Minulý týden mi napsal čtenář: “Co je vlastně ten RAG, o kterém všichni mluví? A je to totéž co fine-tuning?” Nebyla to hloupá otázka. AI si za pár let vytvořila vlastní slovník, plný zkratek, anglicismů a pojmů, které si pletou i lidi, kteří s ní pracují denně.

Sestavil jsem seznam přes šedesát pojmů, na které v článcích o AI narazíte nejčastěji: prompt, token, agent, RAG a další. Seřazený abecedně a rozdělený do pěti skupin, ať se v tom dá rychle listovat. U tokenu a LLM najdete odkaz na podrobnější článek, tam se do principu ponoříme hlouběji. U ostatních stačí stručná definice.

A–C: agenti, alignment a computer vision

Agent (AI agent). Program, který dostane cíl a sám rozhoduje o krocích, jak ho splnit, místo aby jen odpověděl na jeden dotaz. Může prohledávat web, spouštět nástroje, číst soubory nebo volat jiné programy a mezi jednotlivými kroky si pamatuje, co už udělal. Rozdíl proti klasickému chatbotu je v samostatnosti: agent si sám naplánuje postup a průběžně ho upravuje podle výsledků.

Agentic AI. Souhrnné označení pro systémy postavené na principu agentů, tedy takové, které řeší úkol ve více krocích a s určitou mírou samostatnosti, ne jednou odpovědí. Typicky kombinuje jazykový model s přístupem k nástrojům, jako je prohlížeč, kalkulačka nebo firemní databáze. Pojem se často používá i jako marketingová nálepka, klidně i pro produkty, které mají autonomie jen málo.

AGI (obecná umělá inteligence). Hypotetický systém, který by zvládal libovolný intelektuální úkol na úrovni člověka, nejen jednu úzkou oblast. Dnešní modely jsou takzvaně úzké (viz narrow AI), umí být výborné v textu nebo obrazu, ale schopnost mezi obory samy od sebe nepřenesou. Kdy nebo jestli AGI vůbec vznikne, je mezi odborníky předmětem sporu, ne shody.

AI etika. Obor, který se zabývá důsledky nasazení umělé inteligence: zkreslením ve výstupech, dopadem na soukromí, odpovědností za chyby modelu nebo vlivem na pracovní trh. Netýká se jen výzkumníků, řeší ji i firmy, které AI nasazují do náboru zaměstnanců nebo schvalování úvěrů. V praxi jde hlavně o otázku, kdo nese odpovědnost, když se automatizované rozhodnutí ukáže jako chybné.

Alignment (sladění). Snaha o to, aby se chování AI modelu shodovalo s tím, co od něj lidé skutečně chtějí, včetně bezpečnostních a etických hranic. Zahrnuje třeba trénink na odmítání nebezpečných požadavků nebo doladění stylu odpovědí přes zpětnou vazbu od lidí (viz RLHF). Dokonalé sladění neexistuje, model jde obelstít i po pečlivém tréninku, proto se přidávají další vrstvy ochrany jako guardrails.

API. Rozhraní, přes které si mezi sebou dvě aplikace vyměňují data bez lidského zásahu. AI modely bývají dostupné právě přes API, program si tak umí od modelu vyžádat odpověď a zapracovat ji do vlastní aplikace, aniž by uživatel otevíral ChatGPT nebo jiné rozhraní. Zkratka pochází z anglického application programming interface.

API klíč. Unikátní řetězec znaků, kterým se aplikace prokazuje při volání API. Slouží k identifikaci a účtování, poskytovatel podle klíče pozná, kdo dotaz posílá a kolik má zaplatit. Klíč se nikdy nesdílí veřejně, jeho únik obvykle znamená, že někdo jiný začne čerpat z cizího účtu.

Benchmark. Standardizovaný test, kterým se porovnává výkon různých AI modelů na stejné sadě úloh, například matematické úlohy, programování nebo čtení s porozuměním. Výsledky benchmarků se objevují u každého nového modelu jako důkaz kvality. Reálné použití se od testových podmínek ale často liší, model může v benchmarku excelovat a přesto zklamat v nasazení, na které nebyl test stavěný.

Bias (zkreslení). Systematická chyba nebo nevyváženost ve výstupech modelu, která pochází z dat, na kterých se trénoval. Pokud trénovací data obsahují nerovnoměrné zastoupení určité skupiny lidí nebo jazyka, model to zopakuje ve svých odpovědích. Zkreslení jde zmírnit úpravou dat i dodatečným doladěním, úplně ho odstranit se ale zatím nepodařilo nikomu.

Chain-of-thought (řetězec myšlenek). Technika, při které model před finální odpovědí rozepíše mezikroky svého uvažování, podobně jako student, který si na zkoušce píše postup výpočtu. U složitějších úloh, třeba logických hádanek nebo víceúrovňové matematiky, tenhle postup zvyšuje šanci na správný výsledek. Reasoning modely dělají tenhle krok automaticky, u běžných modelů ho lze vyvolat i formulací promptu.

Computer vision (počítačové vidění). Obor AI zaměřený na rozpoznávání obsahu obrázků a videa: obličejů, objektů, textu nebo pohybu. Používá ho appka na fotce, která pozná psa od kočky, i systém v nemocnici, který hledá podezřelé útvary na rentgenovém snímku. Postavený je typicky na hlubokém učení, ne na ručně napsaných pravidlech.

D–H: od datasetu k halucinaci

Dataset (trénovací data). Sbírka textů, obrázků nebo jiných dat, na kterých se model učí rozpoznávat vzory. Kvalita a rozsah datasetu přímo ovlivňují, jak dobrý model z tréninku vznikne, protože se nenaučí nic, co v datech chybí. U velkých jazykových modelů jde o stovky miliard až biliony textových tokenů z internetu, knih a dalších zdrojů.

Deepfake. Uměle vytvořené video, obrázek nebo zvuková nahrávka, která věrohodně napodobuje konkrétní osobu, obvykle bez jejího souhlasu. Vzniká pomocí generativních modelů natrénovaných na fotkách nebo nahrávkách dané osoby. Používá se v podvodech i dezinformacích, ale i v legitimní filmové produkci, hranice mezi nimi bývá tenká.

Diffusion model (difuzní model). Typ generativního modelu, který obrázek vytváří postupným odstraňováním šumu z náhodného vstupu, dokud nevznikne rozpoznatelná scéna. Na tomto principu fungují nástroje jako Midjourney nebo Stable Diffusion. Proces je výpočetně náročnější než u jazykových modelů, generování jednoho obrázku proto trvá vteřiny až desítky vteřin, ne milisekundy.

Embedding (vnoření). Číselné vyjádření slova, věty nebo obrázku ve formě vektoru, tedy seznamu čísel, který zachycuje význam a vztahy k jiným pojmům. Podobné pojmy mají podobné vektory, model tak pozná, že “pes” a “štěně” patří k sobě blíž než “pes” a “letadlo”. Embeddingy se používají i mimo generování textu, třeba při vyhledávání podobných dokumentů v RAG systémech.

Few-shot (učení z několika příkladů). Přístup, kdy model dostane v promptu několik ukázkových příkladů požadovaného výstupu předtím, než dostane skutečný úkol. Pomáhá to modelu pochopit přesně požadovaný formát nebo styl bez dodatečného tréninku. Opakem je zero-shot, kdy model dostane jen zadání bez ukázek.

Fine-tuning (doladění). Dodatečný trénink už hotového modelu na užší sadě dat, kterým se model naučí konkrétní styl, terminologii nebo úlohu. Firma si tak může vzít obecný model a doladit ho na vlastní zákaznickou podporu nebo právnické dokumenty. Je levnější a rychlejší než trénovat model od nuly, protože využívá znalosti, které model už má.

Foundation model (základní model). Velký model natrénovaný na rozsáhlých a různorodých datech, který slouží jako základ pro širokou škálu dalších úloh. GPT, Gemini nebo Claude jsou příklady foundation modelů, na kterých pak vznikají specializované aplikace přes fine-tuning nebo prompting. Pojem zdůrazňuje, že jde o obecný stavební základ, ne o hotový produkt pro jeden konkrétní účel.

GPU (grafická karta). Hardware původně navržený pro zobrazování grafiky ve hrách, který se ukázal jako vhodný i pro trénink a provoz AI modelů díky schopnosti počítat mnoho operací najednou. Trénink velkého modelu běží na tisících GPU paralelně po dobu týdnů až měsíců. Nedostatek a cena výkonných GPU, hlavně od Nvidie, patří k hlavním limitům celého oboru.

Guardrails (ochranné mantinely). Sada pravidel a filtrů, které brání modelu vygenerovat nebezpečný, nelegální nebo jinak nevhodný obsah. Fungují jako dodatečná vrstva nad samotným modelem, kontrolují vstup i výstup a v případě problému odpověď zablokují nebo přepíšou. Nejsou neprůstřelné, zkušený uživatel je občas dokáže obejít, čemu se říká jailbreak.

Halucinace. Situace, kdy model vygeneruje fakt, citaci nebo odkaz, který zní věrohodně, ale neodpovídá realitě. Nejde o záměrnou lež, model si prostě “domyslí” nejpravděpodobnější pokračování textu, i když žádnou takovou informaci ve skutečnosti nezná. Nejčastěji se objevuje u jmen, dat, právních precedentů a citací zdrojů, tedy přesně tam, kde na přesnosti záleží nejvíc.

Hluboké učení (deep learning). Podmnožina strojového učení, která pracuje s vícevrstvými neuronovými sítěmi inspirovanými stavbou mozku. Každá vrstva zpracuje vstupní data trochu jinak a výsledek předá dál. Síť tak rozpozná i složité vzory v obrazu, zvuku nebo textu. Na hlubokém učení stojí prakticky všechny současné velké AI modely.

I–M: inference, jailbreak a multimodalita

Inference (odvozování). Fáze, kdy už natrénovaný model zpracovává váš dotaz a generuje odpověď. Na rozdíl od tréninku, který trvá týdny a spotřebuje obrovské množství výpočetního výkonu, inference proběhne za vteřiny a je poměrně levná. Každý dotaz do ChatGPT nebo podobného nástroje je jeden běh inference.

Inpainting. Technika, kterou generativní model doplní nebo opraví vybranou část obrázku, zatímco zbytek nechá beze změny. Používá se třeba na odstranění nežádoucího objektu z fotky nebo na doplnění chybějící části poškozeného snímku. Opakem je outpainting, který obrázek naopak rozšiřuje za jeho původní okraje.

Jailbreak. Formulace promptu, kterou se uživatel snaží obejít bezpečnostní pravidla modelu a donutit ho vygenerovat obsah, který by běžně odmítl. Typicky jde o hraní rolí, fiktivní scénáře nebo skládání zakázaného požadavku z neškodných částí. Firmy jako OpenAI nebo Anthropic průběžně opravují modely proti známým jailbreakům, nová obcházení se ale objevují dál.

Kontextové okno (context window). Množství textu, které model dokáže najednou “vidět” a zohlednit při generování odpovědi, měří se v tokenech. Pokud konverzace nebo dokument okno přesáhne, model začátek textu ztratí z dohledu a přestane ho brát v úvahu. Novější modely mají okna v řádu statisíců tokenů, což odpovídá stovkám stránek textu.

Kvantizace (quantization). Technika, která zmenší velikost modelu tím, že sníží přesnost čísel, s nimiž pracuje, například z šestnáctibitových na čtyřbitová. Model pak zabere méně paměti a běží rychleji, obvykle za cenu mírně horší přesnosti výstupů. Díky kvantizaci se dají i velké modely spustit na běžném počítači místo serverového datacentra.

Latence. Doba, která uplyne mezi odesláním dotazu a začátkem odpovědi modelu. U velkých modelů a dlouhých kontextů latence roste, protože model musí zpracovat víc dat před vygenerováním prvního tokenu. Streamování odpovědi latenci opticky zkracuje, uživatel vidí první slova dřív, než je hotová celá odpověď.

LLM (velký jazykový model). Model natrénovaný na obrovském množství textu, který umí generovat, shrnovat nebo překládat text na úrovni blížící se lidskému psaní. ChatGPT, Gemini nebo Claude jsou konkrétní produkty postavené na LLM. Jak přesně model vybírá jednotlivá slova, podrobně vysvětluje článek Co je LLM (velký jazykový model) a jak funguje.

MCP (Model Context Protocol). Otevřený standard, který modelu umožňuje jednotným způsobem komunikovat s vnějšími nástroji a zdroji dat, třeba se souborovým systémem, databází nebo firemní aplikací. Místo aby si každý vývojář psal vlastní propojení pro každý nástroj zvlášť, MCP nabízí společné rozhraní, které funguje napříč modely. Protokol představil Anthropic koncem roku 2024 a postupně ho přijaly i další firmy.

Multimodalita. Schopnost modelu zpracovávat a kombinovat víc typů vstupu najednou, třeba text, obrázek, zvuk nebo video, ne jen jeden druh dat. Multimodální model tak dokáže popsat fotku, poslechnout hlasovou zprávu i přečíst graf v PDF v rámci jedné konverzace. Dřív šlo o oddělené specializované systémy, dnešní velké modely je čím dál častěji spojují do jednoho celku.

N–R: od neuronové sítě po RLHF

Narrow AI (úzká AI). Systém natrénovaný na jednu konkrétní úlohu nebo úzkou skupinu úloh, který se mimo ně neumí přizpůsobit. Naprostá většina dnešní AI, včetně ChatGPT, spadá navzdory dojmu univerzálnosti právě do téhle kategorie. Protikladem je AGI, obecná inteligence srovnatelná s člověkem napříč obory, která zatím neexistuje.

Neuronová síť. Výpočetní struktura složená z propojených uzlů uspořádaných do vrstev, volně inspirovaná fungováním neuronů v mozku. Síť se učí tak, že si upravuje sílu spojení mezi uzly podle toho, jak moc se mýlila u předchozích příkladů. Je základním stavebním prvkem hlubokého učení, a tedy i většiny dnešních AI modelů.

NLP (zpracování přirozeného jazyka). Obor AI zaměřený na porozumění a generování lidského jazyka, psaného i mluveného. Patří sem třeba strojový překlad, analýza sentimentu v recenzích, rozpoznávání řeči nebo chatboti. Velké jazykové modely posunuly NLP za poslední roky nejvíc ze všech oblastí umělé inteligence.

Open source model. Model, jehož váhy nebo i trénovací postup jsou veřejně dostupné a kdokoli si ho může stáhnout, upravit a provozovat na vlastním hardwaru. Příkladem jsou modely řady Llama od Mety nebo modely Mistral. Výhodou je nezávislost na poskytovateli, nevýhodou obvykle nižší výkon oproti nejlepším uzavřeným modelům a nutnost vlastního výpočetního výkonu.

Outpainting. Technika generativního modelu, která rozšíří obrázek za jeho původní okraje a domyslí, co by na rozšířené ploše mohlo logicky být. Používá se třeba na změnu poměru stran fotky nebo doplnění scény kolem existujícího obrázku. Funguje na podobném principu jako inpainting, jen míří opačným směrem, ven z obrázku místo dovnitř.

Prompt. Text, kterým uživatel zadá modelu dotaz nebo úkol. Formulace promptu přímo ovlivňuje kvalitu odpovědi, konkrétní zadání s kontextem a příkladem obvykle přinese lepší výsledek než obecná otázka. Psaní promptů se postupně stalo samostatnou dovedností, které se říká prompt engineering.

Prompt injection. Útok, při kterém někdo do vstupu modelu propašuje skryté instrukce, které mění jeho chování bez vědomí uživatele. Typicky se schová do webové stránky, dokumentu nebo e-mailu, který model následně zpracovává jako součást svého úkolu. U agentů s přístupem k nástrojům jde o vážné riziko, protože skrytá instrukce může model přimět třeba k odeslání dat mimo firmu.

RAG (Retrieval-Augmented Generation, vyhledáváním rozšířená generace). Technika, při které model před vygenerováním odpovědi nejdřív vyhledá relevantní informace v externí databázi nebo dokumentech a teprve pak z nich sestaví odpověď. Snižuje riziko halucinací, protože model odpovídá na základě konkrétních dodaných zdrojů, ne jen z paměti z tréninku. Firmy ji používají hlavně tam, kde chtějí, aby model odpovídal podle jejich vlastních dokumentů.

Rate limit. Omezení počtu dotazů, které smí uživatel nebo aplikace poslat na API za daný čas. Chrání poskytovatele před přetížením serverů a uživatele nutí rozložit velké objemy požadavků v čase. Po překročení limitu API dotaz odmítne, obvykle s chybovou hláškou, která říká, za jak dlouho to zkusit znovu.

Reasoning model. Model optimalizovaný na to, aby si před finální odpovědí rozmyslel postup po krocích, podobně jako chain-of-thought, ale jako vestavěná součást tréninku, ne jen jako trik v promptu. Hodí se na matematiku, programování nebo logické úlohy, kde záleží na správném postupu, ne jen na plynulé formulaci. Za lepší přesnost platí delší dobou odpovědi a vyšší cenou za dotaz.

RLHF (Reinforcement Learning from Human Feedback). Metoda doladění modelu, při které lidé hodnotí různé odpovědi na stejný dotaz a model se učí upřednostňovat ty, které lidé označili za lepší. Používá se hlavně k tomu, aby model odpovídal užitečně a bezpečně, ne jen technicky správně. Právě RLHF stojí za rozdílem mezi syrovým natrénovaným modelem a hotovým produktem typu ChatGPT.

S–Z: system prompt, transformer a zero-shot

Sandboxing. Spouštění kódu nebo nástrojů, které AI agent používá, v izolovaném prostředí odděleném od zbytku systému. Pokud agent udělá chybu nebo se pokusí o něco nebezpečného, sandbox škodu omezí jen na tenhle izolovaný prostor. Je to jedna ze základních bezpečnostních praktik u agentů, kteří mají přístup ke skutečným souborům nebo příkazům.

Sampling (vzorkování). Proces, kterým model z pravděpodobností pro další token vybírá konkrétní slovo, které se objeví v odpovědi. Řídí ho parametry jako temperature nebo top-p, které určují, jak moc se model drží nejpravděpodobnější volby a jak moc riskuje méně obvyklá slova. Stejný dotaz proto může s uvolněným sampling dát pokaždé mírně jinou odpověď.

Streamování odpovědi. Zobrazování textu odpovědi postupně, token po tokenu, místo čekání na celý vygenerovaný text najednou. Uživatel díky tomu vidí první slova během chvilky, i když je celá odpověď dlouhá a její generování trvá déle. Jde spíš o úpravu zobrazení než o změnu samotného výpočtu, model stále generuje text stejným způsobem.

Strojové učení (machine learning). Obor umělé inteligence, ve kterém se počítač učí rozpoznávat vzory z dat, místo aby dostal pravidla napsaná ručně programátorem. Je to širší kategorie než hluboké učení, zahrnuje i starší a jednodušší metody, které se dodnes používají třeba na predikci cen nebo detekci podvodů. Většina toho, čemu se dnes lidově říká “AI”, spadá právě pod strojové učení.

System prompt (systémová instrukce). Sada pokynů, kterou vývojář nebo poskytovatel nastaví modelu ještě předtím, než s ním uživatel začne mluvit. Určuje třeba osobnost asistenta, jazyk odpovědí nebo témata, kterým se má vyhýbat. Uživatel ho běžně nevidí, ovlivňuje ale každou odpověď, kterou pak dostane.

Temperature (teplota). Parametr, který určuje, jak moc je model při výběru dalšího slova konzervativní nebo naopak kreativní. Při nízké teplotě sahá skoro vždy po nejpravděpodobnějším pokračování, výsledek je předvídatelný a věcný. Při vyšší teplotě bere v úvahu i méně pravděpodobná slova, odpověď je pestřejší, ale i míň spolehlivá.

Text-to-image. Generování obrázku na základě textového popisu. Nástroje jako Midjourney, DALL-E nebo Stable Diffusion patří do téhle kategorie, obvykle postavené na principu diffusion modelu. Kvalita výsledku silně závisí na formulaci zadání, stejně jako u textových promptů.

Text-to-speech (převod textu na řeč). Technologie, která z psaného textu vygeneruje mluvenou nahrávku s přirozeně znějícím hlasem. Používá se v navigacích, audioknihách nebo hlasových asistentech. Novější systémy umí napodobit i intonaci a emoce, ne jen strojově “přečíst” text.

Text-to-video. Generování krátkého videa z textového popisu, technologicky náročnější než obraz nebo zvuk, protože model musí udržet konzistenci scény napříč desítkami snímků za sebou. Nástroje jako Sora od OpenAI nebo Veo od Googlu tuhle oblast posunuly hodně za poslední dva roky, výsledky ale pořád mívají drobné vizuální chyby u delších klipů nebo složitého pohybu.

Token. Základní jednotka textu, se kterou jazykový model pracuje, obvykle část slova, celé slovo nebo interpunkční znaménko. Než model text zpracuje, rozseká ho na tokeny a každému přiřadí číslo. Přesný princip tokenizace a proč se tokeny počítají jinak v češtině než v angličtině, popisuje článek Co je token a jak se počítá u AI modelů.

Token limit. Maximální počet tokenů, které model zpracuje v jednom požadavku, součet vstupu i výstupu dohromady. Souvisí s kontextovým oknem a s cenou, protože poskytovatelé API účtují právě podle počtu zpracovaných tokenů. Dlouhý dokument nebo delší konverzace se tak snadno dostanou na hranici, kterou daný model nebo tarif dovoluje.

Top-p (nucleus sampling). Další parametr, který spolu s temperature řídí, jak model vybírá další token. Určuje, z jak širokého okruhu pravděpodobných slov model smí vybírat, třeba jen z těch, které dohromady tvoří devadesát procent pravděpodobnosti. Nižší hodnota drží odpověď při zemi, vyšší jí dává víc prostoru na neobvyklá slova.

Training (trénink). Proces, při kterém model na základě obrovského množství dat postupně upravuje své parametry, aby lépe predikoval správný výstup. U velkých jazykových modelů trvá týdny až měsíce a běží na tisících grafických karet paralelně. Po skončení tréninku se parametry zmrazí, model se dál sám neučí, jen odpovídá na základě toho, co se naučil.

Transformer. Architektura neuronové sítě, na které jsou postavené prakticky všechny dnešní velké jazykové modely. Jádrem je mechanismus zvaný self-attention (vlastní pozornost). Díky němu model při zpracování každého slova zohledňuje vztahy ke všem ostatním slovům ve větě, ne jen k těm sousedním. Google architekturu představil v roce 2017 ve známém článku “Attention Is All You Need”.

Umělá inteligence (AI). Zastřešující pojem pro techniky, které učí počítače řešit úlohy, jež dřív vyžadovaly lidské uvažování, třeba rozpoznávat obrázky nebo generovat text. Patří sem strojové učení, hluboké učení nebo zpracování přirozeného jazyka. V praxi se pod tímto pojmem dnes nejčastěji myslí právě velké jazykové modely typu ChatGPT.

Upscaling. Zvětšení rozlišení obrázku nebo videa pomocí AI, která chybějící detaily domýšlí na základě naučených vzorů, ne jen mechanickým natažením pixelů. Výsledek bývá ostřejší a věrohodnější než u klasického zvětšení. U extrémního zvětšení ale model může přidat detaily, které v originále vůbec nebyly.

Vector database (vektorová databáze). Databáze optimalizovaná na ukládání a rychlé vyhledávání embeddingů, tedy číselných vektorů reprezentujících význam textu nebo obrázku. Je základním stavebním kamenem RAG systémů, umožňuje modelu rychle najít dokumenty podobné danému dotazu i mezi miliony záznamů. Mezi příklady patří Pinecone, Weaviate nebo Chroma.

Voice cloning (klonování hlasu). Technika, která z krátké nahrávky něčího hlasu vytvoří model schopný generovat další řeč stejným hlasem, včetně slov, která daný člověk nikdy nevyslovil. Používá se legitimně třeba v dabingu, zneužívá se ale i k podvodným telefonátům, kdy volající napodobuje hlas příbuzného. Kvalita klonů dnes stačí oklamat i blízkou rodinu, i když nahrávka trvá jen pár vteřin.

Watermarking (vodoznak). Skrytý signál vložený do AI generovaného obsahu, textu, obrázku nebo zvuku, který umožňuje později rozpoznat, že vznikl strojově. U obrázků může jít o neviditelné úpravy pixelů, u textu o statistické vzory ve volbě slov. Zatím nejde o spolehlivý ani univerzálně zavedený standard.

Weights (váhy). Číselné parametry uvnitř neuronové sítě, které určují sílu spojení mezi jednotlivými uzly a v podstatě představují to, co se model během tréninku naučil. U velkých jazykových modelů jde o miliardy až stovky miliard hodnot. Otevřené modely zveřejňují své váhy ke stažení, uzavřené je drží jako obchodní tajemství a zpřístupňují jen odpovědi přes API.

Zero-shot. Schopnost modelu vyřešit úlohu bez jediného ukázkového příkladu, jen na základě textového zadání. Velké jazykové modely to zvládají díky rozsáhlému tréninku na různorodých datech, který jim dal široký, i když ne dokonalý, obecný přehled. Opakem je few-shot, kdy model dostane v promptu pár příkladů navíc.

Na co si dát pozor

Definice v tomhle glosáři jsou zjednodušené záměrně. Cílem je, abyste pojmu rozuměli natolik, že vám nebude bránit ve čtení dalších článků o AI, ne abyste ho uměli vysvětlit u zkoušky z informatiky.

Terminologie navíc není ustálená. Někteří autoři používají “kontextové okno” a “context window” jako synonyma, jiní mezi nimi dělají jemný rozdíl. Stejné slovo se navíc chová jinak podle produktu.

Když narazíte na pojem, který tu chybí nebo vám nesedí do kontextu, ve kterém ho čtete, dohledejte si ho přímo u zdroje, třeba v dokumentaci konkrétního nástroje. Glosář je startovní bod, ne poslední slovo.

Shrnutí

Slovník kolem AI se mění rychleji, než stihnou vznikat učebnice. Nové zkratky přibývají prakticky každý měsíc, staré pojmy občas změní význam podle toho, jak se mění samotné nástroje.

Tenhle seznam poroste spolu s dalšími hloubkovými články na webu. Kdykoli narazíte na zkratku, kterou jste tu nenašli, zadejte ji do vyhledávače spolu se slovem “AI”, první výsledek bývá dokumentace nebo srozumitelný výklad.