Strojové učení

AI agent je softwarový systém, který pomocí modelu umělé inteligence vnímá zadaný kontext, plánuje další kroky a samostatně volá nástroje nebo služby k dosažení cíle. Na rozdíl od jednorázového promptu udržuje stav úlohy, vyhodnocuje výsledky akcí a může opakovat postup, dokud nesplní zadání nebo nenarazí na limit.

AI etika je obor, který zkoumá, jaké dopady mají systémy umělé inteligence na lidi, a formuluje pravidla pro jejich návrh, trénink a provoz. Řeší zaujatost dat, transparentnost rozhodování, ochranu soukromí, odpovědnost za chybu i bezpečnost modelu. Ve firemní praxi se promítá do interních politik, dokumentace modelů a povinností podle regulace typu AI Act.

Backpropagation je algoritmus, kterým neuronová síť zjistí, jak moc se má každá váha změnit. Spočítá chybu na výstupu a pomocí řetízkového pravidla ji postupně rozpočítá zpět přes všechny vrstvy až na vstup.

Chatbot je software, který vede s uživatelem dialog v přirozeném jazyce, nejčastěji přes web, aplikaci nebo komunikační platformu. Může být pravidlový, napojený na databáze nebo založený na jazykovém modelu; cílem je vyřídit požadavek, poradit, sbírat údaje nebo předat případ člověku.

Confusion matrix je tabulka, která porovnává předpovědi klasifikačního modelu se skutečnými třídami a rozděluje je na správné a chybné případy. U dvou tříd obsahuje čtyři čísla: true positive, true negative, false positive a false negative. Z těchto čtyř hodnot se počítá accuracy, precision, recall i F1 skóre.

Context window je maximální množství vstupního textu a často i nedávné konverzace, které může jazykový model zpracovat najednou při generování odpovědi. Udává se obvykle v tokenech, zahrnuje systémové instrukce, prompt i přiložené dokumenty a přímo ovlivňuje cenu, latenci a spolehlivost práce s informacemi.

Datová kvalita je míra, do jaké data odpovídají potřebám konkrétního použití, například rozhodování, reportingu, automatizace nebo trénování modelů. Posuzuje se podle vlastností jako přesnost, úplnost, konzistence, aktuálnost, jedinečnost a dohledatelnost původu, nikoli jen podle toho, zda jsou data technicky validní.

Datová sada je uspořádaný soubor datových záznamů, který má společný účel, strukturu a kontext použití. Může jít o tabulku objednávek, kolekci obrázků, logy aplikace nebo trénovací příklady pro model. Důležitá není jen data samotná, ale také popis sloupců, původ, kvalita a pravidla aktualizace.

Detekce anomálií je hledání datových bodů, událostí nebo průběhů, které se výrazně odlišují od naučeného obrazu běžného chování. Používá se při odhalování podvodných plateb, průniků do sítě, výpadků infrastruktury nebo vadných kusů ve výrobě. Typicky pracuje s velmi nevyváženými daty, kde anomálie tvoří zlomek procenta všech pozorování.

Doporučovací systém je software, který každému uživateli vybírá z rozsáhlého katalogu malou množinu položek, jež ho pravděpodobně zaujmou. Odhad staví na historii chování (kliknutí, nákupy, hodnocení), na vlastnostech položek nebo na kombinaci obojího. Nasazuje se v e-shopech, streamovacích službách i zpravodajských aplikacích všude tam, kde je nabídka větší, než dokáže člověk projít.

Embedding je číselná vektorová reprezentace objektu, například slova, věty, obrázku, produktu nebo uživatele, navržená tak, aby zachytila významové či statistické vztahy. Modely strojového učení s embeddingy počítají podobnost, řazení, doporučování a vyhledávání, protože podobné objekty leží vektorově blízko sebe.

Ensemble učení je postup ve strojovém učení, při kterém se predikce několika samostatně natrénovaných modelů spojí do jedné výsledné odpovědi, typicky hlasováním nebo průměrem. Kombinace zpravidla chybuje méně než jednotlivé modely, protože jejich chyby se částečně vyruší. Patří sem bagging, boosting, stacking a náhodné lesy.

Feature engineering je proces vytváření, výběru a úprav vstupních proměnných pro model strojového učení tak, aby data lépe vystihovala sledovaný jev. Zahrnuje odvozování nových příznaků, kódování kategorií, škálování hodnot, práci s chybějícími údaji a omezení úniku informací mezi tréninkem a testem.

Few-shot learning je postup, kdy se model naučí novou úlohu z několika málo ukázek, typicky z jednotek až desítek příkladů místo tisíců trénovacích dat. U velkých jazykových modelů se příklady vkládají přímo do promptu a váhy modelu se nemění, v klasickém strojovém učení jde o metody navržené pro trénink na velmi malém vzorku.

Fine-tuning je úprava již předtrénovaného modelu strojového učení na menší sadě cílených dat, aby lépe zvládal konkrétní úlohu, doménu nebo styl odpovědí. Místo učení od nuly navazuje na existující znalosti modelu a mění část jeho parametrů nebo přidává malé trénovatelné vrstvy.

Generativní AI je oblast umělé inteligence, která vytváří nový text, obrázky, zvuk, video nebo kód podle zadaného kontextu. Model se učí statistické vzory z dat a při použití skládá pravděpodobný výstup, nevyhledává hotovou odpověď. Proto vyžaduje kontrolu faktů, práv i bezpečnosti.

GPU je specializovaný procesor navržený pro masivně paralelní výpočty, zejména vykreslování grafiky a zpracování maticových operací. Oproti CPU má mnoho jednodušších výpočetních jednotek, které současně provádějí podobné instrukce nad velkým objemem dat, například pixely, vertexy, texturami nebo tenzory ve strojovém učení.

Gradientní sestup je optimalizační metoda, která postupně mění parametry modelu ve směru nejrychlejšího poklesu ztrátové funkce. V praxi se používá hlavně při trénování modelů strojového učení, kde pomáhá najít váhy s menší chybou, i když prostor možných řešení má miliony rozměrů.

Halucinace je výstup generativního modelu, který zní přesvědčivě, ale není podložen vstupem, trénovacími daty ani ověřitelnou skutečností. V AI se týká hlavně jazykových modelů, které doplní neexistující citaci, chybný fakt, smyšlené API nebo nepřesný závěr místo přiznání nejistoty uživateli.

Hyperparametr je nastavení modelu strojového učení, které volí člověk nebo automatický vyhledávač před samotným trénováním a které se z dat neučí. Patří sem rychlost učení, počet vrstev, hloubka stromu, velikost dávky nebo síla regularizace. Hodnoty vah se naopak během trénování mění: to jsou parametry, nikoli hyperparametry.

Inference je fáze, kdy se už natrénovaný model, pravidlový systém nebo jiný mechanismus rozhodování použije na nová vstupní data a vrátí výsledek. Ve strojovém učení jde typicky o predikci, klasifikaci nebo generování odpovědi bez úpravy vah modelu, zatímco náklady řeší latence, paměť a provoz.

Klasifikace je úloha strojového učení, při níž model přiřazuje vstupům jednu nebo více předem daných tříd. Používá se například pro spam, detekci podvodů, rozpoznávání obrázků nebo třídění zákaznických zpráv. Model se učí ze štítkovaných dat a jeho výstupem bývá třída, skóre nebo pravděpodobnost.

Křížová validace je postup hodnocení modelu strojového učení, při kterém se data opakovaně rozdělí na trénovací a testovací část a model se vyhodnotí na každé části zvlášť. Výsledné metriky se zprůměrují, takže odhad výkonu méně závisí na jednom náhodném rozdělení dat a lépe odhalí přeučení.

Kvantizace modelu je převod vah a někdy i aktivací neuronové sítě z přesnějšího číselného formátu, typicky 32bitového float, do formátu s menším počtem bitů, například INT8 nebo 4bitového celého čísla. Model tím zabere méně paměti a počítá rychleji, výměnou za malou a měřitelnou ztrátu přesnosti výstupů.

Large language model je neuronový jazykový model trénovaný na rozsáhlých textech, který z kontextu předpovídá a generuje posloupnosti tokenů. Používá se pro chat, sumarizaci, překlad, práci s kódem i vyhledávání informací, ale výstupy mohou obsahovat chyby, zkreslení nebo neověřené domněnky.

Metrika je číselně vyjádřená veličina, která popisuje stav, výkon nebo chování systému, produktu, modelu či procesu. V praxi převádí pozorování na srovnatelné hodnoty, například latenci API, konverzní poměr, chybovost klasifikátoru nebo retenci uživatelů, aby bylo možné sledovat změny a rozhodovat podle dat.

Multimodální model je model strojového učení, který zpracovává a propojuje více typů vstupů, například text, obraz, zvuk, video nebo tabulková data. Místo izolované analýzy jedné modality hledá společné významové reprezentace, takže může popsat obrázek, odpovědět na otázku k dokumentu nebo spojit řeč s vizuálním kontextem.

Neuronová síť je výpočetní model složený z propojených jednotek, které převádějí vstupy na výstupy pomocí vah, biasů a aktivačních funkcí. Při učení upravuje parametry podle příkladů tak, aby zmenšovala chybu, například při rozpoznávání obrazu, predikci poptávky nebo zpracování textu v reálných aplikacích.

Open source model je model strojového učení, jehož natrénované váhy si kdokoli může stáhnout, spustit na vlastním hardwaru, upravit a dál šířit podle podmínek přiložené licence. Na rozdíl od uzavřených modelů dostupných jen přes API tak uživatel drží samotné parametry sítě i kontrolu nad tím, kde běží inference.

Posilované učení je přístup strojového učení, ve kterém se agent učí rozhodovat opakovanou interakcí s prostředím a jediným vodítkem mu je číselná odměna za provedené akce. Cílem není napodobit správné odpovědi z označených dat, ale najít strategii, která maximalizuje součet odměn v čase, včetně odložených důsledků.

Přeučení je stav modelu strojového učení, kdy se příliš přizpůsobí trénovacím datům včetně šumu a náhodných detailů. Model pak dosahuje výborných výsledků na známých příkladech, ale zhoršuje se na nových datech, protože místo obecného vzoru si zapamatoval konkrétní trénovací sadu.

Prompt je textový (případně obrazový či zvukový) vstup, kterým člověk nebo program zadá jazykovému modelu úkol a kontext pro odpověď. Model prompt převede na tokeny a na jeho základě predikuje pokračování. Kvalita a struktura promptu přímo určuje, jak přesný, konzistentní a použitelný výstup modelu bude.

Prompt engineering je navrhování, testování a průběžné ladění vstupních instrukcí pro generativní modely tak, aby dávaly spolehlivě užitečné a kontrolovatelné výstupy. Zahrnuje volbu role, kontextu, formátu odpovědi, příkladů, omezení i kontrol proti halucinacím, prompt injection a úniku citlivých dat v aplikacích.

RAG je architektura pro práci s jazykovým modelem, která před generováním odpovědi vyhledá relevantní informace v externím úložišti a vloží je do kontextu modelu. Díky tomu může aplikace odpovídat z aktuálních firemních dat, dokumentace nebo znalostní báze, aniž by se musel model pokaždé znovu trénovat.

Random forest je algoritmus strojového učení, který kombinuje stovky rozhodovacích stromů natrénovaných na náhodných výběrech dat i příznaků a jejich hlasy nebo průměry spojí do jedné predikce. Tímto zprůměrováním potlačí sklon jednotlivého stromu k přeučení a dosahuje stabilních výsledků na tabulkových datech bez náročného ladění.

Regrese je úloha strojového učení a statistiky, při které model odhaduje spojitou číselnou hodnotu z hodnot vstupních proměnných. Typickým výstupem je cena, teplota, doba trvání nebo objem prodeje. Model se učí ze vzorků se známou odpovědí a jeho chybu měříme vzdáleností předpovědi od skutečné hodnoty, nejčastěji střední kvadratickou chybou.

Segmentace je rozdělení většího celku na menší skupiny podle společných vlastností, chování nebo významu. V praxi pomáhá lépe cílit marketing, analyzovat zákazníky, zpracovávat obraz i připravovat data pro modely. Kvalitní segment má jasný účel, měřitelná pravidla a vede k odlišnému rozhodnutí nebo akci.

Shluková analýza je metoda průzkumné datové analýzy a strojového učení, která seskupuje podobné objekty bez předem známých štítků. Hledá strukturu podle zvolené míry podobnosti, například vzdálenosti mezi body, a pomáhá odhalit segmenty zákazníků, typy chování, anomálie nebo skupiny dokumentů v datech.

Teplota modelu je parametr vzorkování, který u generativních jazykových modelů řídí, jak moc se pravděpodobnosti dalších tokenů zplošťují před náhodným výběrem. Nízká teplota vede k předvídatelnému a opakovatelnému textu, vysoká teplota zvyšuje rozmanitost i riziko nesmyslů. Teplota nemění naučené znalosti modelu, pouze způsob výběru z jeho rozdělení.

Time series je posloupnost měření nebo událostí uspořádaných podle času, kde pořadí a rozestupy mezi záznamy nesou význam. Používá se pro sledování trendů, sezónnosti, výkyvů a změn v čase, například u metrik aplikace, cen akcií, počasí, prodejů nebo senzorových dat.

Transformer je architektura neuronové sítě postavená na mechanismu pozornosti (self-attention), která zpracovává celou sekvenci najednou místo prvku po prvku. Publikovaná byla v roce 2017 v práci Attention Is All You Need a stala se základem dnešních jazykových modelů, překladačů i modelů pro obraz a zvuk.

Trénovací data je odborné označení pro datovou sadu, ze které se model strojového učení učí vztahy mezi vstupy a očekávanými výstupy. Mohou obsahovat texty, obrázky, tabulky, zvuk nebo události z aplikace. Jejich kvalita, reprezentativnost a správné oddělení od testovacích dat zásadně ovlivňují spolehlivost modelu.

Trénování modelu je proces, při kterém algoritmus strojového učení opakovaně upravuje vnitřní parametry (váhy) tak, aby jeho předpovědi na trénovacích datech co nejméně chybovaly. Chybu měří ztrátová funkce, směr úpravy určuje gradient. Výsledkem je model, který se naučené vzory dokáže aplikovat i na data, jež nikdy neviděl.

Učení bez učitele je přístup strojového učení, při kterém model hledá vzory v datech bez předem přiřazených správných odpovědí. Používá se ke shlukování podobných záznamů, hledání anomálií, zmenšení počtu příznaků nebo předtrénování reprezentací, když jsou štítky drahé, neúplné či vůbec neexistují.

Učení s učitelem je způsob strojového učení, při němž model trénuje na vstupech spárovaných se správnými odpověďmi nebo štítky. Algoritmus se učí mapovat data na cílovou hodnotu a jeho úspěch se měří na oddělených datech, která model při tréninku neviděl.

Vektorová databáze je databázový systém nebo databázová vrstva určená k ukládání embeddingů, tedy číselných vektorů reprezentujících význam textu, obrázků, zvuku nebo jiných dat. Umožňuje rychle hledat nejpodobnější položky podle vzdálenosti ve vícerozměrném prostoru, často pro RAG, doporučování a sémantické vyhledávání.

Vzorkování je výběr nebo měření omezeného počtu hodnot z většího celku, například populace, časového signálu, obrazu nebo datové sady. Cílem je získat reprezentaci, se kterou lze počítat rychleji, ukládat ji levněji nebo ji použít pro odhad, aniž by bylo nutné pracovat se vším.

Zpracování přirozeného jazyka je obor na pomezí informatiky a lingvistiky, který umožňuje počítačům číst, analyzovat a generovat lidský text a řeč. Zahrnuje úlohy jako klasifikace textu, rozpoznávání pojmenovaných entit, strojový překlad, shrnování nebo odpovídání na otázky. Dnes se opírá především o neuronové modely trénované na velkých textových korpusech.