Na rozdíl od klasického programování (kde programátor napíše přesná pravidla) se moderní AI učí z příkladů.
Tradiční programování:
Pravidla + data → výsledek
Strojové učení:
Data + správné odpovědi → model (který se naučí pravidla)
To je zásadní rozdíl.
📊 Co jsou data a proč jsou klíčová?
Data jsou „palivem“ AI.
Mohou to být:
- texty
- obrázky
- zvukové nahrávky
- tabulky čísel
- videa
Čím více kvalitních dat, tím lepší model.
Například jazykové modely vyvíjené společností OpenAI byly trénovány na obrovském množství textů, aby dokázaly předvídat další slova ve větě.
2️⃣ Proces učení (trénování modelu)
Trénování probíhá ve třech krocích:
1. Vstupní data
Například tisíce e-mailů.
2. Správné odpovědi
U každého e-mailu víme, zda je „spam“ nebo „není spam“.
3. Úprava modelu
Model postupně upravuje své parametry tak, aby dělal co nejméně chyb.
Tento proces se opakuje mnohokrát, dokud není model dostatečně přesný.
3️⃣ Co je model?
Model je matematický systém, který:
- přijímá vstup,
- analyzuje vzorce,
- vytváří výstup (predikci).
Například:
Vstup: nový e-mail
Model: vyhodnocení znaků
Výstup: „spam“ / „není spam“
Model tedy není vědomý systém.
Je to soubor matematických výpočtů optimalizovaných pomocí dat.
4️⃣ Co je neuronová síť?
Jedním z nejznámějších typů modelů je neuronová síť.
Je inspirována lidským mozkem – ale pouze velmi zjednodušeně.
Skládá se z:
- vstupní vrstvy
- jedné nebo více skrytých vrstev
- výstupní vrstvy
🧠 Jednoduchá vizualizace neuronové sítě
Každý „neuron“:
- přijímá vstupní hodnoty,
- přiřazuje jim váhy,
- spočítá výsledek,
- předá ho dál.
Během trénování se tyto váhy upravují tak, aby model dělal co nejméně chyb.
5️⃣ Jak AI dělá rozhodnutí?
Ve skutečnosti AI:
- neví,
- nechápe,
- nepřemýšlí.
Místo toho počítá pravděpodobnosti.
Například jazykový model jako ChatGPT předpovídá další slovo ve větě na základě pravděpodobnosti, která vychází z trénovacích dat.
To je důvod, proč může někdy:
- vytvořit nepřesnou odpověď,
- „halucinovat“,
- znít sebejistě, i když se mýlí.
6️⃣ Typy strojového učení
Existují tři základní typy:
🔹 1. Učení s učitelem (Supervised Learning)
- Máme vstupy i správné odpovědi.
- Například klasifikace spamu.
🔹 2. Učení bez učitele (Unsupervised Learning)
- Nemáme správné odpovědi.
- Model hledá struktury a skupiny v datech.
🔹 3. Posilované učení (Reinforcement Learning)
- Model se učí na základě odměn a trestů.
- Používá se např. při trénování herních AI.
7️⃣ Proč AI někdy chybuje?
Důvody mohou být:
- nekvalitní nebo nedostatečná data,
- zkreslení v datech (bias),
- příliš složitý nebo naopak jednoduchý model,
- situace, se kterou se model nikdy nesetkal.
AI je tak dobrá, jak dobrá jsou data, ze kterých se učila.
8️⃣ Shrnutí modulu
V tomto modulu jsme si vysvětlili:
- že AI se učí z dat,
- jak probíhá trénování modelu,
- co je model a neuronová síť,
- že AI pracuje s pravděpodobností, ne s porozuměním,
- proč může dělat chyby.
V dalším modulu se podíváme na generativní AI a na to, jak vznikají texty, obrázky nebo kód.