Slovníček AI pojmů
67 pojmů které potřebuješ znát — od základů po pokročilé koncepty
Umělá inteligence (AI)
Schopnost strojů vykonávat úkoly které obvykle vyžadují lidskou inteligenci — rozpoznávání řeči, rozhodování, překlad.
Strojové učení (ML)
Podoblast AI kde se modely učí z dat bez explicitního programování pravidel.
Neuronová síť
Výpočetní model inspirovaný lidským mozkem — vrstvami propojených uzlů zpracovává a transformuje data.
Hluboké učení (Deep Learning)
Strojové učení s mnoha vrstvami neuronové sítě, schopné rozpoznávat složité vzory v datech.
Trénování modelu
Proces při kterém model opakovaně prochází trénovacími daty a upravuje své parametry.
Inference
Použití již natrénovaného modelu k generování odpovědí nebo předpovědí.
Parametry modelu
Interní hodnoty modelu nastavené během tréninku — GPT-4 má ~1,8 bilionu parametrů.
Benchmark
Standardizovaný test pro měření a porovnání výkonu AI modelů.
Open-source model
Model jehož váhy jsou veřejně dostupné — např. Llama, Mistral.
Proprietární model
Model jehož váhy jsou uzavřené — např. GPT-4, Claude, Gemini.
Bias
Tendence modelu preferovat určité odpovědi na základě vzorů v trénovacích datech.
Dataset
Soubor dat na kterém se model trénuje nebo testuje.
Label
Označení přiřazené datům aby model věděl co je co. Základ supervised learningu.
GPU
Specializovaný čip původně pro grafiku, dnes klíčový hardware pro trénink AI modelů.
Guardrails
Bezpečnostní omezení zabudovaná do modelu která brání škodlivým nebo nevhodným výstupům.
Turing Test
Test navržený Alanem Turingem — stroj ho projde pokud jeho odpovědi nelze odlišit od lidských.
LLM (Large Language Model)
Velký jazykový model trénovaný na obrovském množství textu, schopný generovat, překládat a analyzovat text.
Token
Základní jednotka textu kterou LLM zpracovává. Přibližně 1 token = 0,75 slova. Cena API volání se počítá v tokenech.
Kontext (Context Window)
Maximální množství textu které model vidí najednou. Čím větší kontext, tím více informací model zpracuje.
Temperatura (Temperature)
Parametr ovlivňující kreativitu výstupů. Nízká (0–0.3) = přesné odpovědi. Vysoká (0.7–1) = kreativnější výstupy.
Top-P (Nucleus Sampling)
Parametr který omezuje výběr dalšího tokenu na nejpravděpodobnější možnosti. Alternativa k temperatuře.
Hallucination
Jev kdy model sebejistě generuje nepravdivé nebo vymyšlené informace jako fakta.
System prompt
Instrukce na začátku konverzace která definuje chování, roli a omezení modelu.
Multimodální model
Model který zpracovává více typů dat najednou — text, obrázky, zvuk, video.
GPT (Generative Pretrained Transformer)
Architektura velkých jazykových modelů od OpenAI. Základ ChatGPT a dalších modelů.
AGI (Artificial General Intelligence)
Hypotetická AI schopná učit se a řešit libovolné úkoly jako člověk — zatím neexistuje.
ASI (Artificial Superintelligence)
Hypotetická AI která by ve všech ohledech překonala nejlepší lidské schopnosti.
NLP (Natural Language Processing)
Zpracování přirozeného jazyka — oblast AI která umožňuje strojům rozumět a generovat lidský text.
MCP (Model Context Protocol)
Otevřený standard pro komunikaci AI modelů s externími nástroji, databázemi a službami.
Prompt
Vstupní instrukce nebo otázka kterou zadáváš AI modelu.
Prompt Engineering
Disciplína navrhování a optimalizace promptů pro dosažení nejlepších výstupů z AI modelů.
Zero-shot prompting
Zadání úkolu bez jakýchkoliv příkladů. Model odpovídá pouze na základě tréninku.
Few-shot prompting
Zadání úkolu spolu s několika příklady vstup/výstup. Výrazně zlepšuje přesnost odpovědí.
Chain-of-Thought (CoT)
Technika kde model přemýšlí krok po kroku před finální odpovědí. Zlepšuje výsledky u složitých úloh.
Role prompting
Přiřazení role modelu ("Jsi senior developer..."). Ovlivňuje tón, styl a hloubku odpovědí.
Instrukční prompt
Přesný příkaz co má model udělat, jak to udělat a v jakém formátu výstupu.
Meta-prompt
Prompt který generuje jiné prompty. Používá se pro automatizaci prompt engineeringu.
Prompt injection
Útok kdy škodlivý obsah v datech přepíše instrukce systémového promptu.
Jailbreak
Pokus o obejití bezpečnostních omezení modelu pomocí speciálně navržených promptů.
RAG (Retrieval-Augmented Generation)
Architektura která před generováním odpovědi vyhledá relevantní dokumenty a přidá je do kontextu. Řeší zastaralé znalosti modelu.
Embedding
Numerická reprezentace textu (vektor) která zachycuje sémantický význam. Podobné texty mají podobné vektory.
Vektorová databáze
Databáze optimalizovaná pro ukládání a vyhledávání embeddingů. Např. Pinecone, pgvector, Chroma.
Sémantické vyhledávání
Vyhledávání podle významu textu, ne podle klíčových slov. Používá embeddingy.
Chunking
Rozdělení dlouhých dokumentů na menší části před uložením do vektorové databáze. Strategie chunkingu zásadně ovlivňuje kvalitu RAG.
Reranking
Druhý krok RAG kde se nalezené dokumenty seřadí podle relevance před předáním modelu.
Grounding
Ukotvení odpovědí modelu v konkrétních datech nebo dokumentech. Snižuje halucinace.
AI agent
AI systém který samostatně plánuje a provádí kroky k dosažení cíle pomocí nástrojů a rozhodování.
Agentic AI
Přístup kde AI autonomně rozhoduje o sekvenci akcí bez lidského zásahu u každého kroku.
Tool use
Schopnost agenta volat externí nástroje — vyhledávání, kalkulačka, API, databáze.
Multi-agent systém
Architektura kde více specializovaných agentů spolupracuje na složitém úkolu.
Orchestrátor
Agent který řídí ostatní agenty — rozděluje úkoly, sbírá výsledky a koordinuje workflow.
Memory (paměť agenta)
Mechanismus pro ukládání kontextu a výsledků předchozích kroků. Krátkodobá (v kontextu) vs dlouhodobá (v databázi).
ReAct
Technika (Reasoning + Acting) kde agent střídá přemýšlení a akci v iterativním cyklu.
Human-in-the-loop
Design kde člověk schvaluje nebo koriguje rozhodnutí agenta v kritických momentech.
Supervised Learning
Učení z dat která mají správné odpovědi jako vzor. Model se učí mapovat vstupy na výstupy.
Unsupervised Learning
Učení ze surových dat bez označení. Model hledá vzory a struktury sám.
Reinforcement Learning
Učení metodou pokus/odměna/trest. Agent se učí optimálním akcím interakcí s prostředím.
Computer Vision
Oblast AI která umožňuje strojům rozpoznávat a analyzovat obrazy, videa a vizuální data.
Fine-tuning
Dotrénování existujícího modelu na specifických datech pro konkrétní use case.
RLHF (Reinforcement Learning from Human Feedback)
Technika kde lidé hodnotí výstupy modelu a tím ho učí lepším odpovědím.
LoRA (Low-Rank Adaptation)
Efektivní metoda fine-tuningu která mění jen malou část parametrů. Levnější a rychlejší než plný fine-tuning.
Syntetická data
Uměle generovaná trénovací data pomocí AI. Řeší nedostatek reálných dat.
Overfitting
Situace kdy model funguje skvěle na trénovacích datech ale špatně na nových. Naučil se data nazpaměť.
GEO (Generative Engine Optimization)
Optimalizace obsahu pro viditelnost v AI modelech jako ChatGPT, Perplexity, Gemini. Nástupce tradičního SEO.
AI citace
Odkaz který AI model uvede jako zdroj při generování odpovědi. Hlavní cíl GEO strategie.
Share of Voice v AI
Podíl odpovědí ve kterých AI model zmiňuje tvoji značku nebo web při relevantních dotazech.
Autoritativní obsah
Obsah strukturovaný tak aby ho AI modely považovaly za spolehlivý zdroj a citovaly ho.