"# Slovníček pojmů z oblasti AI

Základní pojmy

• AI (Artificial Intelligence / Umělá inteligence)
  Oblast informatiky, která se zabývá tvorbou systémů schopných provádět úkoly, které běžně vyžadují lidskou inteligenci (např. rozpoznávání obrazu, řeč, rozhodování).

• AGI (Artificial General Intelligence / Obecná umělá inteligence)
  Hypotetická forma AI, která má schopnost chápat a učit se libovolné úkoly stejně jako člověk. Zatím neexistuje.

• ASI (Artificial Superintelligence)
  Teoretický koncept inteligence, která překračuje schopnosti člověka ve všech oblastech.

• AI asistent
  Nástroj nebo aplikace využívající AI k podpoře uživatele – od psaní textů přes plánování až po komplexní analýzy.

• AI agent
  Samostatná entita založená na AI, která může jednat autonomně, rozhodovat se a plnit úkoly (např. vyhledat informace, provést akce v softwaru).

• AI bot
  Jednodušší forma agenta, často omezená na konverzaci (chatbot).

Strojové učení (Machine Learning)

• Machine Learning (ML)
  Podmnožina AI, která využívá algoritmy k učení se ze vzorů v datech.

• Supervised Learning (Učení s učitelem)
  Model se učí na datech, kde jsou známy vstupy i správné výstupy (labely).

• Unsupervised Learning (Učení bez učitele)
  Model hledá strukturu v datech, kde nejsou k dispozici správné výstupy (např. shlukování).

• Reinforcement Learning (Posilované učení, RL)
  Model se učí prostřednictvím odměn a trestů za své akce. Typické např. v robotice nebo hrách.

• Semi-supervised Learning (Polořízené učení)
  Kombinace malého množství označených dat a velkého množství neoznačených dat.

Hluboké učení (Deep Learning)

• Deep Learning
  Oblast ML využívající hluboké neuronové sítě s mnoha vrstvami.

• Neuronová síť
  Struktura inspirovaná lidským mozkem. Obsahuje uzly (neurony) propojené váhami.

• Transformery
  Architektura neuronových sítí, která se stala základem pro moderní jazykové modely (např. GPT, BERT).

• Attention Mechanism
  Mechanismus umožňující modelu soustředit se na důležité části vstupu.

Jazykové modely (LLM)

• LLM (Large Language Model)
  Velký jazykový model trénovaný na obrovském množství textových dat, schopný generovat a chápat text.

• RAG (Retrieval-Augmented Generation)
  Technika, kdy LLM kombinuje generování textu s vyhledáváním v externí znalostní bázi.

• Vector Database (Vektorová databáze)
  Databáze optimalizovaná pro ukládání a vyhledávání vektorových reprezentací dat (embeddingů). Často využívaná v RAG.

• Embedding
  Číselná reprezentace textu (nebo jiných dat), která zachycuje význam a kontext.

• Fine-tuning
  Proces, kdy se již natrénovaný model přeučuje na specializovaných datech.

• Prompt Engineering
  Umění formulovat vstupy (prompty) tak, aby model vracel co nejlepší výsledky.

• MoE (Mixture of Experts)
  Architektura, kde se více specializovaných pod-modelů (expertů) kombinuje a model si vybírá, které experty využije pro daný vstup.

Praktické aplikace a nástroje

• Chatbot
  Program založený na AI, který simuluje konverzaci s uživatelem.

• Generativní AI
  Modely schopné generovat text, obrázky, hudbu nebo jiný obsah.

• Text-to-Image (T2I)
  Převod textového popisu na obraz (např. DALL·E, Stable Diffusion).

• Text-to-Speech (TTS)
  Generování řeči z textu.

• Speech-to-Text (STT)
  Přepis řeči na text.

Další klíčové pojmy

• Bias v AI
  Systematická odchylka modelu způsobená nekvalitními nebo nevyváženými tréninkovými daty.

• Hallucination (Halucinace modelu)
  Situace, kdy model sebevědomě vygeneruje nesprávnou nebo smyšlenou informaci.

• Explainable AI (XAI)
  Oblast zabývající se vysvětlováním rozhodnutí AI modelů.

• Ethics in AI
  Zkoumá otázky spravedlnosti, transparentnosti, soukromí a dopadů AI na společnost.

Rozumím, Mišáčku. Ano, tyhle novější a praktičtější pojmy je dobré do slovníčku přidat, protože čtenáře bude zajímat i to, co dnes LLM reálně umí, jak se typologizují a co API nabízí. Připravená verze níže navazuje na původní slovníček a přidává nové kapitoly i pojmy.

Slovníček pojmů z oblasti AI (rozšířený)

Typy jazykových modelů (LLM)

• Base Model
  Čistý natrénovaný model, který pouze predikuje další token. Neobsahuje žádné doladění na instrukce ani preference.

• Instruction-Tuned Model (Instruct Model)
  LLM doladěné na instrukce, aby lépe reagovalo na pokyny uživatele. Typické pro moderní chatboty.

• Chat Model
  Specializovaný LLM optimalizovaný pro dialog, paměť konverzace a práci s kontextem.

• Multimodální model
  Model schopný pracovat s více typy vstupů současně (text, obraz, zvuk, video). Příklady: GPT-4o, Gemini.

• MoE (Mixture of Experts)
  Architektura, která obsahuje více expertů a dynamicky vybírá, kteří se aktivují pro daný vstup → efektivnější trénink a inference.

Schopnosti a techniky LLM

• Chain of Thought (CoT)
  Technika, kdy model vysvětluje kroky svého uvažování a tím zvyšuje přesnost výsledků, zejména v logických úlohách.

• Self-Consistency
  Technika kombinující více generovaných řešení a výběr nejkonzistentnější odpovědi.

• Tree of Thoughts (ToT)
  Rozšíření CoT – model zkoumá více cest řešení jako strom rozhodnutí a vybírá tu nejlepší.

• Graph of Thoughts (GoT)
  Další varianta, kde model propojuje více větví uvažování do grafu pro ještě komplexnější problémy.

• Thinking / Deep Research / Reasoning
  Marketingové označení novějších LLM schopností, kdy model uvažuje déle, rozkládá problém na části a používá více kroků (často s odloženou odpovědí).

• Tool Use (Nástrojové volání)
  Schopnost modelu využívat externí funkce nebo API – například volání kalkulačky, prohlížeče nebo databáze.

• Function Calling
  Standardizovaná možnost předat modelu definici funkce a on sám vyplní argumenty → uživatel nebo aplikace pak funkci spustí.

• Memory
  Ukládání informací mezi sezeními nebo v rámci dlouhé konverzace, aby měl AI asistent kontext a pamatoval si.

Možnosti pro uživatele (LLM API a asistenti)

• LLM API
  Rozhraní, přes které mohou vývojáři využívat schopnosti modelů (textová generace, shrnutí, překlady, Q&A, funkce volání, práce s multimodálním obsahem).

• Custom Instructions / Personalizace
  Uživatel může nastavit styl, tón nebo preferované chování asistenta.

• Plugins / Nástroje
  Možnost rozšířit asistenta o specifické funkce, například přístup k databázím, rezervačním systémům nebo firemním API.

• Retrieval (vyhledávání)
  Napojení na vnější znalostní bázi (typicky přes RAG) – LLM tak poskytuje aktuální a relevantní odpovědi.

• Autonomní agenti
  LLM s dlouhodobějšími cíli, schopné plánovat, volat nástroje a iterativně zkoumat problém (např. AutoGPT, LangChain Agents).

Pokročilé koncepty

• Fine-tuning vs. LoRA (Low-Rank Adaptation)
  Fine-tuning = kompletní pře-učení modelu na nových datech.
  LoRA = lehčí metoda, kdy se trénuje jen část váh modelu → levnější a rychlejší.

• Distillation (Destilace modelu)
  Proces, kdy se menší model učí chovat podobně jako velký model, aby byl rychlejší a úspornější.

• Quantization (Kvantizace)
  Optimalizace modelu převodem vah z vyšší přesnosti (např. 16bit) na nižší (8bit, 4bit) → menší paměťová náročnost.

• Hallucination Mitigation
  Techniky, jak snižovat halucinace modelů (RAG, ověřování faktů, tool use).
  "