Slovníček
V tomto slovníčku naleznete definice pojmů, které se nějakým způsobem vztahují k umělé inteligenci. Je doplňkem ke vzdělávacím materiálům, které v AI dětem vytváříme. Srozumitelnost je pro nás důležitý faktor, proto definice termínů bývají často velmi zjednodušené.
A
Žádná z definic termínu umělá inteligence vlastně není ustálená. Všechny se ale shodují v tom, že to je systém, který simuluje lidské myšlení a akce.
Umělá inteligence má obvykle formu počítačového programu a slouží k řešení úloh, k nimž byl dříve potřeba značný lidský intelekt, a byly tedy doménou lidí.
Je to také kromě jiného i vědecký obor s počátky sahajícími do první poloviny 20. století. Jeho důležitou vlastností je, že se inteligentním systémům snaží nejen porozumět, ale zejména je tvořit.
Více na: aidetem.cz/co-je-ai
Virtuální postava vytvořená pomocí generativní umělé inteligence, která je navržena tak, aby působila jako skutečný influencer na sociálních platformách. Může působit, jako by měla vlastní osobnost, zájmy a interakce. Často bývá vytvořena k marketingovým účelům, propagaci značek, produktů nebo služeb. Může se prezentovat obsahem jako fotografie, videa, hudba, texty apod. Skrze komentáře může také interagovat s uživateli. Pravděpodobně nejznámější je AI influencerka Lil Miquela s cca 2,6 miliony sledujícími na Instagramu.
Algoritmus je podrobný, krok za krokem definovaný postup pro vyřešení určitého problému nebo úkolu. Je to sada pravidel nebo instrukcí, které popisují, jak dosáhnout výsledku nebo řešení problému. Není vázán na žádný konkrétní programovací jazyk. Může být vyjádřen přirozeným jazykem, pseudokódem apod.
Algoritmus je abstraktní koncept. Jeho hlavním cílem je popsat logiku řešení krok za krokem.
B
Ustálená definice pojmu velká data (big data) neexistuje, avšak společné charakteristiky velkých dat zahrnují ohromnou velikost, rychlost vzniku (příjmu), různorodost formátů, velikostí a struktur, a také nižší kvalitu či přesnost. Velká data mohou zahrnovat obrázky, videa, audia, texty nebo tzv. digitální stopy ve formě údajů o uživatelském chování. Jsou důsledkem zrychlení a vývoje internetu, přičemž roli hraje také výrazné zlevnění ukládání a zpracování dat. Typicky je jich tolik, že jejich zpracování vyžaduje nové přístupy, například metody strojového učení.
D
Data jsou v obecné rovině údaje, které lze použít k řešení různých problémů, pro rozhodování
nebo k pochopení světa kolem nás. Pokud datům přiřadíme smysl nebo význam, vzniká informace.
Počítače a další zařízení pracují s digitálními daty. Ta popisují nějakou část reálného světa
kolem nás ve formě vhodné k počítačovému zpracování. Existují různé typy, můžeme je dělit třeba na:
- texty (znaky, slova, čísla…)
- obrázky (fotografie, kresby, grafy, gify…)
- videa (multimédia — propojení obrazu a zvuku, například záznam z dovolené, animovaný příběh…)
- audio (telefonní hovory, hudba…)
- 3D objekty (pro 3D tisk, postavy nebo objekty ve hrách…)
Velké množství dat, které se používá pro trénování modelů strojového učení. Mohou to být třeba hlasové záznamy, hudba, videa, obrazy, texty z knih, novin nebo sociálních sítí…
Volba datasetu z velké části definuje, co bude model umět, jak se bude chovat a jaké problémy bude řešit.
Dataset by měl být co největší. Měl by obsahovat kvalitní a pro daný úkol relevantní data, aby se zajistilo, že model bude dobře fungovat.
Pojem deepfake v sobě zahrnuje dvě slova: „deep“, jež odkazuje na hluboké neuronové sítě a „fake“, což znamená falešný. Deefake je za pomocí generativní umělé inteligence zmanipulovaný nebo kompletně vygenerovaný digitální obsah — obrázky, texty, videa, audio apod.
Difuzní modely generující obrazy, jako třeba Dall-E, Midjourney, Stable Diffusion se trénují tak, že se do obrázků přidává šum, který se následně učí model odstraňovat. Při generování obrázků model využívá tento proces obnovy, a vytváří tak realistické obrazy z původního šumu.
Proces úpravy digitálních médií — od jemných změn typu potlačení šumu nebo úprava jasu, až po přidávání či odstraňování různých částí obrazu/videa/audia…, nebo vytváření zcela syntetických médií. Tento proces může být použit pro různé účely, včetně uměleckého vyjádření, zábavy, marketingu, ale také pro dezinformaci nebo podvody. Jako častý příklad z historie se uvádí zneužití digitální manipulace při retušování nepřátel Josifa Stalina z fotografií ve 30. letech minulého století. V současnosti je tento pojem úzce spjat s tzv. deepfakes.
RS jsou jednou z technologií strojového učení. Jsou založeny na pozorování uživatelského chování, jeho vyhodnocování a doporučování vhodného obsahu.
Například pokud na YouTube zhlédneme video s koťaty, plaftorma nám nabídne další podobná. Nebo pokud systém vyhodnotí, že se my (uživatel A) chováme podobně jako uživatel B (oba koukáme na videa s koťaty a tuleni), nabídne nám jiná videa, která se líbí také uživateli B, přestože jsme na podobná videa doposud nereagovali.
RS vyhodnocují naše chování dvěma způsoby. Ukažme si to na příkladu hodnocení filmu. Explicitní způsob je ten, kdy film ohodnotíme hvězdičkami. Implicitní pak, zdali jsme film dokoukali, pustili si ho podruhé apod.
RS jsou hojně využívány k doporučování obsahu na sociálních sítích, streamovacích službách nebo vyhledávačích.
F
Technika, který umožňuje snadno a rychle zaměnit tváře na fotografiích nebo ve videích. Využívá počítačové vidění pro rozpoznávání obličejů a pokročilé algoritmy umělé inteligence k detekci a mapování obličejových rysů, což umožňuje přesné nahrazení jednoho obličeje obličejem někoho jiného. Face Swap se běžně používá pro zábavu v mobilních aplikacích a na sociálních sítích, ale také například v (často nekonsenzuální) pornografii.
G
Generativní AI je typ umělé inteligence, který je navržen pro vytváření nového obsahu, jako jsou texty, obrázky, hudba, videa apod. na základě dat, na kterých byla natrénována. Na rozdíl od tradičních systémů AI, které se zaměřují na analýzu a klasifikaci informací nebo na řešení konkrétních úkolů v různých oblastech, generativní AI používá algoritmy, jako jsou neuronové sítě, k „naučení se“ stylu a struktury existujících dat, aby mohla generovat nový, podobný obsah, který je často těžko odlišitelný od obsahu vytvořeného lidmi. Tato technologie nachází uplatnění v mnoha oblastech, včetně umění, designu, tvorby her, a dokonce i v generování textů pro zprávy nebo sociální média.
Generativní modely dovolují komukoliv snadno generovat obrazy na základě textových vstupů, kterým se říká prompty (výzva, podnět). Z uživatelského hlediska to funguje velmi jednoduše — textově popíšeme naši představu a AI z ní vytvoří obraz. V současnosti se využívají dva typy generativních modelů:
Difuzní modely (Dall-E 2, Midjourney, Stable Diffusion…)
Trénink difuzních modelů se provádí tak, že se do obrázků přidává šum, který se následně učí model odstraňovat. Při generování obrázků model využívá tento proces obnovy, a vytváří tak realistické obrazy z původního šumu.
GAN — Generativní adversariální sítě (StyleGAN…)
Obrazy se vytváří pomocí dvou neuronových sítí — generátoru a diskriminátoru. Ty spolu vzájemně soutěží a tím se motivují ke zlepšení. Generátor se snaží vytvořit nová data, která se co nejvíce podobají těm, na kterých byl natrénován. Diskriminátor je tu pak od toho, aby posoudil, zda se mu to podařilo.
Tento proces — kdy se oba modely navzájem trénují, je zopakován několikasetkrát, než je výsledný obraz hotov.
Více o generování: aidetem.cz/generovani-obrazu-pomoci-umele-inteligence
Typ generativní sítě, která vytváří obrazy pomocí dvou neuronových sítí — generátoru a diskriminátoru. Ty spolu vzájemně soutěží a tím se motivují ke zlepšení. Generátor se snaží vytvořit nová data, která se co nejvíce podobají těm, na kterých byl natrénován. Diskriminátor je tu pak od toho, aby posoudil, zda se mu to podařilo.
Tento proces — kdy se oba modely navzájem trénují, je zopakován několikasetkrát, než je výsledný obraz hotov.
Ch
ChatGPT aplikace využívající velký jazykový model vytvořený společností OpenAI. Dokáže vést konverzaci s uživateli v přirozeném jazyce.
Informace, které ChatGPT poskytuje, nemusí být vždy pravdivé, odpovídat skutečnému stavu věcí, mohou být zavádějící i zcela smyšlené. Proto je vždy třeba je ověřovat i z jiných informačních zdrojů.
I
Schopnost přizpůsobovat se novým situacím, učit se a řešit výzvy. Zahrnuje kognitivní procesy jako myšlení, učení, vnímání, porozumění a komunikaci. Inteligence se projevuje v mnoha různých oblastech, včetně akademického úspěchu, pracovního výkonu, mezilidských vztahů a osobního rozvoje.
K
V kontextu strojového učení je korpus velké množství textů ve formě například knih, článků, receptů, příspěvků na sociálních sítích… až po hlasové záznamy.
Korpusy slouží pro trénování jazykových modelů strojového učení, jako je například ChatGPT. S nadsázkou lze říci, že volba korpusu určuje, jaké názory bude model papouškovat.
M
Takto se nazývá program, který se z mnoha příkladů nebo zkušeností učí, jak řešit různé úlohy. Učení probíhá ve dvou fázích — trénování a testování. V trénovací fázi například ukazujeme modelu množství příkladů (videa, obrázky, texty…), na nichž se učí tím, že vyhledává vzory (podobnosti). V testovací fázi ukazujeme modelu příklady, které ještě nikdy neviděl, a zjišťujeme, jak dobře funguje.
N
Umělý neuron vychází z toho biologického a je základní stavební jednotkou neuronových sítí a současně matematickou funkcí. Skládá se z několika částí: vstupy, váhy, aktivační funkce a výstup.
Schéma jednoduchého neuronu:
Neuron na obrázku přijímá vstupní hodnoty X_i, které jsou násobeny příslušnými váhami W_i. Tyto vážené vstupy se sečtou (∑), čímž se vytvoří vnitřní potenciál neuronu. Pokud vnitřní potenciál přesáhne práh (pro jednoduchost ho v obrázku máme nulový), výstup neuronu se takzvaně aktivuje. Aktivační funkci f si můžete v tomto případě představit jako skok z nuly na jednotku, ale v moderních neuronových sítích se používá celá řada složitějších funkcí.
Umělá neuronová síť je počítačový program, který se používá ke zpracování velkého množství dat. Skládá se ze struktur umělých buněk, kterým se říká umělé neurony. Ty mají v sobě tzv. váhy, které se upravují (učí) na základě mnoha signálů, jež dostávají od ostatních neuronů, a po převážení pak vyšlou signály dalším neuronům. První umělou neuronovou síť vymyslel v roce 1958 psycholog Frank Rosenblatt.
Zjednodušené schéma jednoho z typů neuronové sítě:
O
P
Obor, který se rozvíjel ještě před nástupem umělé inteligence — a to hlavně za účelem rozpoznáváni vzorů v obraze. Po nástupu umělých neuronových sítí se však významně posunul a nyní počítače vidí podobně jako lidé. Pokud systémům rozpoznávání obrazu poskytneme data, mohou se podle nich naučit rozpoznávat cokoliv, od osob přes známé orientační body až třeba po domácí mazlíčky.
Počítačovým viděním se dnes můžeme přihlásit do mobilu ukázáním svého obličeje (Face ID), měřit vzdálenosti
a hledat informace o objektech, které ani neumíme pojmenovat (Google Lens), nebo AI můžeme vzít třeba do lesa (BirdNET).
Díky přesnému rozpoznávání dopravních značek, jízdních pruhů a překážek na cestě dospívá také technologie samořiditelných aut.
Program je konkrétní využití jednoho nebo více algoritmů v určitém programovacím jazyce. Je to soubor instrukcí, který strojům říká, co mají dělat, aby splnily zadanou úlohu.
Tedy zatímco algoritmus je obecný popis toho, jak vyřešit problém, program je konkrétní realizací tohoto řešení v určitém programovacím jazyce.
Špatně připravená data nebo jejich nedostatek mohou způsobit, že umělá inteligence bude určitým způsobem předpojatá (zkreslená).
Pokud například budeme chtít, aby se umělá inteligence naučila rozpoznávat boty, ale budeme jí ukazovat výhradně obrázky tenisek, nebude boty na vysokém podpatku, sandály ani kozačky za boty považovat.
Aby systémy umělé inteligence byly etické a riziko zkreslení co nejnižší, programátoři a programátorky je v tomto duchu neustále ladí a jejich data pečlivě posuzují. To je jediný způsob, jak zajistit, aby systémy dobře pracovaly pro každého.
Více na: aidetem.cz/predpojatost
Příznak ve strojovém učení (v angličtině feature) je jednotlivá měřitelná vlastnost nebo charakteristika dat, kterou lze použít pro analýzu. Představte si, že chcete, aby počítač rozpoznal, zda je na obrázku kočka. Příznaky mohou zahrnovat velikost obrázku, barvu, tvar uší, délku ocasu a mnoho dalších. Tyto informace pomáhají počítačovému modelu rozhodnout, zda je na obrázku kočka nebo ne. V kontextu strojového učení jsou příznaky základními stavebními kameny, z nichž modely „učí“ rozpoznávat vzory nebo provádět predikce. Správný výběr a příprava příznaků může výrazně zlepšit výkon a přesnost modelu.
R
S
Stejně jako se člověk umí učit z příkladů a zkušeností, jsou toho schopny i člověkem vytvořené stroje.
Stroje k učení využívají metodu, která se nazývá strojové učení. Ta umožňuje systémům umělé inteligence, aby nebyly jen souborem předem naprogramovaných akcí, ale aby samy přicházely s novými řešeními.
Cílem metod strojového učení je odhalit vzory vyskytující se ve velkém množství dat.
Více na: aidetem.cz/strojove-uceni
Strojové učení s učitelem je jedním ze způsobů, jak se systémy umělé inteligence mohou učit — v tomto případě například rozpoznávat objekty na obrázcích nebo videích. Pokud bychom chtěli vytvořit aplikaci, která rozpoznává psy a kočky, museli bychom nejdříve programu říci, na kterých obrázcích jsou kočky a na kterých psi (tzv. anotovat data). Lidé tedy plní úlohu učitelů, a proto se tento přístup nazývá „s učitelem“.
Po anotaci obrázků na kočky a psy bychom program natrénovali a poté bychom mu ukazovali obrázky koček a psů, které ještě nikdy neviděl, a sledovali bychom, zda zvíře určil správně. Pokud by program chyboval, vylepšili bychom datovou sadu (například přidáním více obrázků koček a psů) a model natrénovali znovu.
Více na: aidetem.cz/kurz…
Strojové učení bez učitele je typ strojového učení, kde se systém učí z neoznačených dat. Tento přístup nevyžaduje, aby lidé předem označili (anotovali) data (například fotografie, kde je kočka nebo pes). Místo toho se algoritmy snaží najít vzory nebo struktury v datech samostatně. Například, pokud bychom měli sadu obrázků bez označení, algoritmus by mohl seskupit podobné obrázky dohromady (tzv. shlukování) nebo snížit jejich rozměrnost (zjednodušit) a odhalit tak základní strukturu.
Více na: aidetem.cz/kurz…
Posilované učení (někdy se říká také zpětnovazební) je typ strojového učení, kdy necháme stroje, aby něco zkoušely samy (metodou pokus/omyl), a následně jim dáváme zpětnou vazbu skrze tzv. politiky. Stroje si na základě zpětné vazby vhodné vyvíjejí strategie chování. Například, pokud bychom chtěli vyvinout robota, který se naučí procházet bludištěm, robot by získával pozitivní odměnu za každý krok správným směrem a negativní odměnu za chyby nebo slepé uličky. Postupně by se tak naučil najít optimální cestu bludištěm.
Více na: aidetem.cz/kurz…
Syntetická média jsou taková, která byla vytvořena pomocí generativní umělé inteligence. Mohou to být například obrázky, videa, texty, audio a další.
Pojem syntetická realita byl dříve spojován s 3D prostředím (částečně nebo zcela generovaným umělou inteligencí) metaverse, do kterého by se přistupovalo pomocí virtuální reality. V poslední době se však stále častěji hovoří v kontextu syntetické reality, případně syntetických realit, také jako o umělých konstruktech, který byly vytvořeny s využitím nástrojů generativní AI. Tento pojem je také často spojován s tzv. deepfakes.
U
V moderní, internetem propojené, společnosti nachází umělá inteligence svá uplatnění na mnoha místech. S AI a jejími rozhodnutími se dnes potkáme v práci, na nákupech i ve volném čase. Poradí nám nejkratší nebo nejekologičtější cestu, rozpozná rostlinu, doporučí obsah na sociálních sítích, hudbu nebo film, přeloží text, vygeneruje nebo vyhledá obrázek, rozpozná anomálie na rentgenových snímcích, zahraje si s námi hru, popovídáme si s ní nebo nás třeba někam doveze autem.
Více na: aidetem.cz/vyuziti-ai
V
Velký jazykový model (jako například GPT-4o) je sofistikovaný počítačový program, který je určen k analýze a generování textu. Může být využit například pro strojový překlad, rozpoznávání řeči, generování odpovědí na otázky, či syntézu literálního díla.
Tyto modely jsou trénovány na obrovských objemech dat (tzv. korpusech) — například na datech získaných z internetu (Common Crawl), digitalizovaných knihách nebo Wikipedii.
Na světě je jich jen několik a jsou z důvodů nároků na počítačový hardware vytvářeny jen velkými společnostmi. V současnosti jsou nejznámější GPT (OpenAI), Claude (Anthropic), Gemini (Google), Llama (Meta) nebo LaMDA (DeepMind).
Proces vzniku velkého jazykového modelu může být (velmi zjednodušeně) rozdělen do tří kroků:
— výběr korpusů: ty by měly být dostatečně velké a rozmanité,
— trénování modelu: model je trénován na datech pomocí algoritmů strojového učení,
— validace a testování: model je zkoušen na datech mimo trénovací sadu, upravován a dále vylepšován.
Nakonec je model nasazen pro reálné použití, například pro vedení konverzace (chatboti), překlad textů nebo jiné aplikace. K tomu je třeba zajistit, aby se chatbot dobře choval k uživatelům a nikomu neublížil.