Vzorkování (sampling)

Příklady z praxe

1. 01

   Rychlá kontrola objednávek

   Datový analytik potřebuje rychle zjistit, zda nová verze aplikace nezměnila rozložení stavů objednávek. Místo úplného průchodu tabulkou použije malý databázový vzorek a hledá výraznou odchylku. Výsledek slouží jako signál pro další kontrolu, ne jako finální audit.

   SELECT stav, count(*)
   FROM objednavky TABLESAMPLE SYSTEM (1)
   GROUP BY stav;

2. 02

   Textura na vzdálené zdi

   Grafický engine vykresluje vzdálenou cihlovou zeď, kde jeden pixel odpovídá velké ploše textury. Kdyby engine vzal jen jeden texel, obraz by při pohybu kamery nepříjemně blikal. Vhodnější vzorkování textury nebo mipmapy stabilizují výsledek a sníží vizuální šum.

Časté omyly

MýtusVzorek stačí udělat náhodně a bude reprezentativní.

Ve skutečnostiNáhodnost omezuje výběrové zkreslení, ale sama nezaručí dobrý vzorek. Důležitá je velikost, zdrojová populace, pokrytí menšinových skupin a způsob, jakým se s výběrem dál počítá.

MýtusVyšší vzorkovací frekvence vždy znamená lepší výsledek.

Ve skutečnostiVyšší frekvence může pomoci, ale po určité hranici přidává hlavně objem dat a náklady. Výsledek často víc ovlivní šum, filtr před vzorkováním, rozlišení měření nebo kvalita následného zpracování.

Časté dotazy

Kolik vzorků je při vzorkování dost?

Potřebný počet vzorků závisí na variabilitě dat, požadované přesnosti a riziku špatného rozhodnutí. Homogenní data mohou stačit menšímu výběru, zatímco vzácné jevy nebo segmenty vyžadují větší a cílenější pokrytí. Praktický návrh často kombinuje statistický výpočet velikosti vzorku, znalost domény a kontrolu, zda výběr nevynechal důležité skupiny.

Proč vzorkování způsobuje aliasing?

Aliasing vzniká, když vzorkování zachytí signál příliš řídce vzhledem k rychlosti jeho změn. Vzorkovaná data pak mohou vypadat jako jiný, pomalejší průběh, než jaký existoval původně. V obraze se aliasing projevuje zubatými hranami nebo třepotáním detailů, ve zvuku falešnými složkami. Řešením bývá vyšší vzorkovací frekvence, filtrování nebo vhodnější rozmístění vzorků.

Co znamená vzorkování ve strojovém učení?

Vzorkování v machine learningu znamená výběr příkladů, mini-batchů nebo tříd, se kterými model během trénování pracuje. Správný výběr zrychluje učení a pomáhá řešit nevyvážená data, například když je podvodných transakcí málo. Špatné vzorkování může model naučit pohodlnou zkratku: model pak dobře vypadá na trénovacích datech, ale selhává na reálných případech.

Je systematický vzorek horší než náhodný?

Systematický vzorek není automaticky horší než náhodný vzorek. Systematické vzorkování, například každý tisící záznam, může být jednoduché a dobře použitelné, pokud pořadí dat neskrývá pravidelný vzor. Problém nastane, když se interval výběru potká s periodicitou v datech, třeba s denními špičkami nebo dávkovým importem. Náhodný výběr takové riziko obvykle snižuje.

Zdroje

1. Sampling (statistics)(otevře se v novém okně)Wikipedia
2. Sampling (signal processing)(otevře se v novém okně)Wikipedia
3. PostgreSQL: Documentation(otevře se v novém okně)PostgreSQL Global Development Group
4. Web Audio API(otevře se v novém okně)MDN Web Docs

Související pojmy

• Confusion matrixConfusion 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.
• Datová kvalitaDatová 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 sadaDatová 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.
• 3D model3D model je digitální reprezentace objektu nebo prostoru ve třech rozměrech, složená z geometrie, materiálů a často i textur, animací či fyzikálních vlastností. Používá se v hrách, filmech, průmyslovém návrhu, architektuře, e-commerce i simulacích, kde software z modelu počítá zobrazení nebo další data.
• A/B testováníA/B testování je řízený experiment, který porovnává dvě varianty stránky, funkce, ceny nebo sdělení na podobných skupinách uživatelů. Měří předem zvolenou metriku, například konverzi nebo retenci, a pomáhá rozhodnout, zda změna skutečně zlepšuje výsledek, nebo zda pozorovaný rozdíl mohl vzniknout náhodou.
• AI agentAI 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 etikaAI 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.
• Alfa kanálAlfa kanál je složka obrazových dat, která u pixelu určuje míru neprůhlednosti nebo průhlednosti. Doplňuje barevné kanály, typicky RGB, a umožňuje plynulé okraje, stíny, překryvy, masky i skládání vrstev. Hodnota alfa sama neurčuje barvu, ale říká, jak se barva pixelu promíchá s pozadím.