UMĚLÁ INTELIGENCE OD ZÁKLADŮ

Kapitola 1: Co je umělá inteligence

Cíle kapitoly

Po prostudování této kapitoly budete umět:

· vysvětlit pojem umělá inteligence;

· rozlišit klasický počítačový program od systému využívajícího AI;

· popsat základní druhy umělé inteligence;

· vysvětlit rozdíl mezi strojovým učením, hlubokým učením a generativní AI;

· uvést příklady využití AI v každodenním životě;

· rozpoznat hlavní výhody, omezení a rizika současných systémů;

· správně používat základní pojmy související s AI.

Umělá inteligence patří mezi nejvýznamnější technologie současnosti. Ovlivňuje způsob, jakým pracujeme, komunikujeme, vyhledáváme informace, cestujeme, nakupujeme, sledujeme filmy nebo používáme mobilní telefony. Přestože se o ní v médiích často hovoří jako o nové technologii, její základy vznikaly již v první polovině 20. století.

V posledních letech se umělá inteligence dostala do povědomí široké veřejnosti zejména díky nástrojům, které dokážou vytvářet texty, obrázky, hudbu, programový kód nebo video. Tyto systémy se souhrnně označují jako generativní umělá inteligence.

Pojem AI však zahrnuje mnohem širší oblast. Patří sem například rozpoznávání obličejů, automatický překlad, navigace, doporučování zboží, odhalování podvodných plateb, diagnostika nemocí nebo řízení průmyslových robotů.

Umělá inteligence tedy není jediný program ani jeden konkrétní výrobek. Je to soubor metod, algoritmů a technologií, jejichž společným cílem je umožnit počítačům vykonávat úkoly, které byly dříve spojovány především s lidskou inteligencí.

1.2 Definice umělé inteligence

Jedna všeobecně přijímaná definice umělé inteligence neexistuje. Různí odborníci ji vymezují odlišně podle toho, zda kladou důraz na učení, rozhodování, řešení problémů, napodobování člověka nebo schopnost jednat samostatně.

Pro účely této učebnice budeme používat následující definici:

Umělá inteligence je oblast informatiky, která vytváří systémy schopné zpracovávat informace, učit se z dat, rozpoznávat vzory, rozhodovat se nebo vytvářet nový obsah způsobem, který připomíná některé lidské schopnosti.

Mezi úlohy tradičně spojované s lidskou inteligencí patří:

· porozumění jazyku;

· rozpoznávání řeči;

· rozpoznávání objektů a osob;

· učení ze zkušeností;

· plánování;

· rozhodování;

· odhad budoucího vývoje;

· řešení problémů;

· tvorba textu, obrazu, hudby nebo videa;

· přizpůsobování chování novým situacím.

Současné systémy AI mohou být v některých přesně vymezených úlohách rychlejší nebo přesnější než člověk. To však neznamená, že rozumějí světu stejným způsobem jako člověk.

1.3 Proč je obtížné definovat inteligenci

Než můžeme přesně vymezit umělou inteligenci, musíme si položit otázku, co vlastně znamená inteligence.

U člověka ji obvykle spojujeme s několika schopnostmi:

· učit se nové věci;

· chápat souvislosti;

· řešit neznámé problémy;

· používat jazyk;

· plánovat;

· přizpůsobovat se změnám;

· využívat zkušenosti;

· rozpoznávat příčiny a následky;

· komunikovat s ostatními;

· vytvářet nové myšlenky.

Žádná jednotlivá schopnost však inteligenci nevystihuje úplně. Člověk může být například velmi dobrý v matematice, ale mít potíže s orientací v prostoru. Jiný člověk může výborně komunikovat, ale hůře pracovat s čísly.

Podobné je to u umělé inteligence. Jeden systém může mimořádně dobře rozpoznávat nádory na rentgenových snímcích, ale nedokáže vést rozhovor. Jiný může vytvářet přesvědčivé texty, ale neumí bezpečně řídit automobil.

Proto je vhodnější hovořit o jednotlivých schopnostech než o jediné univerzální inteligenci.

1.4 Umělá inteligence jako obor informatiky

Umělá inteligence je interdisciplinární obor. Využívá poznatky z mnoha oblastí:

· informatiky;

· matematiky;

· statistiky;

· psychologie;

· neurověd;

· lingvistiky;

· filozofie;

· logiky;

· robotiky;

· ekonomie;

· teorie rozhodování.

Matematika a statistika poskytují nástroje pro práci s pravděpodobností, optimalizací a daty. Informatika umožňuje vytvářet algoritmy a provozovat je na počítačích. Neurovědy inspirovaly vznik umělých neuronových sítí. Lingvistika pomáhá při zpracování jazyka. Filozofie řeší otázky vědomí, odpovědnosti nebo povahy inteligence.

Právě spojení těchto různých disciplín umožnilo vznik dnešních pokročilých systémů.

1.5 Klasický program a systém umělé inteligence

Pro pochopení AI je důležité rozlišovat mezi klasickým programováním a učením z dat.

Klasické programování

U klasického programu programátor přesně určí pravidla, podle kterých má počítač postupovat.

Příkladem může být výpočet mzdy. Programátor zadá pravidla:

1. načti počet odpracovaných hodin;

2. vynásob jej hodinovou sazbou;

3. připočti příplatky;

4. odečti odvody;

5. vypočítej čistou mzdu.

Pokud jsou pravidla správně naprogramována a vstupní údaje jsou správné, program vytvoří očekávaný výsledek.

Schéma klasického programu:

Data + pravidla vytvořená člověkem → výsledek

Strojové učení

U strojového učení člověk nemusí všechna pravidla popsat ručně. Místo toho poskytne počítači příklady a systém se pokusí pravidla odvodit z dat.

Například při rozpoznávání nevyžádané pošty lze modelu poskytnout:

· tisíce zpráv označených jako spam;

· tisíce běžných zpráv;

· informace o použitých slovech, odkazech a odesílatelích.

Model hledá vlastnosti, které jsou pro spam typické. Může zjistit, že podezřelé zprávy často obsahují určitá slova, velké množství odkazů nebo neobvyklé adresy odesílatelů.

Schéma strojového učení:

Data + správné příklady → naučený model

Naučený model následně dostane novou zprávu a odhadne, zda jde o spam.

1.6 Příklad: rozpoznávání kočky na fotografii

Rozpoznání kočky na obrázku je jednoduché pro člověka, ale obtížné pro klasický program.

Programátor by mohl zkusit vytvořit pravidla:

· kočka má dvě špičaté uši;

· kočka má čtyři nohy;

· kočka má ocas;

· kočka má vousky;

· kočka má určitý tvar hlavy.

Taková pravidla však rychle selžou. Kočka může být:

· vyfotografována zezadu;

· částečně zakrytá;

· stočená do klubíčka;

· ve tmě;

· bez viditelného ocasu;

· na nekvalitní fotografii;

· vedle jiného zvířete.

Navíc podobné znaky mají i psi, lišky nebo jiná zvířata.

Moderní systém počítačového vidění se proto učí z velkého množství označených fotografií. Během tréninku postupně upravuje své vnitřní parametry tak, aby dokázal rozlišit kočku od jiných objektů.

Systém nedostane jednoduchý slovní návod, jak kočka vypadá. Sám si vytváří matematickou reprezentaci znaků, které mu pomáhají fotografie klasifikovat.

1.7 Algoritmus, model a data

Při studiu AI se často setkáme se třemi základními pojmy: algoritmus, model a data.

Algoritmus

Algoritmus je přesně popsaný postup řešení určitého problému. Může určovat například způsob, jakým se model učí z dat.

Algoritmus lze přirovnat k receptu. Popisuje, jaké kroky se mají provést, ale sám ještě není výsledným výrobkem.

Model

Model je výsledek procesu učení. Obsahuje parametry nastavené podle tréninkových dat.

Model lze přirovnat k člověku, který se podle učebnice a příkladů naučil řešit určitý typ úloh.

Data

Data jsou informace, ze kterých se model učí nebo které následně zpracovává.

Mohou mít podobu:

· textu;

· čísel;

· fotografií;

· zvuku;

· videa;

· údajů ze senzorů;

· lékařských záznamů;

· údajů o nákupech;

· geografických souřadnic.

Kvalita modelu často závisí na kvalitě, množství a vhodnosti použitých dat.

1.8 Základní oblasti umělé inteligence

Umělá inteligence se skládá z řady vzájemně propojených oblastí.

Strojové učení

Strojové učení umožňuje systémům zlepšovat výkon na základě dat, aniž by programátor musel ručně definovat všechna pravidla.

Používá se například pro:

· předpovídání cen;

· odhalování podvodů;

· rozpoznávání objektů;

· doporučování zboží;

· hodnocení úvěrového rizika;

· předpověď poruch strojů.

Hluboké učení

Hluboké učení je část strojového učení využívající vícevrstvé neuronové sítě.

Je velmi úspěšné při práci s:

· obrazem;

· zvukem;

· videem;

· přirozeným jazykem;

· rozsáhlými a složitými daty.

Zpracování přirozeného jazyka

Zpracování přirozeného jazyka se zabývá tím, jak počítače pracují s lidským jazykem.

Patří sem:

· překlad;

· shrnutí textu;

· analýza nálady;

· vyhledávání informací;

· automatické titulky;

· chatovací asistenti;

· generování textu.

Počítačové vidění

Počítačové vidění umožňuje strojům analyzovat fotografie a video.

Používá se například při:

· rozpoznávání obličejů;

· kontrole kvality výrobků;

· analýze lékařských snímků;

· autonomním řízení;

· čtení registračních značek;

· detekci osob a objektů.

Robotika

Robotika spojuje software, senzory, mechaniku a řízení pohybu. AI pomáhá robotům vnímat okolí, plánovat činnost a reagovat na změny.

Expertní systémy

Expertní systémy používají předem vytvořená pravidla a znalosti odborníků. Byly významné zejména v počátcích praktického využití AI.

Generativní umělá inteligence

Generativní AI vytváří nový obsah na základě vzorů naučených z dat.

Může generovat:

· text;

· obrázky;

· zvuk;

· hudbu;

· video;

· programový kód;

· trojrozměrné modely.

1.9 Úzká umělá inteligence

Většina současných systémů patří do kategorie úzké neboli specializované umělé inteligence.

Úzká AI je vytvořena pro konkrétní úkol nebo omezenou skupinu úkolů.

Příklady:

· navigace hledající nejrychlejší trasu;

· systém doporučující filmy;

· program rozpoznávající obličeje;

· model odhalující závady výrobků;

· překladač;

· šachový program;

· systém třídící elektronickou poštu.

Takový systém může být ve své oblasti velmi výkonný, ale nedokáže automaticky přenést své schopnosti do zcela jiné oblasti.

Šachový program může porazit velmistra, ale neumí řídit automobil. Systém rozpoznávající nádory na snímcích neumí přeložit text. Hlasový asistent může odpovědět na otázku, ale nemusí umět samostatně naplánovat složitou výrobní linku.

1.10 Obecná umělá inteligence

Obecná umělá inteligence se obvykle označuje zkratkou AGI z anglického výrazu Artificial General Intelligence.

Měla by být schopna:

· učit se různé druhy úloh;

· přenášet znalosti mezi oblastmi;

· přizpůsobovat se novým situacím;

· plánovat dlouhodobé cíle;

· chápat širší souvislosti;

· řešit problémy bez úzce vymezeného tréninku.

Takový systém by nebyl omezen na jedinou specializovanou činnost.

AGI je zatím předmětem výzkumu a odborných debat. Neexistuje jednotná definice ani všeobecně přijímaný test, který by jednoznačně určil, že obecná umělá inteligence byla vytvořena.

1.11 Umělá superinteligence

Pojem umělá superinteligence označuje hypotetický systém, který by překonával člověka téměř ve všech intelektuálních schopnostech.

Mohl by být lepší než člověk například v:

· vědeckém výzkumu;

· strategickém plánování;

· technickém navrhování;

· medicínské diagnostice;

· programování;

· přesvědčování;

· ekonomickém rozhodování;

· kreativních úlohách.

Superinteligence dnes neexistuje. Jde o teoretický koncept, který je významný zejména v diskusích o budoucnosti a bezpečnosti AI.

1.12 Reaktivní a učící se systémy

Umělou inteligenci lze rozdělit také podle toho, jak pracuje s minulými informacemi.

Reaktivní systémy

Reaktivní systém reaguje pouze na aktuální situaci. Neuchovává si dlouhodobou zkušenost a neučí se průběžně z předchozích událostí.

Příkladem může být jednoduchý herní program, který v každém tahu analyzuje aktuální stav hry.

Systémy s omezenou pamětí

Tyto systémy využívají předchozí údaje, aby mohly lépe rozhodovat.

Autonomní vozidlo například sleduje:

· rychlost okolních vozidel;

· jejich směr;

· vzdálenost;

· nedávný pohyb;

· dopravní situaci.

Na základě těchto informací odhaduje, co se může stát v následujících okamžicích.

Systémy schopné dlouhodobého učení

Některé systémy lze pravidelně přeškolovat na nových datech. To jim umožňuje reagovat na změny prostředí.

Například systém odhalující podvodné platby musí být aktualizován, protože pachatelé mění své postupy.

1.13 Generativní a diskriminační modely

Modely AI lze zjednodušeně rozdělit na diskriminační a generativní.

Diskriminační model

Diskriminační model rozlišuje mezi kategoriemi nebo odhaduje konkrétní výsledek.

Příklady:

· je zpráva spam, nebo není;

· je na obrázku kočka, nebo pes;

· bude zákazník splácet úvěr;

· je výrobek vadný;

· jaká bude pravděpodobná cena nemovitosti.

Generativní model

Generativní model vytváří nový obsah.

Příklady:

· napíše článek;

· vytvoří obrázek;

· doplní programový kód;

· vygeneruje hudbu;

· vytvoří návrh reklamního sloganu;

· shrne dokument;

· navrhne varianty řešení.

Generativní model nevytahuje hotovou odpověď z jediné databázové položky. Vytváří výstup na základě naučených statistických vztahů.

1.14 Jak se model učí

Proces vytváření modelu se nazývá trénování.

Během trénování model:

1. obdrží vstupní data;

2. vytvoří předpověď;

3. porovná ji se správným výsledkem nebo jiným hodnoticím kritériem;

4. vypočítá velikost chyby;

5. upraví své parametry;

6. proces mnohokrát opakuje.

Cílem je postupně snižovat chybu.

Model může mít tisíce, miliony nebo miliardy parametrů. Velké jazykové modely mohou mít parametrů ještě více.

Parametry nejsou běžná slovní pravidla. Jde o číselné hodnoty, které určují, jak model zpracovává vstupy a vytváří výstupy.

1.15 Trénování a používání modelu

Je důležité rozlišovat dvě fáze:

Trénování

Model se učí z dat. Tato fáze může být velmi náročná na výpočetní výkon, čas i energii.

Odvozování

Natrénovaný model dostane nový vstup a vytvoří odpověď nebo předpověď. Tato fáze se označuje také jako inference.

Příklad:

· při trénování model zpracuje miliony fotografií;

· při odvozování dostane jednu novou fotografii a určí, co na ní je.

U jazykového modelu:

· během trénování se model učí vztahy mezi slovy a částmi textu;

· při používání postupně předpovídá další části odpovědi.

1.16 AI v každodenním životě

Mnoho systémů AI používáme, aniž bychom si to uvědomovali.

Mobilní telefon

AI může zajišťovat:

· odemykání obličejem;

· vylepšení fotografie;

· automatické třídění snímků;

· převod řeči na text;

· návrhy slov při psaní;

· filtrování obtěžujících hovorů;

· hlasové ovládání.

Internetové vyhledávání

Vyhledávače používají AI k:

· pochopení dotazu;

· seřazení výsledků;

· opravě překlepů;

· vyhodnocení významu slov;

· odhalování nekvalitního obsahu;

· zobrazování vhodných odpovědí.

Internetové obchody

AI může:

· doporučovat produkty;

· předpovídat poptávku;

· upravovat skladové zásoby;

· odhalovat podezřelé platby;

· zlepšovat vyhledávání;

· automaticky odpovídat zákazníkům.

Bankovnictví

V bankách se AI používá pro:

· odhalování podvodů;

· hodnocení rizik;

· třídění dokumentů;

· identifikaci neobvyklých plateb;

· zákaznickou podporu;

· automatizaci administrativy.

Doprava

AI pomáhá při:

· plánování tras;

· předpovědi dopravních zácp;

· řízení semaforů;

· sledování vozidel;

· asistenčních funkcích automobilů;

· optimalizaci rozvozu.

Zdravotnictví

AI může podporovat:

· analýzu rentgenových snímků;

· odhalování rizikových pacientů;

· vyhledávání vhodné léčby;

· třídění zdravotnické dokumentace;

· vývoj léčiv;

· sledování životních funkcí.

Rozhodnutí o léčbě však musí zůstat pod odpovědností kvalifikovaných zdravotníků.

1.17 AI v zaměstnání

Umělá inteligence nemusí člověka nahrazovat. Často slouží jako nástroj, který urychluje nebo usnadňuje část práce.

Administrativa

AI může:

· shrnout dlouhý dokument;

· vytvořit návrh odpovědi;

· přepsat poznámky;

· třídit e-maily;

· připravit tabulku;

· vyhledat informace v dokumentech.

Výroba

AI může:

· sledovat kvalitu výrobků;

· předpovídat poruchy;

· optimalizovat spotřebu energie;

· plánovat výrobu;

· vyhodnocovat údaje ze senzorů.

Obchod

AI může:

· analyzovat prodeje;

· doporučovat produkty;

· připravit popisy zboží;

· odhadovat poptávku;

· vyhodnocovat zákaznické dotazy.

Vzdělávání

AI může:

· vysvětlovat učivo;

· vytvářet cvičení;

· přizpůsobovat obtížnost;

· kontrolovat některé typy úloh;

· pomáhat s překlady;

· vytvářet studijní materiály.

Výstupy je však nutné kontrolovat, protože mohou obsahovat chyby.

1.18 Co současná AI umí dobře

Současné systémy bývají úspěšné zejména tam, kde:

· existuje velké množství dat;

· úloha má rozpoznatelné vzory;

· lze měřit správnost výsledku;

· problém je dostatečně přesně vymezen;

· je k dispozici vhodný výpočetní výkon.

AI obvykle dobře zvládá:

· třídění;

· vyhledávání podobností;

· předpovědi;

· rozpoznávání vzorů;

· generování návrhů;

· zpracování velkého množství informací;

· opakované rutinní úkoly.

1.19 Co současná AI neumí spolehlivě

Současná AI má významná omezení.

Nemusí spolehlivě zvládat:

· ověřování pravdivosti vlastních odpovědí;

· pochopení skutečných příčin;

· morální rozhodování;

· situace výrazně odlišné od tréninkových dat;

· dlouhodobé plánování bez kontroly;

· odpovědnost za následky;

· práci s nejasným zadáním;

· posouzení lidských hodnot a emocí;

· přesné citování zdrojů bez ověření.

Model může vytvořit velmi přesvědčivou odpověď, která je přesto chybná.

1.20 Halucinace umělé inteligence

Halucinace AI je výstup, který působí věrohodně, ale obsahuje nepravdivé nebo smyšlené informace.

Model může například:

· vymyslet neexistující knihu;

· uvést chybný zákon;

· přiřadit výrok nesprávné osobě;

· vytvořit neexistující webovou adresu;

· zaměnit datum;

· vymyslet zdroj;

· nesprávně spočítat jednoduchou úlohu;

· spojit několik pravdivých informací do nepravdivého závěru.

Halucinace nevzniká proto, že by model úmyslně lhal. Jazykový model vytváří text podle pravděpodobných vzorů. Pravděpodobně znějící věta nemusí být fakticky správná.

Proto je nutné důležité informace ověřovat.

1.21 Předsudky a zkreslení

Modely se učí z dat vytvořených nebo shromážděných lidmi. Tato data mohou obsahovat chyby, stereotypy nebo nerovnoměrné zastoupení různých skupin.

Pokud jsou tréninková data zkreslená, může být zkreslený i model.

Příklad:

Systém pro výběr zaměstnanců je trénován na historických datech firmy. Jestliže firma v minulosti upřednostňovala určitý typ uchazečů, model může tuto nerovnost převzít.

Zkreslení může vzniknout také tím, že některé skupiny nejsou v datech dostatečně zastoupeny.

Proto je důležité:

· kontrolovat kvalitu dat;

· testovat model na různých skupinách;

· měřit chybovost;

· umožnit lidskou kontrolu;

· pravidelně systém vyhodnocovat.

1.22 Vysvětlitelnost

Některé modely jsou snadno pochopitelné. U jednoduchého pravidlového systému lze dohledat, které pravidlo vedlo k výsledku.

U rozsáhlé neuronové sítě je vysvětlení obtížnější. Model může mít miliardy parametrů a jeho rozhodnutí vzniká kombinací velkého množství matematických operací.

To představuje problém zejména v oblastech, kde je nutné rozhodnutí zdůvodnit:

· zdravotnictví;

· bankovnictví;

· pojišťovnictví;

· soudnictví;

· zaměstnávání;

· veřejná správa.

Vysvětlitelnost AI se proto stala důležitou výzkumnou disciplínou.

1.23 Automatizace a lidská kontrola

AI může pracovat v několika režimech.

Podpora člověka

Systém připraví doporučení, ale konečné rozhodnutí učiní člověk.

Příklad: AI označí podezřelý snímek, který následně posoudí lékař.

Částečná automatizace

Systém samostatně provádí běžné úkoly, ale neobvyklé případy předává člověku.

Příklad: zákaznický chatbot odpoví na jednoduché otázky a složité předá pracovníkovi.

Plná automatizace

Systém vykonává úlohu bez průběžného schvalování člověkem.

Plná automatizace je vhodná pouze tehdy, když jsou rizika dobře známa a existují dostatečné bezpečnostní mechanismy.

1.24 Výhody umělé inteligence

Mezi hlavní výhody patří:

Rychlost

AI může během krátké doby zpracovat množství dat, které by člověk analyzoval celé dny nebo týdny.

Opakovatelnost

Systém může vykonávat stejný úkol stále stejným způsobem, bez únavy.

Dostupnost

Digitální systém může fungovat nepřetržitě.

Automatizace rutiny

AI může převzít opakované administrativní nebo kontrolní činnosti.

Vyhledávání skrytých vzorů

Modely mohou v datech odhalit vztahy, které jsou pro člověka obtížně viditelné.

Personalizace

AI může přizpůsobit doporučení konkrétnímu uživateli.

Podpora rozhodování

Systém může nabídnout odhad, upozornění nebo několik variant řešení.

1.25 Omezení a rizika

Závislost na datech

Špatná, neúplná nebo zastaralá data vedou ke špatným výsledkům.

Chybovost

Žádný model není dokonale přesný.

Nedostatek skutečného porozumění

Model může správně napodobit jazykový vzor, aniž by chápal význam stejně jako člověk.

Ochrana soukromí

Citlivá data mohou být nevhodně zpracována nebo zpřístupněna.

Bezpečnostní zneužití

AI lze použít k vytváření podvodů, falešných zpráv, škodlivého kódu nebo manipulativního obsahu.

Závislost uživatelů

Přílišná důvěra může vést k oslabení vlastní kontroly a úsudku.

Dopad na zaměstnání

Některé pracovní činnosti mohou zaniknout, jiné se změní a nové vzniknou.

Energetická náročnost

Trénování a provoz velkých modelů může spotřebovávat značné množství energie.

1.26 Mýty o umělé inteligenci

Mýtus 1: AI myslí stejně jako člověk

Současné modely pracují jinak než lidský mozek. Mohou vytvářet přesvědčivé výstupy, ale to samo o sobě nedokazuje lidské porozumění nebo vědomí.

Mýtus 2: AI je vždy objektivní

AI se učí z dat a může převzít jejich zkreslení.

Mýtus 3: AI má vždy správnou odpověď

Model může chybovat i v jednoduchých úlohách.

Mýtus 4: AI si na internetu vždy dohledá pravdu

Některé systémy nemají přístup k aktuálnímu internetu. I systémy s vyhledáváním mohou nesprávně interpretovat zdroje.

Mýtus 5: AI brzy nahradí všechna zaměstnání

Pravděpodobnější je změna jednotlivých pracovních činností. Některé budou automatizovány, jiné zůstanou závislé na lidské zkušenosti, odpovědnosti, vztazích a fyzické práci.

Mýtus 6: Čím větší model, tím je vždy lepší

Větší model může být výkonnější, ale také dražší, pomalejší a méně vhodný pro konkrétní úlohu.

1.27 Odpovědné používání AI

Při práci s AI je vhodné dodržovat několik základních pravidel:

1. Nezadávat citlivé osobní nebo firemní údaje bez oprávnění.

2. Ověřovat důležité informace z nezávislých zdrojů.

3. Nepovažovat přesvědčivý styl za důkaz pravdivosti.

4. U důležitých rozhodnutí zachovat lidskou kontrolu.

5. Respektovat autorská práva.

6. Upozornit na použití AI tam, kde je to podstatné.

7. Kontrolovat výstupy na zkreslení nebo diskriminaci.

8. Používat AI jako nástroj, nikoli jako neomylnou autoritu.

1.28 Praktický příklad: rozhodování o úvěru

Představme si banku, která používá AI k odhadu rizika nesplacení úvěru.

Model může zpracovávat například:

· příjem žadatele;

· pravidelné výdaje;

· historii splácení;

· výši úvěru;

· délku zaměstnání;

· existující závazky.

Výstupem může být pravděpodobnost nesplacení.

Systém může pomoci rychle zpracovat velké množství žádostí. Současně však vznikají rizika:

· data mohou být chybná;

· model může znevýhodňovat určité skupiny;

· žadatel nemusí rozumět důvodu zamítnutí;

· historická data mohou obsahovat nespravedlivé postupy;

· člověk může nekriticky přijmout doporučení systému.

Správné použití proto vyžaduje transparentní pravidla, pravidelné testování a možnost lidského přezkoumání.

1.29 Praktický příklad: AI v pekárně

Umělá inteligence může být využita i v tradiční výrobě.

V pekárně může pomáhat například s:

· předpovědí poptávky;

· plánováním množství výroby;

· optimalizací spotřeby energie;

· kontrolou velikosti a tvaru výrobků;

· sledováním teploty;

· plánováním zásob;

· předpovědí poruch strojů;

· vyhodnocením reklamací;

· sestavením směn.

Model může analyzovat minulý prodej podle dne v týdnu, počasí, svátků nebo sezony a navrhnout množství jednotlivých výrobků.

Konečné rozhodnutí však musí zohlednit zkušenost pracovníků, místní události a další okolnosti, které model nemusí znát.

1.30 Praktický příklad: jazykový asistent

Uživatel zadá:

„Napiš zdvořilý e-mail zákazníkovi, že jeho objednávka bude mít dva dny zpoždění.“

Model vytvoří návrh zprávy.

Přínosy:

· rychlost;

· správná struktura;

· vhodný tón;

· úspora času.

Rizika:

· model může doplnit neexistující údaje;

· může zvolit nevhodnou formulaci;

· uživatel může omylem vložit citlivé informace;

· text nemusí odpovídat pravidlům firmy.

Správný postup:

1. zadat pouze potřebné informace;

2. zkontrolovat fakta;

3. upravit tón;

4. odstranit nepřesnosti;

5. teprve poté zprávu odeslat.

1.31 Základní pracovní postup při používání AI

Pro běžnou práci lze použít následující postup:

Krok 1: Určete cíl

Přesně si vyjasněte, co má AI vytvořit nebo zjistit.

Krok 2: Připravte vstupy

Dodejte potřebné informace, ale nevkládejte citlivá data bez oprávnění.

Krok 3: Zadejte jasný úkol

Uveďte požadovaný rozsah, formát, tón, cílového čtenáře a omezení.

Krok 4: Posuďte výsledek

Zkontrolujte správnost, úplnost a vhodnost.

Krok 5: Ověřte fakta

Důležitá tvrzení porovnejte s důvěryhodnými zdroji.

Krok 6: Upravte výstup

AI zpravidla vytváří návrh, nikoli automaticky hotový výsledek.

Krok 7: Rozhodněte se jako člověk

Odpovědnost za použití výstupu nese uživatel nebo organizace.

1.32 Shrnutí kapitoly

Umělá inteligence je oblast informatiky zaměřená na vytváření systémů, které vykonávají úlohy spojené s učením, rozpoznáváním, rozhodováním, plánováním nebo tvorbou obsahu.

Současná AI je převážně úzká a specializovaná. Dokáže být mimořádně výkonná v konkrétních úlohách, ale nemá univerzální schopnosti člověka.

Moderní systémy se často učí z dat. Místo ručního zadání všech pravidel vytvářejí matematický model, který lze používat pro předpovědi, klasifikaci nebo generování obsahu.

AI přináší rychlost, automatizaci a schopnost zpracovávat velké množství informací. Současně může chybovat, vytvářet halucinace, přebírat zkreslení z dat nebo ohrozit soukromí.

Bezpečné používání vyžaduje lidskou kontrolu, ověřování důležitých informací a porozumění omezením systému.

1.33 Slovníček pojmů

AGI – hypotetická obecná umělá inteligence schopná zvládat široké spektrum úloh.

Algoritmus – přesně definovaný postup řešení problému.

Data – informace používané pro trénování nebo provoz modelu.

Diskriminační model – model, který rozlišuje mezi kategoriemi nebo předpovídá určitý výsledek.

Generativní AI – umělá inteligence schopná vytvářet nový obsah.

Halucinace AI – věrohodně znějící, ale nepravdivý nebo smyšlený výstup.

Hluboké učení – část strojového učení využívající vícevrstvé neuronové sítě.

Inference – používání natrénovaného modelu k vytváření předpovědi nebo odpovědi.

Model – matematická struktura vytvořená učením z dat.

Neuronová síť – model složený z propojených výpočetních jednotek uspořádaných do vrstev.

Počítačové vidění – oblast AI zaměřená na zpracování obrazu a videa.

Strojové učení – metody, které umožňují systémům učit se z dat.

Trénování – proces nastavování parametrů modelu pomocí dat.

Úzká AI – systém specializovaný na konkrétní úlohu.

Zpracování přirozeného jazyka – oblast zaměřená na práci počítačů s lidským jazykem.

1.34 Kontrolní otázky

1. Jak lze definovat umělou inteligenci?

2. Proč neexistuje jediná všeobecně přijímaná definice inteligence?

3. Jaký je rozdíl mezi klasickým programováním a strojovým učením?

4. Co je algoritmus?

5. Co je model?

6. Jakou roli hrají data?

7. Co označuje pojem úzká AI?

8. Jak se liší AGI od dnešních systémů?

9. Co je generativní AI?

10. Jaký je rozdíl mezi trénováním a odvozováním?

11. Co je halucinace AI?

12. Proč mohou být modely zkreslené?

13. Ve kterých oblastech se AI používá v každodenním životě?

14. Jaké jsou hlavní výhody AI?

15. Jaká jsou její hlavní omezení?

16. Proč je důležitá lidská kontrola?

17. Jak může být AI využita ve výrobě?

18. Jaký je rozdíl mezi generativním a diskriminačním modelem?

19. Proč nelze přesvědčivou odpověď automaticky považovat za správnou?

20. Jaká pravidla by měl uživatel dodržovat při práci s AI?

1.35 Praktická cvičení

Cvičení 1: AI v domácnosti

Sepište deset příkladů zařízení nebo služeb, které běžně používáte a které mohou využívat AI.

U každého příkladu uveďte:

· jaká data systém zpracovává;

· jaký výsledek vytváří;

· jaké může mít výhody;

· jaké může mít riziko.

Cvičení 2: Klasický program, nebo AI?

Rozhodněte, zda je pro následující úlohy vhodnější klasický program, nebo systém strojového učení:

1. výpočet DPH;

2. rozpoznání poškozeného výrobku na fotografii;

3. sečtení položek na faktuře;

4. odhad budoucí poptávky;

5. převod kilometrů na míle;

6. rozpoznávání řeči;

7. kontrola rodného čísla podle přesně daných pravidel;

8. doporučení filmu;

9. výpočet úroku;

10. odhalení neobvyklé bankovní transakce.

Cvičení 3: Posouzení rizika

Představte si systém, který rozhoduje o přijetí uchazeče do zaměstnání.

Odpovězte:

· jaká data by mohl používat;

· která data by používat neměl;

· jaké zkreslení by mohlo vzniknout;

· kdo by měl kontrolovat výsledek;

· jak by mohl uchazeč rozhodnutí napadnout.

Cvičení 4: Kontrola výstupu

Požádejte jazykový model o stručné vysvětlení historické události, kterou dobře znáte.

Poté:

1. vypište jednotlivá faktická tvrzení;

2. ověřte je ve dvou nezávislých zdrojích;

3. označte nepřesnosti;

4. zhodnoťte, zda model přiznal nejistotu;

5. vytvořte opravenou verzi.

1.36 Řešení vybraných cvičení

Řešení cvičení 2

1. Výpočet DPH – klasický program.

2. Rozpoznání poškozeného výrobku – strojové učení.

3. Sečtení položek – klasický program.

4. Odhad poptávky – strojové učení.

5. Převod jednotek – klasický program.

6. Rozpoznávání řeči – strojové učení.

7. Kontrola rodného čísla – klasický program.

8. Doporučení filmu – strojové učení.

9. Výpočet úroku – klasický program.

10. Odhalení neobvyklé transakce – strojové učení.

Rozhodující je, zda lze úlohu přesně popsat pevnými pravidly, nebo zda je potřeba hledat složité vzory v datech.

1.37 Úkol k zamyšlení

Představte si, že AI dosahuje při určité lékařské diagnostice přesnosti 95 procent, zatímco zkušený lékař 92 procent.

Zvažte:

· má AI rozhodovat samostatně;

· kdo odpovídá za chybu;

· je důležitější průměrná přesnost, nebo vysvětlitelnost;

· jak řešit případy, kdy se lékař a AI neshodnou;

· zda by měl pacient vědět, že byla AI použita.

Na tyto otázky neexistuje jediná jednoduchá odpověď. Ukazují, že zavádění AI není pouze technický problém, ale také otázka odpovědnosti, práva a etiky.

27 července, 2026

Základy umělé inteligence - část 1

Žádné komentáře:

Okomentovat