Úvod
Když se řekne „AI myslí“, může to znít, jako by šlo o lidské myšlení.
Ve skutečnosti dnešní umělá inteligence neuvažuje ani necítí – pouze zpracovává informace a hledá vzory v datech.
Je to jako velmi schopná kalkulačka, která místo čísel pracuje s obrazy, texty a zvuky.
Cílem tohoto modulu je porozumět základním principům, aby bylo jasné, co AI umí a proč, ale i proč dělá chyby.
Data jako základ
AI se učí z dat.
- Textové modely (např. ChatGPT) – obrovské množství knih, článků, webových stránek.
- Obrazové modely (např. DALL·E, Midjourney) – miliony obrázků s popisy.
- Zvukové modely – nahrávky hlasů, hudby, zvuků prostředí.
Klíčová myšlenka: AI neví, „co znamená kočka“. Ví jen, že v trénovacích datech se určitý vzor pixelů nebo slov vyskytuje v souvislosti se slovem „kočka“.
Modely a parametry
- Model AI je matematická struktura, která zpracovává vstupy a vytváří výstupy.
- Parametry jsou číselné hodnoty, které model určí při učení (váhy neuronů).
- Velké jazykové modely mají miliardy parametrů – to jim umožňuje „pamatovat si“ složité vzory, ale také to znamená, že pro jejich trénink jsou potřeba výkonné počítače a hodně dat.
Příklad:
GPT-3 má 175 miliard parametrů, což odpovídá ohromnému množství propojení, která dokážou zachytit nuance jazyka.
Jak funguje neuronová síť
Neuronová síť je matematický model inspirovaný fungováním mozku.
Skládá se z:
- Vstupní vrstvy – přijímá data (např. čísla reprezentující pixely).
- Skrytých vrstev – hledají a kombinují vzory.
- Výstupní vrstvy – vydává výsledek (např. „na obrázku je pes“).
Proces učení:
- Model dostane vstup a vytvoří výstup.
- Porovná ho se správnou odpovědí.
- Spočítá chybu.
- Upraví parametry tak, aby příště udělal menší chybu.
Tento cyklus se opakuje milionkrát na různých datech.
Trénování vs. inference
Trénování (training) – fáze, kdy se AI učí z velkého datasetu. Trvá dlouho a je výpočetně náročná.
Inference – fáze, kdy už naučený model používáme pro nové vstupy. Je rychlá a dostupná i na běžném počítači nebo telefonu.
Příklad:
ChatGPT byl trénován měsíce na velkých serverech, ale samotné psaní odpovědi na váš dotaz probíhá během sekund.
Proč AI dělá chyby
- Nedokonalá data – pokud se model učil z neúplných nebo zaujatých informací, chybu převezme.
- Statistická povaha – AI vybírá nejpravděpodobnější odpověď, což nemusí být pravda.
- Nedostatek kontextu – model neví o světě víc, než co má v datech.
Důležité: AI nevěří tomu, co říká – jen produkuje vzor slov, který se v minulosti často vyskytoval.
Shrnutí
Umělá inteligence funguje na principu rozpoznávání a kombinace vzorů v datech.
Neuronové sítě jsou matematické modely inspirované biologií, ale bez vědomí či emocí.
K pochopení výsledků AI je nutné vědět, že její „znalosti“ jsou odvozené z tréninkových dat a statistických pravděpodobností, nikoliv z reálného porozumění.
Otázky k zamyšlení
- Proč je kvalita trénovacích dat pro AI důležitější než jejich množství?
- Jak by se chovala AI, kdyby se učila jen z falešných zpráv?
- Myslíš, že AI může „vymyslet něco úplně nového“? Proč ano/ne?
Praktický úkol
- Otevři Teachable Machine.
- Vytvoř model, který rozpozná 3 různé předměty z tvého okolí (např. hrnek, klíče, knihu).
- Vyzkoušej, co se stane, když modelu ukážeš neznámý předmět.
- Napiš krátké zhodnocení, jak dobře model fungoval a proč udělal chyby.
Doporučené zdroje
- Weby:
- Machine Learning Crash Course – Google – úvod do ML s vizualizacemi.
- Teachable Machine – tvorba jednoduchých modelů.
- Knihy:
- Aurélien Géron – Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow (pro ty, kdo chtějí programovat).
- Video:
- How Neural Networks Work – 3Blue1Brown – vizuální vysvětlení neuronových sítí.