – model se učí z příkladů, ale rozhoduje se podle logických pravidel.
N-gram
Statistický model textu, který počítá pravděpodobnosti sekvencí N slov. Bigram (2 slova), trigram (3 slova) atd. Základ jednoduchých prediktorů textu před nástupem neuronových sítí.
Noise (Šum)
Náhodné odchylky v datech, které neobsahují užitečnou informaci. Model se musí naučit ignorovat šum a soustředit se na skutečné vzory. Přidávání šumu je běžná technika pro zlepšení odolnosti modelu.
NumPy
Základní knihovna Pythonu pro numerické výpočty – práce s vícerozměrnými poli, lineární algebra, náhodná čísla. Naprostý základ pro všechny AI frameworky (TensorFlow, PyTorch).
O
Object Detection (Detekce objektů)
Technika, která v obrázku nebo videu najde a označí konkrétní objekty – auta, lidi, zvířata. Každý objekt ohraničí rámečkem a napíše, co to je. Základ pro autonomní řízení, bezpečnostní kamery nebo medicínu.
OCR (Optical Character Recognition)
Rozpoznávání textu z obrázků – AI přečte text z naskenovaného dokumentu, fotky cedule nebo ručně psané poznámky a převede ho do digitální podoby, se kterou můžeš dál pracovat.
OpenAI
Americká společnost, která stojí za ChatGPT, GPT, DALL-E, Whisper a Sora. Původně nezisková organizace, dnes komerční lídr v AI. Jejich modely GPT patří mezi nejpoužívanější na světě.
Open-weight model (Model s otevřenými váhami)
Model, jehož natrénované parametry (váhy) jsou volně ke stažení. Kdokoli si ho může spustit na vlastním počítači, upravit ho nebo dále trénovat. Příklady: Llama, Mistral, DeepSeek. Opakem jsou uzavřené modely jako GPT-4.
Overfitting (Přeučení)
Stav, kdy se model naučí trénovací data až příliš dokonale – včetně šumu a chyb. Pak skvěle funguje na datech, která viděl, ale selhává na nových. Je to jako když se student naučí test nazpaměť, ale nechápe látku.
Objective Function (Cílová funkce)
Funkce, kterou se model během trénování snaží minimalizovat nebo maximalizovat – například loss function (minimalizovat chybu) nebo reward function (maximalizovat odměnu). Definuje, co je pro model „dobrý výsledek“.
One-hot Encoding
Způsob převodu kategoriálních dat na čísla – každá kategorie má svůj vlastní sloupec s hodnotou 0 nebo 1. Například barvy: červená=[1,0,0], modrá=[0,1,0], zelená=[0,0,1]. Základní technika pro přípravu dat.
Ontology (Ontologie)
Formální reprezentace znalostí – definuje koncepty a vztahy mezi nimi v určité doméně. AI používá ontologie pro pochopení doménových souvislostí, logické uvažování a odpovídání na složité otázky.
Optimization (Optimalizace)
Proces hledání nejlepšího řešení – v AI jde o nalezení parametrů modelu, které minimalizují chybu. Algoritmy jako gradient descent, Adam nebo SGD jsou všechny optimalizační metody. Srdce trénování všech modelů.
Outlier (Odlehlá hodnota)
Hodnota, která se výrazně liší od ostatních dat. Outliery můžou být chyby měření, ale i důležité signály (podvod, vzácná nemoc). Modely se musí naučit s outliery pracovat – ignorovat šum, ale zachytit skutečné anomálie.
P
Parametry (Parameters)
Čísla v neuronové síti, která se učením nastavují – představují to, co model „ví“. Model s 1 miliardou parametrů je menší a jednodušší, model se 100 miliardami je obrovský a chytřejší. Víc parametrů ale není vždycky líp.
PCA (Principal Component Analysis)
Metoda pro snížení počtu dimenzí dat – zjednodušuje složitá data na nejdůležitější složky. Používá se pro vizualizaci, kompresi a urychlení trénování, když má dataset stovky nebo tisíce proměnných.
Perceptron
Nejjednodušší možná neuronová síť – jeden jediný neuron, který se učí lineární rozhodování. Základ, ze kterého se vyvinuly všechny moderní sítě. Dnes se samostatně používá zřídka, ale je důležitý pro pochopení.
Pre-training (Předtrénování)
První fáze trénování modelu, kdy se učí na obrovském množství obecných dat. Teprve potom se doladí (fine-tuning) na konkrétní úkol. Předtrénování je nejdražší část – stojí desítky milionů dolarů.
Prompt (Výzva / Dotaz)
Text, který zadáš AI modelu, aby ti odpověděl. Kvalitní prompt je klíč k dobré odpovědi – čím přesněji a konkrétněji se zeptáš, tím lepší výsledek dostaneš.
Prompt Engineering
Umění a věda navrhovat co nejlepší dotazy pro AI modely. Zahrnuje techniky jako system prompt, chain-of-thought, specifikace formátu nebo poskytování příkladů. Kvalitní prompt engineering výrazně zlepšuje výstupy.
Q
Q-Learning
Algoritmus posilovaného učení, kde se agent učí, jaké akce provádět v různých situacích. Zkouší možnosti a pamatuje si, která volba vedla k odměně. Základ pro AI, která hraje hry nebo řídí roboty.
Qwen
Série open-source modelů od čínské společnosti Alibaba. Jeden z nejsilnějších čínských modelů, který v některých úkolech konkuruje Llame i GPT. Dostupné v různých velikostech, od 0.5B po 72B+ parametrů.
R
RAG (Retrieval-Augmented Generation)
Metoda, která kombinuje AI s vyhledáváním v databázi – model si nejdřív najde relevantní informace (třeba z firemního manuálu) a teprve na jejich základě odpoví. Snižuje halucinace a umožňuje AI pracovat s aktuálními daty.
Random Forest (Náhodný les)
Algoritmus, který kombinuje mnoho rozhodovacích stromů do jednoho „lesa“. Každý strom se učí na jiné části dat a pak hlasují. Výsledek je přesnější a stabilnější než jeden strom. Skvělý na tabulková data.
Reasoning (Uvažování)
Schopnost AI modelu logicky přemýšlet a řešit složité problémy krok za krokem. Moderní „reasoning modely“ (o1, DeepSeek-R1) jsou trénované tak, aby si nejdřív promyslely postup, než odpoví – podobně jako člověk.
Reinforcement Learning (Posilované učení)
Způsob učení, kde model zkouší různé akce a dostává odměny nebo tresty – jako když učíš psa povely. Časem se naučí, které akce vedou k největší odměně. Používá se pro hraní her, robotiku nebo optimalizaci.
RLHF (Reinforcement Learning from Human Feedback)
Technika, při které se model učí z lidské zpětné vazby. Lidé hodnotí výstupy modelu (která odpověď je lepší) a model se postupně učí dávat přednost těm kvalitnějším. Klíčová součást vývoje ChatGPT a podobných modelů.
RNN (Recurrent Neural Network)
Typ neuronové sítě s pamětí – při každém kroku bere v úvahu nejen aktuální vstup, ale i to, co přišlo předtím. Dobře se hodí na text a časové řady. Dnes ho z velké části nahradily transformery.
S
Scaling (Škálování)
Princip, že větší modely s více daty a výpočetním výkonem dosahují lepších výsledků. Donedávna platilo, že stačí přidat parametry a data a model se zlepší. Dnes se objevují nové efektivnější přístupy.
Self-Attention
Mechanismus, který modelu umožňuje podívat se na všechna slova ve vstupu najednou a rozhodnout, která jsou pro aktuální pozici důležitá. Srdce transformer architektury – díky němu modely chápou kontext.
Sentiment Analysis (Analýza sentimentu)
Automatické určení, jestli je text pozitivní, negativní nebo neutrální. Firmy ji používají k analýze recenzí, komentářů na sociálních sítích nebo zpětné vazby od zákazníků – AI přečte tisíce textů za sekundu.
Speech Recognition (Rozpoznávání řeči)
Převod mluveného slova na text (tzv. speech-to-text). AI analyzuje zvukovou nahrávku a přepisuje ji. Používá se v asistenech (Siri, Alexa), titulkování, přepisu porad nebo ovládání auta hlasem.
Stable Diffusion
Nejpoužívanější open-source model pro generování obrázků z textu. Na rozdíl od uzavřených řešení (Midjourney, DALL-E) ho může kdokoli spustit na vlastním počítači, upravovat a trénovat vlastní verze.
Supervised Learning (Učení s učitelem)
Nejběžnější způsob trénování AI – model dostane označkovaná data (např. fotky s popiskem „kočka“ a „pes“) a učí se přiřazovat správné odpovědi. Čím víc kvalitních příkladů, tím líp se model naučí.
Synthetic Data (Syntetická data)
Uměle vytvořená data, která se podobají reálným, ale neobsahují skutečné informace o lidech. Používají se, když je reálných dat málo nebo jsou citlivá. Modely trénované na syntetických datech můžou být stejně dobré.
T
Temperature (Teplota)
Parametr modelu, který určuje, jak moc „kreativní“ budou odpovědi. Nízká teplota (0.1) = přesné, konzervativní odpovědi. Vysoká teplota (1.0+) = náhodnější, nápaditější výstupy. Nastavuje rovnováhu mezi přesností a kreativitou.
Tensor
Základní datová jednotka v AI – zobecnění čísla, vektoru a matice. Číslo je tenzor 0. řádu, vektor 1. řádu, matice 2. řádu, obrázek může být tenzor 3. řádu (výška × šířka × barvy). Všechny AI knihovny pracují s tensory.
TensorFlow
Open-source knihovna od Googlu pro strojové učení. Používá se pro vývoj, trénování a nasazování AI modelů. Jeden ze dvou dominantních frameworků (spolu s PyTorchem). Podporuje Python, JavaScript a mobilní platformy.
Tokeny
Základní jednotky, do kterých model rozkládá text. Token nemusí být celé slovo – „nepřemýšlivý“ se může rozdělit na [„ne“, „přemýšl“, „ivý“]. Ceny AI služeb se často počítají právě na tokeny.
Transfer Learning (Transferové učení)
Využití znalostí z jednoho úkolu pro řešení jiného. Místo trénování modelu od nuly se vezme už natrénovaný model a jen se přizpůsobí. Rychlejší, levnější a potřebuje míň dat. Běžná praxe v AI.
Transformer
Revoluční architektura neuronové sítě, která stojí za všemi moderními jazykovými modely (GPT, Claude, Gemini). Na rozdíl od starších modelů zpracovává všechna slova najednou, ne postupně – díky tomu mnohem líp chápe kontext.
Turing Test
Klasický test inteligence navržený Alanem Turingem: pokud lidský hodnotitel nedokáže v konverzaci rozeznat, zda mluví s člověkem nebo počítačem, pak je počítač inteligentní. Dnešní AI testem prochází, ale test je už považován za překonaný.
U
Underfitting (Nedoučení)
Opak overfittingu – model se nenaučil dost dobře ani trénovací data. Je příliš jednoduchý nebo trénovalo málo času. Poznáš to tak, že model dělá chyby i na datech, která viděl během trénování.
Unsupervised Learning (Učení bez učitele)
Trénování bez označkovaných dat – model sám hledá vzory a strukturu v datech. Třeba roztřídí tisíce dokumentů do témat, aniž by mu někdo řekl, co které téma je. Používá se i pro předtrénování velkých modelů.
V
VAE (Variational Autoencoder)
Typ autoencoderu, který se naučí vytvářet nová data podobná trénovacím. Na rozdíl od běžného autoencoderu negeneruje jen „opis“, ale umí vytvořit variace – třeba různé verze obličeje nebo rukopisu.
Váhy (Weights)
Číselné hodnoty, které určují, jak silně jsou propojeny jednotlivé neurony v síti. Během trénování se váhy upravují – to je to, co se model při učení „naučí“. Model s otevřenými váhami může kdokoli používat a upravovat.
Validation Set (Validační sada)
Část dat, kterou model během trénování nevidí, ale používá se k ladění hyperparametrů. Třetí sada vedle trénovací a testovací. Pomáhá odhalit overfitting dřív, než se model nasadí do ostrého provozu.
Vector Database (Vektorová databáze)
Speciální databáze, která ukládá embeddingy (číselné reprezentace) a umí v nich rychle vyhledávat podobné. Když se ptáš AI na „něco jako tenhle dokument“, hledá právě ve vektorové databázi.
Vision AI
Oblast AI zabývající se zpracováním a porozuměním obrázkům a videu. Zahrnuje rozpoznávání objektů, optické rozpoznávání textu (OCR), generování obrázků z textu nebo analýzu rentgenových snímků.
W
Weak AI (Slabá / Úzká AI)
Veškerá dnešní AI – systémy, které umí jednu konkrétní věc, i když ji dělají lépe než člověk. ChatGPT je slabá AI (umí jen text), na rozdíl od hypotetické silné AI/AGI, která by zvládala všechno.
Word2Vec
Průlomová technika (2013) pro vytváření embeddingů – reprezentací slov jako čísel. Naučila se, že „král – muž + žena = královna“. Dnes ji překonaly novější metody, ale položila základy moderního NLP.
X
XGBoost
Jeden z nejpopulárnějších algoritmů pro tabulková data. Kombinuje mnoho slabších modelů do jednoho silného (gradient boosting). Extrémně úspěšný v soutěžích na Kaggle – často nejlepší volba pro strukturovaná data.
Y
YOLO (You Only Look Once)
Revoluční algoritmus pro detekci objektů v reálném čase. Prohlédne obrázek jen jednou a okamžitě řekne, co kde je. Díky rychlosti se používá v bezpečnostních kamerách, dronech, autech a průmyslové kontrole.
Z
Zero-shot (Učení bez příkladů)
Schopnost modelu řešit úkol, aniž by mu byl ukázán jediný příklad. Stačí mu popsat, co má dělat. Například: „Přelož do angličtiny“ – a model překládá, i když žádný překlad v promptu není. Základní vlastnost LLM.
Zpracování přirozeného jazyka (NLP)
Viz NLP – obor AI, který se věnuje tomu, aby počítače rozuměly lidské řeči. Zahrnuje vše od rozpoznávání řeči přes překladače až po chatboty a analýzu textu.
