Váš glosár AI: 65 pojmov, ktoré by mal poznať každý
Tokeny, váhy, halucinácie, kancelárske sponky či záhadné p(doom). A to je len začiatok. Umelá inteligencia má vlastný slovník plný výrazov, ktoré znejú komplikovane, niekedy dokonca absurdne. Čo vlastne znamenajú?
Umelá inteligencia sa vyvíja závratným tempom a držať s ňou krok je čoraz náročnejšie. Ešte nedávno sme obdivovali chatbotov, ktorí dokázali odpovedať na jednoduché otázky. Dnes nám umelá inteligencia píše články, vytvára realistické fotografie, komponuje hudbu, programuje a niekedy vystupuje, akoby mala doktorát zo všetkých vedných odborov.
Stačí sa rozhliadnuť. ChatGPT, Gemini, Claude, Copilot či Meta AI. Nové modely, aplikácie a funkcie pribúdajú takým tempom, že človek sotva stíha sledovať, čo všetko už dokážu.
A zatiaľ čo technologické spoločnosti predstavujú stále výkonnejšie systémy, internet zaplavujú obrázky, videá a články vytvorené umelou inteligenciou. Diskutujeme o tom, či AI pripraví ľudí o prácu, koľko elektriny spotrebujú dátové centrá a či raz vznikne inteligencia, ktorá svojimi schopnosťami prekoná človeka.
Samotná technológia je však iba polovicou problému. Druhou je jej slovník.
LLM, GPT, tokeny, prompty, neurónové siete, halucinácie, AI agenti či MCP. Tieto výrazy dnes nájdete v technologických článkoch, televíznych správach aj pracovných ponukách.
A potom sú tu pojmy, ktoré pripomínajú skôr scenár vedecko-fantastického filmu. Napríklad stochastický papagáj, maximalizátor kancelárskych sponiek alebo tajomné p(doom).
Ak vám z toho začína ísť hlava okolo, nie ste sami.
Dobrou správou je, že na pochopenie základnej terminológie nemusíte byť programátor, matematik ani odborník na počítače. Väčšinu pojmov možno vysvetliť celkom jednoducho.
Pripravil som preto glosár 65 pojmov zo sveta umelej inteligencie, ktoré vám pomôžu zorientovať sa v technológii, o ktorej sa dnes tak veľa hovorí.
Niektoré využijete pri každodennej práci s ChatGPT. Iné vám pomôžu pochopiť odborné články, technologické novinky alebo diskusie o budúcnosti AI.
Základné pojmy: Čo je umelá inteligencia a ako funguje?
1. Umelá inteligencia (AI – Artificial Intelligence)
Umelá inteligencia je označenie pre počítačové systémy, ktoré dokážu vykonávať úlohy bežne vyžadujúce určité schopnosti ľudskej inteligencie.
Patrí sem napríklad rozpoznávanie ľudskej reči, preklad jazykov, analýza fotografií, riešenie problémov alebo vytváranie textov.
S AI sa stretávate aj vtedy, keď vám mobil rozpozná tvár, e-mailová služba odfiltruje nevyžiadanú poštu alebo navigácia odhaduje dopravnú situáciu.
Umelá inteligencia však automaticky neznamená počítač, ktorý premýšľa a cíti ako človek.
2. Algoritmus (Algorithm)
Algoritmus je presne stanovený postup, podľa ktorého počítač vykonáva určitú úlohu.
Predstavte si recept na koláč. Obsahuje suroviny a jednotlivé kroky, ktoré musíte vykonať, aby ste dosiahli požadovaný výsledok.
Podobne funguje algoritmus. Určuje, ako sa majú spracovať informácie.
Algoritmy používajú obyčajné počítačové programy aj systémy umelej inteligencie. Samotný algoritmus však ešte neznamená AI.
3. Slabá alebo úzka umelá inteligencia (Narrow AI)
Názov môže pôsobiť zavádzajúco. Slabá AI totiž nemusí byť vôbec slabá.
Ide o umelú inteligenciu, ktorá je vytvorená na vykonávanie určitých úloh.
Môže napríklad rozpoznávať tváre, analyzovať lekárske snímky alebo hrať šach na mimoriadne vysokej úrovni.
To však neznamená, že dokáže samostatne zvládnuť všetky ostatné činnosti človeka.
Väčšina súčasných systémov umelej inteligencie patrí do tejto kategórie, hoci niektoré dokážu vykonávať široké spektrum úloh.
4. Všeobecná umelá inteligencia (AGI – Artificial General Intelligence)
AGI je predstava umelej inteligencie, ktorá by dokázala riešiť široké spektrum intelektuálnych úloh na úrovni porovnateľnej s človekom.
Na rozdiel od systémov určených na konkrétne úlohy by sa dokázala flexibilne prispôsobovať novým situáciám.
Odborníci sa však nezhodujú na presnej definícii AGI ani na tom, podľa akých kritérií by sme mali určiť, že už vznikla.
AGI je zatiaľ predmetom výskumu a diskusií, nie jednoznačne potvrdeným technologickým míľnikom.
5. Superinteligencia (ASI – Artificial Superintelligence)
Superinteligencia je hypotetická umelá inteligencia, ktorej intelektuálne schopnosti by výrazne prevyšovali schopnosti človeka prakticky vo všetkých relevantných oblastiach.
Vedela by napríklad riešiť vedecké problémy alebo navrhovať technológie spôsobmi, ktoré sú pre ľudí nedosiahnuteľné.
Zatiaľ však ide o teoretický koncept.
Nikto nedokáže spoľahlivo predpovedať, či takáto inteligencia vznikne, kedy by sa to mohlo stať ani aké vlastnosti by mala.
6. Strojové učenie (Machine Learning – ML)
Strojové učenie je oblasť umelej inteligencie, pri ktorej sa počítačové modely učia rozpoznávať vzory v údajoch.
Namiesto ručného naprogramovania každého pravidla dostane systém množstvo príkladov.
Predstavte si program, ktorému ukážete tisíce fotografií mačiek a psov.
Počas trénovania sa môže naučiť rozpoznávať charakteristické znaky oboch zvierat. Keď mu následne ukážete novú fotografiu, pokúsi sa určiť, ktoré zviera sa na nej nachádza.
7. Hlboké učenie (Deep Learning)
Hlboké učenie je špecifická oblasť strojového učenia, ktorá využíva viacvrstvové umelé neurónové siete.
Tieto systémy dokážu spracúvať zložité vzťahy v textoch, fotografiách, videách alebo zvukových nahrávkach.
Hlboké učenie patrí medzi technológie, ktoré umožnili výrazný rozvoj moderných jazykových modelov a generatívnej umelej inteligencie.
8. Neurónová sieť (Neural Network)
Neurónová sieť je matematický model voľne inšpirovaný fungovaním biologických neurónových sietí.
Tvoria ju navzájom prepojené výpočtové jednotky, ktoré spracúvajú informácie.
Pri trénovaní sa upravujú číselné hodnoty týchto spojení, aby systém lepšie vykonával požadovanú úlohu.
Napriek názvu nejde o skutočný mozog ani o dôkaz, že počítač má vedomie.
9. Kognitívne výpočty (Cognitive Computing)
Tento pojem sa používa pre počítačové systémy navrhnuté tak, aby napodobňovali určité aspekty ľudského poznávania.
Môže ísť o spracovanie jazyka, vyhodnocovanie informácií, rozpoznávanie súvislostí alebo podporu rozhodovania.
Výraz sa čiastočne prekrýva s pojmom umelá inteligencia a jeho používanie nie je úplne jednotné.
10. Spracovanie prirodzeného jazyka (NLP – Natural Language Processing)
NLP je oblasť informatiky a umelej inteligencie, ktorá sa zaoberá spracovaním ľudského jazyka.
Vďaka nej dokážu počítače analyzovať text, rozpoznávať jeho významové súvislosti alebo vytvárať odpovede.
Používa sa napríklad pri automatických prekladačoch, hlasových asistentoch, vyhľadávaní informácií a chatbotoch.
Ako sa umelá inteligencia učí a vytvára výsledky?
Nasledujúce pojmy vysvetľujú, odkiaľ AI získava svoje schopnosti a prečo sa niektoré modely správajú lepšie než iné.
11. Dátová množina (Dataset)
Dátová množina je súbor informácií používaných pri vývoji, trénovaní alebo testovaní umelej inteligencie.
Môže obsahovať fotografie, texty, zvukové nahrávky, tabuľky alebo iné údaje.
Ak napríklad vytvárate systém na rozpoznávanie dopravných značiek, dátová množina môže obsahovať tisíce fotografií jednotlivých značiek.
12. Trénovacie dáta (Training Data)
Trénovacie dáta sú údaje, z ktorých sa model počas trénovania učí.
Ich kvalita má zásadný význam.
Ak obsahujú chyby, nepresnosti alebo jednostranné informácie, tieto problémy sa môžu prejaviť aj v správaní výsledného modelu.
Preto nie je dôležité iba množstvo údajov, ale aj ich správnosť, rozmanitosť a spôsob spracovania.
13. Rozširovanie dát (Data Augmentation)
Ide o techniku, pri ktorej sa existujúce trénovacie údaje upravujú alebo dopĺňajú s cieľom zvýšiť ich rozmanitosť.
Napríklad fotografiu psa možno otočiť, zmeniť jej jas alebo mierne upraviť veľkosť.
Model sa tak môže naučiť rozpoznávať psa aj na fotografiách vytvorených za odlišných podmienok.
14. Syntetické dáta (Synthetic Data)
Syntetické dáta sú umelo vytvorené údaje, ktoré môžu napodobňovať vlastnosti skutočných dát.
Môžu ich vytvárať simulácie, špecializované programy alebo generatívna umelá inteligencia.
Používajú sa napríklad pri testovaní systémov alebo pri trénovaní modelov v situáciách, keď je získavanie reálnych údajov komplikované.
Syntetické údaje však nie sú automaticky anonymné, správne ani bez skreslenia.
15. Parametre a váhy modelu (Parameters, Weights)
Ak niekde čítate, že model má miliardy parametrov, nejde o počet uložených faktov.
Parametre sú číselné hodnoty, ktoré ovplyvňujú spôsob spracovania informácií v modeli umelej inteligencie.
Váhy sú jedným z typov týchto parametrov.
Počas trénovania sa upravujú tak, aby model dokázal lepšie rozpoznávať súvislosti a vytvárať požadované výsledky.
Model s väčším počtom parametrov však nemusí byť automaticky lepší ako menší model.
16. Inferencia (Inference)
Inferencia označuje fázu, keď už natrénovaný model spracúva nové informácie a vytvára výsledok.
Predstavte si, že model sa počas trénovania naučil rozpoznávať mačky.
Keď mu ukážete fotografiu, ktorú predtým nevidel, a on určí, že je na nej mačka, vykonáva inferenciu.
Pri jazykových modeloch ide napríklad o samotné generovanie odpovede na vašu otázku.
17. Učenie bez učiteľa (Unsupervised Learning)
Pri tomto type strojového učenia systém dostáva údaje bez vopred pripravených správnych odpovedí alebo označení.
Jeho úlohou je samostatne objavovať vzory a súvislosti.
Predstavte si databázu zákazníkov internetového obchodu.
Systém môže na základe nákupného správania rozpoznať skupiny zákazníkov s podobnými záujmami bez toho, aby mu niekto vopred povedal, aké skupiny má hľadať.
18. Zero-shot Learning
Anglický výraz zero-shot znamená približne „bez predchádzajúceho príkladu“.
Model dostane novú úlohu bez toho, aby mu používateľ poskytol ukážku požadovaného riešenia.
Napríklad napíšete: „Urči, či je nasledujúca recenzia pozitívna alebo negatívna.“
Model môže úlohu vykonať bez toho, aby ste mu najprv ukázali vzorové hodnotenia.
To však neznamená, že model predtým neprešiel žiadnym trénovaním.
19. Preučenie modelu (Overfitting)
Preučenie nastáva vtedy, keď sa model príliš prispôsobí trénovacím údajom a nedokáže dostatočne dobre pracovať s novými príkladmi.
Predstavte si žiaka, ktorý sa naspamäť naučí odpovede na konkrétny test.
Ak na skúške dostane rovnaké otázky, uspeje. Keď sa však otázky zmenia, zistí sa, že učivu v skutočnosti dostatočne nerozumie.
Podobný problém môže nastať pri strojovom učení.
20. End-to-End Learning (E2E)
End-to-end learning označuje prístup, pri ktorom sa model trénuje na riešenie úlohy od vstupu až po konečný výstup.
Namiesto vytvárania množstva samostatných ručne navrhnutých krokov sa systém učí celý proces spoločne.
Využíva sa napríklad pri spracovaní reči, obrazu alebo v niektorých systémoch autonómneho riadenia.
21. Transformer
Transformer je architektúra neurónovej siete, ktorá sa stala základom mnohých moderných jazykových modelov.
Jej významnou súčasťou je mechanizmus nazývaný attention, teda pozornosť.
Ten umožňuje modelu zohľadňovať vzťahy medzi jednotlivými časťami vstupu.
Napríklad pri spracovaní vety môže model vyhodnocovať, ku ktorému podstatnému menu sa vzťahuje určité zámeno.
Transformer je posledným písmenom v skratke GPT.
22. Vznikajúce schopnosti (Emergent Abilities)
Tento pojem opisuje schopnosti, ktoré sa pri určitých modeloch objavia alebo výraznejšie prejavia, hoci neboli samostatným cieľom konkrétneho trénovania.
Pri väčších modeloch sa niekedy pozorujú schopnosti riešiť úlohy, ktoré menšie modely zvládajú podstatne horšie.
Vedci však diskutujú aj o tom, do akej miery ide o skutočne nové schopnosti a do akej miery o dôsledok spôsobu ich merania.
23. Difúzne modely (Diffusion Models)
Difúzne modely patria medzi technológie používané pri generovaní obrázkov a ďalšieho obsahu.
Zjednodušene povedané, počas trénovania sa učia odstraňovať šum z údajov.
Pri vytváraní obrázka potom môžu postupne premieňať náhodný šum na výslednú fotografiu alebo ilustráciu.
Ak zadáte požiadavku na obrázok zasneženej chaty, model dokáže vytvoriť nový obraz podľa vášho opisu.
24. Generatívna adversariálna sieť (GAN)
GAN je skratka výrazu Generative Adversarial Network.
Ide o typ generatívneho modelu, v ktorom proti sebe počas trénovania pôsobia dve neurónové siete.
Jedna vytvára obsah a druhá sa pokúša rozlišovať medzi skutočnými a vytvorenými údajmi.
Týmto spôsobom sa generátor postupne zlepšuje.
Technológia GAN sa využívala aj pri vytváraní realistických syntetických fotografií.
25. Prenos štýlu (Style Transfer)
Prenos štýlu umožňuje upraviť vizuálnu podobu obrázka podľa charakteristík iného obrazu.
Môžete napríklad požiadať AI, aby fotografiu vášho domu premenila na akvarelovú maľbu.
Obsah obrázka zostane približne zachovaný, ale jeho výtvarné spracovanie sa zmení.
26. Model s otvorenými váhami (Open-weight Model)
Ide o model umelej inteligencie, ktorého natrénované váhy sú sprístupnené ostatným používateľom alebo vývojárom.
Takýto model je často možné stiahnuť a spustiť na vlastnom počítači či serveri, ak máte dostatočný hardvér.
Otvorené váhy však automaticky neznamenajú úplne otvorený zdrojový kód ani neobmedzené práva na používanie.
Podmienky určuje konkrétna licencia.
27. Kvantizácia (Quantization)
Kvantizácia je technika, ktorá umožňuje zmenšiť pamäťové nároky modelu pomocou reprezentácie jeho číselných hodnôt s nižšou presnosťou.
Vďaka tomu možno niektoré modely prevádzkovať aj na menej výkonných zariadeniach.
Je to jeden z postupov, ktoré pomáhajú spúšťať umelú inteligenciu lokálne na počítačoch či mobilných telefónoch.
Nevýhodou môže byť určité zníženie presnosti, hoci pri vhodnej kvantizácii nemusí byť výrazné.
