Více než 350 pojmů od A jako agent po Z jako zero-shot – srozumitelně vysvětlené, s poznámkami, kde pomáhá KI.ordo.
Adaptivní učení označuje vzdělávací programy, které se průběžně přizpůsobují znalostem, tempu a chybám studujícího. Software analyzuje odpovědi a podle nich vybírá vhodná cvičení, vysvětlení nebo opakování. Využívá se ve školách, na vysokých školách i ve firemním vzdělávání – například když platforma po chybně zodpovězené úloze automaticky nabídne jednodušší mezikrok. Ve strojovém učení tento pojem označuje také modely, které se průběžně přizpůsobují novým datům.
Adversariální strojové učení zkoumá, jak lze AI modely oklamat záměrně zmanipulovanými vstupy nebo trénovacími daty – a jak je chránit. Známými příklady jsou sotva viditelné změny obrázku, které převrátí klasifikaci, nebo otrávená trénovací data. Pro organizace je téma důležité, jakmile AI podporuje rozhodnutí relevantní z hlediska bezpečnosti. K protiopatřením patří robustní trénování, kontroly vstupů, monitoring a pravidelné bezpečnostní testy.
Pojem „agentní“ popisuje AI systémy, které dělají víc, než že odpovídají na jednotlivou otázku: sledují cíl v několika krocích, plánují, používají nástroje jako vyhledávání na webu nebo API, kontrolují mezivýsledky a rozhodují o dalším postupu. Příkladem je asistent, který zařadí požadavek, vyhledá informace a připraví návrh odpovědi. Zásadní jsou jasné hranice, protokolování a schválení člověkem v kritických bodech.
Pojem popisuje, jak systémy AI mohou ovlivňovat lidská práva, například soukromí, rovné zacházení, svobodu projevu nebo spravedlivý proces, pozitivně i negativně. Rizika vznikají například z diskriminačních rozhodnutí, masového sledování, biometrické identifikace nebo nedostatku prostředků k napadení rozhodnutí. Těmito otázkami se zabývají mezinárodní rámce, například Rámcová úmluva Rady Evropy o umělé inteligenci a akt EU o umělé inteligenci. Organizace reagují posouzením dopadů, transparentností a lidským dohledem.
AI model s pevnými pokyny a přístupem k vybraným znalostem, který přebírá konkrétní úkol.
AI firewall je ochranná vrstva mezi uživateli, zdroji dat a modelem AI. Kontroluje vstupy z hlediska pokusů o manipulaci, například prompt injection nebo jailbreaků, a před předáním dál prověřuje výstupy, například na důvěrná data nebo nežádoucí obsah. Může používat pravidla, klasifikační modely nebo druhý jazykový model. AI firewall snižuje riziko, ale nenabízí úplnou ochranu a nenahrazuje omezená oprávnění ani testování.
AI red teaming je strukturované prověřování AI systému z pohledu potenciálních útočníků nebo zneužití. Specialisté kontrolovaně testují, zda chatbot neprozradí důvěrné pokyny, zda ho nelze přimět k nežádoucímu chování, zda neuvádí nepravdivá fakta nebo neodhaluje data. Zjištění pak slouží ke zlepšení pokynů, filtrů a oprávnění. Bezpečnostní audit chatbota je jeho lehčí formou: posuzuje konfiguraci a ukázkové konverzace podle známých rizikových oblastí, jako je OWASP Top 10 pro aplikace LLM.
AI SDR (sales development representative) je agent AI, který přebírá úkoly z rané fáze prodeje: odpovídá na příchozí dotazy, kvalifikuje zájemce, připravuje scénáře hovorů a následné e-maily nebo připravuje schůzky. Odlehčuje prodejnímu týmu, ale nenahrazuje jeho úsudek a práci se vztahy. Při oslovování nových kontaktů v Německu a EU je třeba dodržovat ochranu údajů a pravidla proti nevyžádané reklamě.
Blok postupu, který přiřadí text do jedné z několika kategorií a podle toho větví.
AI v dopravě zahrnuje aplikace v logistice, dopravě a mobilitě: plánování tras a rozvozů, předpovídání dopravy, prediktivní údržbu vozidel a infrastruktury a asistenční systémy řidiče až po autonomní vozidla. Cílem jsou kratší trasy, méně prázdných jízd, nižší náklady a vyšší bezpečnost. Mnoho aplikací je kritických z hlediska bezpečnosti, a proto jsou přísně regulovány. Příklad: balíková služba každý den přeplánuje rozvozové okruhy podle objemu zásilek a dopravní situace.
AI v kybernetické bezpečnosti má dvě stránky. Na jedné straně techniky AI pomáhají rychleji odhalovat útoky, například zachycením anomálií v síťovém provozu, podezřelých přihlášení nebo phishingových e-mailů, a odlehčují bezpečnostním týmům při třídění upozornění. Na druhé straně je třeba chránit samotné systémy AI, například před prompt injection nebo únikem dat. AI je zde účinná jen v kombinaci s jasnými procesy, aktuálními systémy a vyškolenými lidmi.
AI v maloobchodě zahrnuje aplikace v celém řetězci maloobchodu: prognózy prodeje a plánování zásob, personalizovaná doporučení produktů, dynamické stanovení cen, odhalování podvodů v internetových obchodech a zákaznický servis přes chat. Obchodníci mohou snížit nadměrné zásoby i nedostatek zboží a rychleji odpovídat na dotazy. K tomu jsou potřeba čistá data a pečlivé zacházení s informacemi o zákaznících. Příklad: chatovací asistent odpovídá na otázky o dodacích lhůtách a vrácení zboží nepřetržitě.
AI v zábavním průmyslu označuje využití AI ve filmu, hudbě, hrách, streamování a médiích. Typickými aplikacemi jsou doporučovací systémy, které navrhují obsah podle vkusu, podpora střihu, vizuálních efektů a dabingu, generované herní světy nebo postavy a tvorba hudby a obrázků. Zároveň vyvolává otázky autorských práv, souhlasu účinkujících a deepfaků. Příklad: streamovací platforma přizpůsobí domovskou obrazovku každému profilu.
AI ve výrobě zahrnuje aplikace ve výrobě a průmyslu, například prediktivní údržbu na základě dat ze senzorů, automatizovanou kontrolu kvality pomocí kamer, optimalizaci procesních parametrů a plánování výroby a roboty, kteří pracují po boku lidí. Cílem jsou méně poruch, méně zmetků a stabilnější provoz. Vyžaduje to spolehlivá strojní data a zapojení odborníků z dílny. Příklad: systém z vibračních vzorců pozná, že ložisko brzy selže.
AI ve zdravotnictví zahrnuje aplikace, které podporují klinický personál a administrativu, například při analýze lékařských snímků, dokumentaci, plánování termínů nebo vyhodnocování výzkumných dat. Takové systémy poskytují vodítka a odlehčují práci, ale nenahrazují klinický úsudek a neslibují léčbu. Mnoho zdravotnických aplikací AI podléhá regulaci zdravotnických prostředků a přísným pravidlům ochrany zdravotních údajů. Příklad: software zvýrazní nápadná místa na rentgenových snímcích k posouzení specialisty.
Aktivační funkce určují, jak silně neuron v umělé neuronové síti předá svůj signál dál. Vnášejí do sítě nelinearitu – teprve díky ní dokáže síť zachytit složité vztahy, jako je jazyk nebo obraz. Běžnými příklady jsou ReLU, která záporné hodnoty nastaví na nulu, sigmoida pro pravděpodobnosti mezi 0 a 1 a GELU, používaná v mnoha modelech typu transformer. Volba funkce ovlivňuje rychlost a stabilitu trénování.
Algoritmická transparentnost znamená, že lze pochopit, jak automatizovaný systém dospěje k výsledku: jaká data používá, jaká pravidla sleduje a kde jsou jeho hranice. To posiluje důvěru, usnadňuje dohledání chyb a stále častěji jde i o zákonný požadavek, například díky informačním povinnostem podle GDPR a aktu o umělé inteligenci (AI Act). V praxi pomáhá dokumentace, uvádění zdrojů, protokoly a jasná upozornění pro dotčené osoby.
AllenNLP je open-source knihovna pro Python určená k výzkumu zpracování přirozeného jazyka, kterou vyvinul Allen Institute for AI nad frameworkem PyTorch. Nabízela hotové komponenty a modely pro úlohy, jako je klasifikace textu, rozpoznávání koreference nebo odpovídání na otázky. Od konce roku 2022 se AllenNLP aktivně nevyvíjí a je v režimu údržby; jeho správci odkazují na alternativy jako AI2 Tango, flair nebo Hugging Face Transformers (stav k říjnu 2026).
Amazon Kindle Direct Publishing (KDP) je platforma Amazonu, na které autoři sami vydávají e-knihy, brožované a vázané knihy. Názvy, popisy, klíčová slova a kategorie musí splňovat její vlastní pravidla. Kdo generuje obsah pomocí AI – texty, obrázky obálky nebo překlady –, musí to při publikaci Amazonu oznámit; čistě AI asistovaná práce, jako je brainstorming nebo korektura, je z toho vyjmuta (stav k říjnu 2026). Před každou publikací je vhodné zkontrolovat aktuální pravidla.
Amazon SageMaker je cloudová služba Amazon Web Services (AWS) pro vývoj, trénování a nasazování modelů strojového učení. Na konci roku 2024 byla původní služba přejmenována na „Amazon SageMaker AI“; od té doby název „Amazon SageMaker“ označuje širší platformu pro data, analytiku a AI s rozhraním SageMaker Unified Studio (stav k říjnu 2026). Používají ji hlavně týmy datové vědy, které provozují modely na infrastruktuře AWS.
Anaconda je rozšířená distribuce programovacích jazyků Python a R pro analýzu dat a strojové učení, kterou vydává společnost Anaconda Inc. Obsahuje správce balíčků conda a předinstalované knihovny jako NumPy, pandas a Jupyter a usnadňuje udržování oddělených prostředí pro jednotlivé projekty. Organizace s více než 200 zaměstnanci potřebují pro Anaconda Distribution a její výchozí kanál balíčků placenou licenci; samotná conda a komunitní kanál conda-forge zůstávají zdarma (stav k říjnu 2026).
Analýza sentimentu automaticky určuje náladu nebo postoj, který text vyjadřuje – obvykle pozitivní, neutrální nebo negativní, někdy jemnější emoce. Firmy ji používají k vyhodnocení velkého počtu recenzí produktů, e-mailů podpory, průzkumů nebo příspěvků na sociálních sítích a rychle vidí, kde jsou zákazníci spokojeni a kde jsou problémy. Ironie, sarkasmus a smíšená sdělení typu „rychlé dodání, zklamávající kvalita“ zůstávají obtížné, proto by vzorky měli kontrolovat lidé.
Analýza TAM odhaduje celkový dosažitelný trh (total addressable market): veškeré tržby, které by nabídka teoreticky mohla vygenerovat. Přístup shora dolů zužuje čísla z tržních studií, zatímco přístup zdola nahoru násobí počet potenciálních zákazníků očekávanou cenou. Spolu s SAM (obsluhovatelný trh) a SOM (reálně dosažitelný podíl) podporuje investiční a plánovací rozhodnutí, ale smysl má jen s transparentními předpoklady a rozmezími místo falešné přesnosti.
Antropomorfismus je sklon připisovat strojům lidské vlastnosti, jako jsou pocity, záměry nebo porozumění. U chatbotů je to přirozené, protože píší plynule a osobně. Interakce tak může být příjemnější, nese ale i rizika: lidé mohou odpovědím příliš důvěřovat nebo sdílet citlivé informace. Pomáhají jasná upozornění, že uživatelé komunikují s AI, a upřímné informace o jejích hranicích.
Anyword je AI platforma pro psaní marketingových textů, která vznikla ze společnosti Keywee založené v roce 2013. Vytváří krátké texty, jako jsou reklamy, předměty e-mailů, titulky a popisy produktů, a jednotlivým variantám přiřazuje předpovězené skóre, jak dobře by mohly u cílové skupiny zabrat. Nabízí také nastavení hlasu značky a analýzu stávajícího obsahu (stav k říjnu 2026). Takové předpovědi jsou odhady a nenahrazují testování v praxi.
Asociativní paměť vyhledává uložené informace podle obsahu, nikoli podle adresy: k vybavení odpovídajícího celku stačí částečný nebo zašuměný podnět – podobně jako první takty vybaví celou píseň. Klasickým příkladem ve výzkumu AI jsou Hopfieldovy sítě. Princip se objevuje i v hardwaru (obsahově adresovatelná paměť) a v analýzách mechanismu pozornosti v moderních jazykových modelech.
Automatická klasifikace přiřazuje texty, dokumenty nebo záznamy do předem definovaných kategorií bez ručního třídění. Tradičně se to modely učí z označených příkladů; velké jazykové modely dokážou kategorie přiřadit i jen na základě popisu. Typickým použitím je třídění příchozích e-mailů podle typu požadavku, přiřazování účetních dokladů nebo označování naléhavých tiketů podpory. U důležitých případů se doporučují namátkové kontroly člověkem.
Automatizace zákaznického servisu znamená, že opakující se dotazy zákazníků zcela nebo zčásti vyřizuje software – například pomocí chatbotů, navržených odpovědí nebo předtřídění tiketů. Na časté otázky k otevírací době, stavu doručení nebo vrácení zboží lze odpovídat nepřetržitě, zatímco tým získá čas na složité případy. Zásadní jsou spolehlivé zdroje znalostí a snadné předání člověku.
Autonomní vozidla se pohybují zcela nebo zčásti bez zásahu člověka a využívají kamery, radar, lidar a AI software. Norma SAE J3016 definuje šest úrovní – od 0 (bez automatizace) po 5 (plně bez řidiče všude). AI zajišťuje vnímání okolí, předvídání chování ostatních účastníků provozu a plánování trasy. Kromě osobních aut sem patří robotaxi, nákladní vozy, kyvadlové minibusy a skladová vozidla; schvalování a odpovědnost upravuje každá země zvlášť.
Backpropagation (zpětné šíření chyby) je standardní metoda, kterou se učí neuronové sítě. Po každé predikci se změří chyba a šíří se zpět vrstvami sítě, čímž se ukáže, jak velkou měrou k ní přispěla jednotlivá váha. Optimalizační metoda, například gradientní sestup, pak váhy krok za krokem upravuje. Bez zpětného šíření chyby by trénování dnešních jazykových a obrazových modelů bylo prakticky nemožné.
Bagging (zkratka z bootstrap aggregating) je ansámblová metoda strojového učení: mnoho modelů se natrénuje na náhodně vybraných vzorcích trénovacích dat a jejich predikce se zprůměrují nebo zkombinují většinovým hlasováním. Výsledky jsou díky tomu stabilnější a snižuje se přeučení. Nejznámějším příkladem je náhodný les (random forest), který kombinuje mnoho rozhodovacích stromů – například pro predikci odchodu zákazníků nebo cen.
Bayesovské sítě jsou grafické modely, které znázorňují proměnné jako uzly a jejich pravděpodobnostní závislosti jako orientované šipky. Pomocí Bayesovy věty ukazují, jak nová pozorování mění pravděpodobnost jiných událostí. Příkladem je podpora diagnostiky: odhad nejpravděpodobnější příčiny z pozorovaných příznaků. Jejich silnými stránkami jsou transparentnost a schopnost pracovat s nejistými nebo neúplnými daty.
V oblasti AI znamená benchmarking systematické porovnávání modelů nebo systémů pomocí definovaných úloh a kritérií. Veřejné benchmarky měří například všeobecné znalosti, schopnost uvažování nebo programování; pro praktické použití jsou však nejdůležitější testovací případy z vaší vlastní každodenní práce. Typickými kritérii jsou přesnost, úplnost, doba odezvy a náklady. Pomáhá to rozhodnout, zda pro daný úkol stačí menší a levnější model.
BERT (Bidirectional Encoder Representations from Transformers) je jazykový model, který Google představil v roce 2018. Na rozdíl od dřívějších modelů zohledňuje současně kontext nalevo i napravo od slova, což mu pomáhá řešit víceznačnost. BERT je určen spíše k porozumění textu než k psaní delších pasáží. Využívá se pro vyhledávání, klasifikaci textu, rozpoznávání pojmenovaných entit a odpovídání na otázky a ovlivnil mnoho následných modelů.
Bezpečnost LLM zahrnuje všechna opatření, která chrání aplikace postavené na velkých jazykových modelech před zneužitím, únikem dat a nežádoucím chováním. Typická rizika zahrnují prompt injection, vyzrazení důvěrných pokynů nebo dat a agenty s nadměrnými oprávněními. Ochrana vychází z několika vrstev: jasné pokyny, omezená práva, kontroly vstupů a výstupů, AI firewally, red teaming a pravidelné audity.
Bezpečnostní audit chatbota je strukturovaná kontrola toho, zda AI chatbot dostatečně chrání důvěrná data, své interní pokyny a svá oprávnění k jednání. Zkoumá mimo jiné náchylnost k prompt injection, nezamýšlené prozrazení informací a příliš široký přístup k nástrojům – často podle OWASP Top 10 pro aplikace LLM. Výsledkem je zpráva s hodnocením každé rizikové oblasti a konkrétními opatřeními.
V oblasti AI označuje bias (zkreslení) systematické zkreslení výsledků. Často pramení z nevyvážených nebo historicky zkreslených trénovacích dat, ale také z návrhu modelu nebo ze způsobu, jakým je otázka formulována. Známý příklad: nástroj pro předvýběr uchazečů, který se učí z minulých rozhodnutí o přijetí, může prohlubovat existující znevýhodnění. Ve statistice bias znamená také odchylku odhadu od skutečné hodnoty. K protiopatřením patří rozmanitá data, pravidelné audity a lidská rozhodnutí v personálních záležitostech.
BigML je platforma strojového učení od stejnojmenné společnosti založené v roce 2011 se sídlem v Corvallisu ve státě Oregon (USA). Přes webové rozhraní nebo API mohou uživatelé bez velkého programování vytvářet modely, jako jsou rozhodovací stromy, ansámbly, shlukování nebo detekce anomálií. Klade důraz na interpretovatelné modely a automatizovatelné pracovní postupy. Nabízí se jako cloudová služba i pro provoz ve vlastním datovém centru (stav k říjnu 2026).
Blokování botů AI znamená zabránit crawlerům poskytovatelů AI, aby četli váš web, obvykle pomocí pravidel v souboru robots.txt pro user agenty, jako jsou GPTBot, ClaudeBot nebo Google-Extended. Soubor je žádost, nikoli technická překážka; přísnější kontrola vyžaduje pravidla firewallu nebo serveru. Kompromis: blokování chrání obsah před využitím k trénování, ale může snížit viditelnost ve vyhledávání s AI a v odpovědích generovaných AI. Často dává smysl zacházet s trénovacími crawlery a vyhledávacími crawlery odlišně.
BMXNet je open-source knihovna pro binární neuronové sítě, kterou v roce 2017 vydal Institut Hasso Plattnera v Postupimi a která je postavena na frameworku Apache MXNet. Binární sítě ukládají váhy a aktivace jedním bitem místo 32, takže modely jsou mnohem menší a rychlejší – což je atraktivní pro chytré telefony a vestavěná zařízení, obvykle však za cenu určité ztráty přesnosti. Od ukončení projektu MXNet v roce 2023 je BMXNet zajímavý hlavně pro výzkum (stav k říjnu 2026).
Boosting je ansámblová metoda strojového učení, při níž se postupně trénuje mnoho jednoduchých modelů, přičemž každý nový model se zaměřuje na případy, ve kterých se jeho předchůdci mýlili. Společně tvoří mnohem přesnější celkový model. Známými variantami jsou AdaBoost a gradient boosting s knihovnami jako XGBoost nebo LightGBM. Boosting je obzvlášť silný u tabulkových dat, například u úvěrového rizika, prognóz prodeje nebo odchodu zákazníků.
Botpress je platforma pro tvorbu chatbotů a AI agentů od stejnojmenné kanadské společnosti se sídlem v Montrealu. Ve vizuálním pracovním prostoru mohou uživatelé navrhovat průběh konverzací, připojovat zdroje znalostí a pomocí integrací propojovat agenty s kanály, jako jsou weby nebo aplikace pro zasílání zpráv; účtuje se podle využití. Dříve open-source verze 12 pro vlastní hosting byla ukončena – nové projekty běží na Botpress Cloud (stav k říjnu 2026).
Brag book je průběžně aktualizovaný přehled vlastních pracovních úspěchů: dokončených projektů, ukazatelů, pozitivní zpětné vazby, ocenění a školení. Slouží jako podklad pro hodnoticí pohovory, vyjednávání o mzdě, žádosti o místo nebo povýšení. Osvědčenou strukturou je situace, úkol, postup a výsledek. Uvádět by se měly jen ověřitelné informace a čísla by se neměla přikrášlovat.
Caffe (Convolutional Architecture for Fast Feature Embedding) je open-source framework pro hluboké učení, který vyvinul Yangqing Jia na Kalifornské univerzitě v Berkeley a který byl vydán v roce 2013. Oblíbený byl hlavně pro rozpoznávání obrazu pomocí konvolučních neuronových sítí, protože běžel rychle a modely se definovaly v konfiguračních souborech. Poslední verze 1.0 vyšla v roce 2017; jeho nástupce Caffe2 byl v roce 2018 začleněn do PyTorch. Pro nové projekty se Caffe dnes používá jen zřídka.
Údaj v odpovědi, který ukazuje, ze které pasáže znalostí pochází.
Claude je rodina velkých jazykových modelů od americké AI společnosti Anthropic. Modely rozumějí textu v mnoha jazycích a píší v nich, analyzují dokumenty, píší kód a mohou používat nástroje, například pro rešerše nebo automatizaci. Nejznámější jsou modelové rodiny Haiku, Sonnet a Opus, které se liší rychlostí, náklady a schopnostmi. Anthropic klade zvláštní důraz na bezpečnost a spolehlivé chování modelů.
Claude Haiku je nejrychlejší a nejlevnější ze tří modelových rodin Claude od Anthropicu, vedle modelů Sonnet a Opus. Hodí se pro úlohy s velkým objemem, které vyžadují krátkou dobu odezvy, jako je třídění e-mailů, vytahování údajů z textů nebo směrování požadavků na správné místo. Aktuální generací je Claude Haiku 5.5 (stav k říjnu 2026).
Claude Opus je nejvýkonnější ze tří modelových rodin Claude od Anthropicu: Haiku, Sonnet a Opus. Je určen pro náročné úlohy, které vyžadují vícekrokové uvažování, jako jsou složité analýzy, rozsáhlé programátorské projekty nebo agenti, kteří delší dobu pracují samostatně. Je ale pomalejší a dražší než menší rodiny. Aktuální verzí je Claude Opus 5.5 (stav k říjnu 2026).
Claude Sonnet je prostřední ze tří modelových rodin Claude od Anthropicu a spojuje vysoký výkon s krátkou dobou odezvy a přiměřenými náklady. Hodí se pro širokou škálu každodenních firemních úloh: psaní návrhů textů, analýzu dokumentů, odpovídání na znalostní dotazy nebo psaní kódu. Anthropic pravidelně vydává nové verze; aktuální je Claude Sonnet 5.5 (stav k říjnu 2026).
Clearbit je služba pro obohacování B2B dat: z e-mailové adresy nebo domény doplní údaje, jako je obor, velikost firmy nebo sídlo. Obchodní a marketingové týmy taková data využívají k hodnocení leadů, zkracování formulářů a přiřazování návštěv webu ke konkrétním firmám. Clearbit v roce 2023 koupil HubSpot; jeho funkce jsou dnes nabízeny jako Breeze Intelligence v rámci HubSpotu (stav k říjnu 2026).
Shlukování (clustering) je metoda učení bez učitele, která rozděluje datové body do skupin podle jejich podobnosti, bez předem daných kategorií. Odhaluje vzorce, které dosud nikdo nepojmenoval – například zákaznické segmenty s podobným nákupním chováním. U textů pomáhá shlukování roztřídit stovky zákaznických dotazů do témat, jako je doručení, fakturace nebo reklamace, a ukazuje, kde leží těžiště.
Copilot je značka, pod kterou Microsoft sdružuje své AI asistenty. Patří sem obecný asistent pro web a Windows, Microsoft 365 Copilot pro práci ve Wordu, Excelu, Outlooku nebo Teams a Copilot Studio pro tvorbu vlastních agentů; programování podporuje GitHub Copilot. Asistenti vycházejí z velkých jazykových modelů a podle varianty mohou přistupovat k datům organizace v Microsoft 365 (stav k říjnu 2026).
Copy.ai je americká AI platforma, která začínala jako generátor textů pro marketing, například reklam, e-mailů nebo popisů produktů. Později se její těžiště přesunulo k automatizovaným pracovním postupům pro prodej a marketing, které firma shrnuje pod pojmem „GTM AI“. V říjnu 2025 Copy.ai převzal poskytovatel řešení pro revenue operations Fullcast (stav k říjnu 2026).
Copysmith je americký poskytovatel nástrojů s AI, který se proslavil generátorem textů pro marketing a e-commerce, například popisů produktů a reklam. V roce 2022 Copysmith převzal nástroje pro psaní a SEO Rytr a Frase. Dnes firma zastřešuje několik produktů, mimo jiné Describely pro produktové texty v internetovém obchodě (stav k říjnu 2026).
CrewAI je open-source framework v Pythonu pro propojení několika AI agentů do týmu („crew“). Každý agent dostane roli, cíl a vhodné nástroje; úkoly se rozdělují a výsledky předávají dál. Navíc „flows“ nabízejí přesně řízené pracovní postupy spouštěné událostmi. Například agent pro rešerši shromáždí informace a agent pro psaní z nich vytvoří zprávu.
Částečně řízené učení kombinuje malé množství označených dat s velkým množstvím neoznačených dat. Model se nejprve učí z několika příkladů se známými odpověďmi a potom využívá vzory ve zbývajících datech ke zlepšení – například tím, že jako další trénovací příklady převezme jisté předpovědi. Vyplatí se, když je označování drahé, například u lékařských snímků nebo tisíců tiketů podpory.
Čistě nový byznys označuje tržby z nových zákazníků, kteří dříve neexistovali, na rozdíl od obnov, dodatečného prodeje (upselling) nebo rozšíření u stávajících zákazníků. Ukazuje, jak dobře firma otevírá nové trhy a cílové skupiny, a obchodní týmy jej často plánují a odměňují samostatně. Příklad: softwarový dodavatel vykazuje 40 % čtvrtletního objemu zakázek jako čistě nový byznys.
Čištění dat je rozpoznávání a oprava chybných, duplicitních nebo nekonzistentních záznamů v datových souborech. Typickými kroky jsou sjednocení pravopisu a formátů data, odstranění nadbytečných mezer a slučování duplicit, například „Novák s.r.o.“ a „Novák, spol. s r.o.“. Čistá data jsou předpokladem spolehlivých analýz, hromadných rozesílek i aplikací s AI.
Čitelnost popisuje, jak snadno lze text přečíst a pochopit. Závisí na délce vět, délce slov, odborných výrazech, stavbě vět a uspořádání a lze ji přibližně vyjádřit vzorci, jako je Fleschův index nebo LIX. Dobrá čitelnost je důležitá pro komunikaci se zákazníky, návody, weby a přístupný obsah. Vzorce však nabízejí jen orientaci; to, zda je text srozumitelný, nakonec závisí na jeho publiku.
Human-in-the-loop (člověk ve smyčce) popisuje pracovní postupy, v nichž lidé v definovaných bodech vstupují do procesu AI: kontrolují výsledky, schvalují je nebo opravují, případně přebírají obtížné případy. Princip snižuje riziko chybných výstupů a ponechává odpovědnost lidem, zejména u rozhodnutí týkajících se jednotlivců, peněz nebo právních záležitostí. Příklad: agent AI připraví návrhy odpovědí na zákaznické dotazy a zaměstnanec je před odesláním zkontroluje.
Chainer je open-source framework pro hluboké učení v Pythonu, který vyvinula japonská společnost Preferred Networks. Zpopularizoval přístup „define-by-run“, při kterém se neuronová síť sestavuje až během výpočtu, což usnadňuje experimentování s flexibilními strukturami modelů. Od prosince 2019 je Chainer pouze udržován, nikoli dále vyvíjen; Preferred Networks přešla na PyTorch, který vychází ze stejného principu.
Chatbot je program, který přijímá otázky v textové nebo hlasové podobě a odpovídá na ně v dialogu. Jednoduché chatboty se řídí pevnými pravidly a rozhodovacími stromy, moderní využívají velké jazykové modely a rozumějí volně formulovaným požadavkům. Typickým využitím je zákaznický servis, interní helpdesk a žádosti o termín – například chat na webu, který nepřetržitě odpovídá na dotazy k dodacím lhůtám.
ChatGPT je AI asistent americké společnosti OpenAI vydaný v listopadu 2022, který přiblížil generativní AI širokému publiku. Je založen na velkých jazykových modelech řady GPT a odpovídá na otázky, píše a upravuje texty, shrnuje dokumenty a pomáhá s programováním. ChatGPT je k dispozici v prohlížeči i jako aplikace, v bezplatné a placených verzích i ve verzích pro týmy a podniky.
Chyba na trénovacích datech udává, o kolik se předpovědi modelu odchylují od správných hodnot přesně u dat, na nichž byl trénován. Sama o sobě říká málo: důležité je porovnání s generalizační chybou na nových datech. Vysoká chyba na trénovacích datech ukazuje na nedostatečné přizpůsobení (underfitting); velmi nízká chyba na trénovacích datech spojená s vysokou chybou na testovacích datech obvykle signalizuje přeučení.
DALL-E je řada modelů společnosti OpenAI pro generování obrázků, které vytvářejí obrazy z textových popisů. První verze vyšla v roce 2021; DALL-E 3 byl v roce 2023 integrován do ChatGPT a zpřístupnil generování obrázků z textu širokému publiku. OpenAI mezitím DALL-E nahradil novějšími obrazovými modely řady GPT Image; přístup k DALL-E 2 a 3 přes API skončil v květnu 2026 (stav k říjnu 2026).
Dash je open-source framework společnosti Plotly pro tvorbu interaktivních webových aplikací pro analýzu dat v Pythonu, bez nutnosti psát JavaScript. Grafy, filtry a posuvníky jsou přímo propojeny s kódem v Pythonu. Typickými příklady jsou dashboardy, v nichž firemní týmy filtrují tržby podle regionů nebo zkoušejí predikce modelu strojového učení s vlastními hodnotami.
Data mining je systematické prohledávání velkých datových souborů za účelem nalezení vzorců, souvislostí a anomálií. Využívá statistické postupy a metody strojového učení, například shlukování, klasifikaci nebo asociační analýzu. Klasickým příkladem je analýza nákupního košíku v maloobchodě, která ukazuje, které produkty se často kupují společně – podklad pro sortiment, umístění zboží a doporučení.
DataRobot je americká softwarová společnost, jejíž platforma pomáhá organizacím vytvářet, provozovat a monitorovat aplikace s AI. Proslula automatizovaným strojovým učením (AutoML), které automaticky trénuje a porovnává mnoho variant modelů – například pro predikci odchodu zákazníků nebo poptávky. Dnes se firma zaměřuje také na provoz a řízení AI agentů (stav k říjnu 2026).
Datový analytik AI je systém nebo asistent AI, který analyzuje data, například tabulky, exporty nebo klíčové ukazatele, a vysvětluje výsledky srozumitelným jazykem. Počítá součty a změny, rozpoznává trendy a anomálie a navrhuje další kroky. Obchodní týmy bez statistických znalostí tak získají rychlejší odpovědi. Jazykové modely však mohou dělat chyby ve výpočtech, proto je třeba čísla dvakrát zkontrolovat. Příklad: měsíční tržby se vloží jako CSV a okomentují se.
Dávková normalizace (batch normalisation) je technika trénování hlubokých neuronových sítí, která mezivýsledky vrstvy pro každou dávku dat převede na jednotný průměr a rozptyl. Trénování je díky tomu stabilnější a často rychlejší a síť je méně citlivá na počáteční hodnoty. Byla představena v roce 2015 a je běžná v sítích pro rozpoznávání obrazu; transformery obvykle spoléhají na příbuznou normalizaci vrstev (layer normalisation).
Deep belief networks (DBN) jsou neuronové sítě složené z několika vrstev nad sebou, které se nejprve vrstvu po vrstvě předtrénují bez dohledu, obvykle jako tzv. omezené Boltzmannovy stroje. Geoffrey Hinton a jeho spolupracovníci metodu představili v roce 2006; ukázala, že hluboké sítě lze trénovat efektivně, a přispěla tak k rozvoji hlubokého učení. V praxi byly DBN mezitím z velké části nahrazeny jinými architekturami.
Deepfake je obraz, video nebo zvukový záznam vytvořený či upravený pomocí AI, který přesvědčivě ukazuje skutečné osoby, jak říkají nebo dělají věci, které se nikdy nestaly. Vedle legitimního využití ve filmu nebo při dabingu se deepfaky používají k dezinformacím, poškozování pověsti a podvodům – například k falešným hovorům údajného nadřízeného s žádostí o bankovní převod. Ochranou jsou zpětná volání na známá čísla, jasné schvalovací procesy a označování obsahu vytvořeného AI.
Detekce anomálií hledá datové body, události nebo vzorce, které se výrazně liší od normálu. Může jít o neobvykle vysoké transakce, náhlé skoky v hodnotách senzorů, duplicitní záznamy nebo podezřelou aktivitu v síti. Využívá se ve financích, IT bezpečnosti, výrobě a kontrole kvality. Metody sahají od jednoduchých statistických prahů po učící se modely; nálezy jsou indicie, které by měl posoudit člověk.
Detekce anomálií v obraze hledá na fotografiích nebo kamerových záznamech odchylky od normálního stavu – například škrábance, praskliny nebo změny barvy na dílech ve výrobě či nepravidelnosti na lékařských snímcích. Model se často nejprve učí na mnoha bezvadných příkladech a poté označí vše, co se od nich liší. To je užitečné, protože skutečné vady jsou vzácné a předem je lze jen těžko úplně popsat.
Detekce podvodů zahrnuje metody, které včas odhalí podezřelé transakce, objednávky, účty nebo žádosti. Pravidla a učící se modely hledají varovné signály, jako jsou rozdílné dodací a fakturační adresy, neobvyklá množství, nápadný časový tlak nebo jednorázové e-mailové adresy. Využívá se v e-commerce, bankovnictví, pojišťovnictví a u platebních služeb. Protože plané poplachy mohou postihnout skutečné zákazníky, měli by nálezy posoudit lidé, a ne je automaticky zamítat.
Deterministický model dává pro stejný vstup vždy stejný výsledek, protože se řídí pevnými pravidly nebo vzorci a nezahrnuje žádnou náhodu – například pravidlo „sleva 5 % na objednávky nad 100 €“. Velké jazykové modely naproti tomu pracují pravděpodobnostně: jejich odpovědi na stejnou otázku se mohou lišit. V praxi se obojí často kombinuje, aby se vyvážila flexibilita a dohledatelnost.
Developmental Reading Assessment (DRA) je postup, který se v USA široce používá k tomu, aby učitelé zjistili úroveň čtenářských dovedností dětí od mateřské školy do 8. ročníku; vydává ho společnost Pearson. Děti nahlas čtou texty odstupňované podle obtížnosti a odpovídají na otázky k nim; hodnocení zahrnuje aspekty jako plynulost a porozumění. Výsledkem je úroveň čtení, podle níž se vybírají vhodné knihy a podpůrná opatření.
K diskriminaci v AI dochází, když systém s AI bezdůvodně znevýhodňuje lidi na základě vlastností, jako jsou pohlaví, etnický původ, věk nebo zdravotní postižení. Příčinou bývají obvykle zkreslená trénovací data, nevhodné zástupné rysy, například PSČ, nebo nedostatečné testování; známé případy pocházejí z náboru zaměstnanců a poskytování úvěrů. Protiopatřením jsou reprezentativní data, pravidelné testování férovosti, transparentnost a lidský dohled nad rozhodnutími o lidech.
Diskriminativní modely se učí rozlišovat datové body tak, že přímo určují hranici mezi třídami – odpovídají na otázku „Do které kategorie tento vstup patří?“. Příkladem jsou logistická regrese, metoda podpůrných vektorů a mnoho neuronových klasifikátorů, například pro rozpoznávání spamu. Generativní modely naproti tomu zachycují, jak samotná data vznikají, a mohou proto vytvářet nové příklady.
DL4J (Eclipse Deeplearning4j) je open-source knihovna pro hluboké učení na Java Virtual Machine (JVM). Umožňuje trénovat a provozovat neuronové sítě v Javě nebo Scale, takže zapadne do stávajících podnikových systémů postavených na Javě. Součástí projektu jsou také nástroje pro import modelů z jiných frameworků. Projekt spravuje Eclipse Foundation.
Dropout je regularizační technika používaná při trénování neuronových sítí: v každém tréninkovém kroku se náhodný podíl neuronů dočasně vypne. Síť se tak nespoléhá na jednotlivá spojení a učí se odolnější vzorce. Snižuje přeučení, tedy pouhé zapamatování trénovacích dat. Při pozdějším použití hotového modelu jsou všechny neurony opět aktivní.
Pojem zahrnuje ekonomické důsledky využívání umělé inteligence: růst produktivity, nové produkty a obchodní modely, měnící se úkoly a požadavky na dovednosti a posuny v konkurenci. Rozsah a rozložení těchto efektů jsou sporné a výrazně závisejí na odvětví, investicích a vzdělávání. Pro jednotlivé organizace je nejdůležitější měřitelný přínos konkrétních aplikací. Příklad: kratší doba vyřízení v zákaznickém servisu snižuje náklady na jeden dotaz.
Emergence označuje vlastnosti systému, které vznikají součinností mnoha jednoduchých částí, ale nejsou patrné u žádné jednotlivé části. Ve výzkumu AI se schopnosti označují jako emergentní, když velké jazykové modely nad určitou velikost řeší úlohy, jako je vícekroková aritmetika nebo překlad, výrazně lépe než menší modely. Zda jsou takové skoky skutečné, nebo částečně závisejí na způsobu měření, je mezi výzkumníky předmětem diskuse.
Etika AI se zabývá morálními otázkami kolem vývoje a využívání AI: férovostí a diskriminací, transparentností a vysvětlitelností, ochranou údajů, odpovědností za chyby, bezpečností a dopady na práci a společnost. Pro organizace se konkretizuje v zásadách, posouzeních rizik, lidském dohledu a otevřené komunikaci o omezeních AI. Příklad: před zavedením nástroje pro třídění životopisů se ověří, zda neznevýhodňuje určité skupiny.
Exfiltrace dat je neoprávněný přenos dat ze systému ven. U aplikací s AI k ní může dojít, když je chatbot nebo agent manipulován připravenými vstupy nebo obsahem – například na webové stránce, kterou čte – a vyzradí nebo přepošle důvěrné informace. Ochranou jsou minimální přístupová práva, kontrola vstupů, omezení odchozích spojení a monitorování odpovědí.
Expertní systém je počítačový program, který ukládá know-how lidských specialistů jako pravidla a fakta a vyvozuje z nich závěry. Obvykle se skládá ze znalostní báze a inferenčního mechanismu, který pravidla aplikuje. Expertní systémy formovaly AI v 70. a 80. letech, například v lékařské diagnostice nebo při konfiguraci technických zařízení. Jejich myšlenky žijí dál v kontrolách založených na pravidlech a ve znalostních grafech.
Extrakce příznaků je proces, při kterém se ze surových dat získávají smysluplné hodnoty, aby je model mohl zpracovat efektivně. Místo milionů jednotlivých pixelů může systém pracovat s hranami, barvami nebo tvary; texty se převádějí na váhy slov nebo vektory embeddingů. Dobré příznaky zmenšují objem dat, snižují výpočetní náročnost a často zlepšují přesnost. Extrakce příznaků je základní součástí návrhu příznaků (feature engineering).
Extrakce systémového promptu označuje pokusy přimět chatbota nebo AI agenta, aby prozradil své skryté systémové pokyny. Pokud se takový pokus podaří, výsledek se nazývá únik promptu: extrakce je útok, únik je jeho důsledek. Účinná ochrana začíná tím, že hesla, klíče a důvěrná pravidla do pokynů nepatří a počítá se s tím, že se mohou stát veřejnými; další jištění přidávají kontroly vstupů a pravidelné testování.
Extraktivní AI označuje metody, které z textů nebo dokumentů vytahují existující informace, místo aby psaly nový obsah. Výstup pochází doslovně nebo v pevné struktuře ze zdroje – například čísla faktur z PDF, klíčové věty pro shrnutí nebo relevantní úryvek jako odpověď na otázku. Protože se nic nevymýšlí, je riziko nepravdivých tvrzení nižší než u čistě generativních přístupů; obojí se často kombinuje.
F-skóre je metrika pro hodnocení klasifikačních modelů. Běžné F1 skóre je harmonický průměr přesnosti (kolik předpovězených zásahů je správných) a úplnosti (kolik skutečných zásahů bylo nalezeno) a pohybuje se od 0 do 1. Je užitečné zejména u nevyvážených dat: filtr spamu, který spam téměř nikdy neoznačí, může mít vysokou správnost, ale nízké F1 skóre.
Při fasetovém vyhledávání uživatelé postupně zužují výsledky pomocí filtrů vytvořených z atributů obsahu – například kategorie, ceny, značky, data nebo autora. Každá faseta obvykle ukazuje, kolik výsledků zůstává. Přístup je známý z internetových obchodů, ale používá se také v knihovnách, intranetech a archivech dokumentů, aby se velké sbírky staly přehlednými i bez přesných hledaných výrazů.
fastai je open-source knihovna v Pythonu pro hluboké učení postavená na PyTorch. Sdružuje osvědčená výchozí nastavení, takže lze modely pro obrázky, text nebo tabulková data trénovat pomocí několika řádků kódu, a přitom je možné je hluboce upravit na každé úrovni. Vznikla z výukové iniciativy fast.ai a doprovází její bezplatné kurzy, proto je oblíbená ve vzdělávání a při rychlém zkoušení modelů.
Federované učení je přístup k trénování, při němž se model AI učí napříč mnoha zařízeními nebo místy, aniž by surová data opustila jejich původní umístění. Každý účastník trénuje lokálně a na centrální server posílá jen aktualizace modelu, které server spojí. Chrání to soukromí a hodí se například pro nemocnice, které chtějí společně zlepšit diagnostický model, nebo pro klávesnice chytrých telefonů, které se učí návrhy slov.
Few-shot learning je schopnost modelu vyřešit úlohu jen z hrstky příkladů. U jazykových modelů se to obvykle děje přímo ve vstupu: ukážete dva nebo tři páry otázky a požadované odpovědi a model použije stejný formát a styl na nové případy – bez dalšího trénování. Příklad: tři správně zařazené zákaznické dotazy často stačí k tomu, aby se další dotazy třídily stejným způsobem.
Fleschův index čitelnosti odhaduje, jak snadno se text chápe, na základě průměrné délky věty a počtu slabik na slovo. Rudolf Flesch ho vyvinul pro angličtinu v roce 1948 a existují upravené vzorce pro další jazyky. Škála se pohybuje zhruba od 0 do 100 – čím vyšší skóre, tím snazší text. Měří pouze formu, nikoli to, zda obsah a terminologie odpovídají zamýšlenému publiku.
Frase je software pro rešerši a optimalizaci webového obsahu. Analyzuje, jaká témata, otázky a pojmy pokrývají stránky s dobrým umístěním pro daný vyhledávací dotaz, vytváří z toho obsahová zadání (content briefs) a hodnotí texty během jejich úprav. Frase nově nabízí také funkce pro sledování a zlepšování toho, zda je obsah citován v odpovědích systémů AI vyhledávání, jako jsou ChatGPT nebo Perplexity (stav k říjnu 2026).
Fréchet inception distance (FID) je metrika pro posuzování kvality obrázků vytvořených AI. Skutečné i vygenerované obrázky se pošlou předtrénovanou sítí pro rozpoznávání obrazu (Inception v3) a porovnají se statistická rozdělení jejich rysů. Čím nižší hodnota, tím blíže jsou vygenerované obrázky skutečným fotografiím z hlediska realističnosti a rozmanitosti. FID byla představena v roce 2017 a je standardem pro porovnávání generátorů obrázků.
Fuzzy matching nachází záznamy, které jsou podobné, ale ne zcela shodné – například kvůli překlepům, zkratkám nebo odlišnému pravopisu. Opírá se o míry podobnosti, jako je Levenshteinova vzdálenost, která počítá, kolik znaků je třeba změnit. Typické využití je hledání duplicit v adresních a zákaznických datech: „Novák s.r.o., Hlavní 5“ a „Novák, spol. s r.o., Hlavní ul. 5“ jsou rozpoznány jako pravděpodobně stejný záznam.
„Garbage in, garbage out“ (doslova: smetí dovnitř, smetí ven) označuje zásadu, že systém může podávat jen tak dobré výsledky, jako jsou data, která dostane. U AI to platí dvojnásob: chybná, zastaralá nebo jednostranná trénovací či znalostní data vedou k nesprávným nebo zkresleným odpovědím. Chatbot, který čerpá ze zastaralého ceníku, bude uvádět zastaralé ceny. Péče o data je proto trvalým úkolem každého projektu s AI.
Generalizační chyba měří, jak moc se model AI mýlí na nových, dosud neviděných datech – na rozdíl od chyby na trénovacích datech. Velký rozdíl mezi nimi ukazuje na přeučení: model se naučil příklady zpaměti místo obecných vzorců. Odhaduje se pomocí odložených testovacích dat nebo křížové validace. Je to ukazatel, na kterém skutečně záleží, protože v praxi se model téměř výhradně setkává s novými případy.
GPT (generative pre-trained transformer) označuje řadu velkých jazykových modelů vyvinutých společností OpenAI na architektuře transformer. Modely se nejprve předtrénují na obrovském množství textu, aby předpovídaly další token, a poté se dále trénují pro dialog a plnění pokynů. První model GPT vyšel v roce 2018; pozdější generace stojí za ChatGPT. V běžné řeči se „GPT“ často používá pro jazykové modely obecně.
Generativní AI označuje systémy AI, které vytvářejí nový obsah – text, obrázky, zvuk, video nebo programový kód – místo aby jen třídily či hodnotily existující data. Vycházejí z modelů, které se z velkého množství dat učí vzorce a používají je k tvorbě věrohodných nových výstupů. V podnikání se využívá například k přípravě návrhů e-mailů, shrnutí, popisů produktů nebo nápadů na obrázky. Výsledky mohou obsahovat chyby a před použitím by se měly zkontrolovat.
Generativní kompetiční síť (GAN, generative adversarial network) se skládá ze dvou neuronových sítí, které se trénují proti sobě: generátor vytváří umělá data, například obrázky, a diskriminátor se je snaží odlišit od skutečných. Díky tomuto souboji jsou výsledky stále realističtější. GAN byly představeny v roce 2014 a formovaly generování obrázků, než se více rozšířily difuzní modely; používají se například pro syntetická trénovací data nebo vylepšování obrazu.
Generátor prodejních scénářů je AI nástroj, který připravuje návody pro obchodní rozhovory – například studené volání, schůzky nebo následné kontakty. Z údajů o nabídce a cílové skupině vytvoří úvod, zjišťovací otázky, argumenty o přínosech, odpovědi na typické námitky a návrh dalšího kroku. Dobrý návod nabízí spíše orientaci než strnulý scénář: naslouchání a upřímné poradenství zůstávají důležitější než hotové fráze.
AI generátor webů automaticky vytvoří web, včetně struktury stránek, rozvržení, textů a návrhů obrázků, z několika vstupů, jako je odvětví, nabídka a preferovaný styl. Malé firmy nebo projekty tak získají rychlou online prezenci bez programátorských dovedností. Výsledky jsou výchozím bodem: obsah, zákonem požadované informace, přístupnost a optimalizaci pro vyhledávače je pak třeba zkontrolovat a upravit.
Generování přirozeného jazyka (NLG) je oblast zpracování jazyka, která z dat, hesel nebo jiných vstupů vytváří srozumitelný text. Dřívější systémy NLG se opíraly o šablony a pravidla; dnes většina využívá velké jazykové modely. Typické použití zahrnuje zprávy o počasí a burze, popisy produktů, shrnutí klíčových čísel a odpovědi chatbotů. Důležité je, aby se čísla a fakta ze vstupů přenesla správně a beze změny.
Generování rozšířené o mezipaměť (Cache-augmented generation, CAG) je přístup, při kterém jazykový model nevyhledává znalosti u každé otázky. Místo toho se do jeho kontextového okna předem načte přehledná znalostní báze a tento stav se uloží do mezipaměti, takže odpovědi nevyžadují samostatný krok vyhledávání. Pojem zpopularizoval výzkumný článek z konce roku 2024 jako alternativu ke generování rozšířenému o vyhledávání (RAG). CAG se hodí pro malé a stabilní znalostní báze; u velkých nebo často se měnících dat zůstává RAG obvykle praktičtější.
Generování textu je automatická tvorba textu pomocí AI, dnes obvykle velkými jazykovými modely, které slovo po slově počítají nejpravděpodobnější pokračování. Je odvětvím generování přirozeného jazyka a základní aplikací generativní AI. Organizace jej využívají k tvorbě návrhů e-mailů, zpráv nebo popisů produktů; fakta a čísla je třeba před zveřejněním zkontrolovat.
Gensim je open-source knihovna v Pythonu pro analýzu velkých sbírek textů. Je známá tematickými modely, jako je LDA, trénováním slovních vektorů (například Word2Vec, FastText a Doc2Vec) a porovnáváním dokumentů podle podobnosti. Protože Gensim zpracovává data po částech, zvládne i korpusy, které se nevejdou do paměti. Typické využití: automatické seskupení tisíců zákaznických komentářů podle opakujících se témat.
Strategie go-to-market (GTM) stanovuje, jak se produkt nebo služba úspěšně uvede na trh: která cílová skupina má jaký problém, jak se nabídka umístí a ocení, jakými kanály se prodává a jaké metriky měří úspěch. Plán GTM propojuje marketing, prodej a produkt. Příklad: poskytovatel softwaru začne jedním odvětvím, jedním partnerským kanálem a cílem na 90 dní.
Google Colab (Colaboratory) je cloudová služba Googlu pro spouštění kódu v Pythonu v noteboocích ve stylu Jupyteru přímo v prohlížeči, bez lokální instalace. Bezplatná verze nabízí také GPU a TPU, podle dostupnosti a s časovými limity běhu; placené tarify nabízejí více výpočetního výkonu. Colab je oblíbený ve výuce, při analýze dat a zkoušení modelů a zabudovaný asistent Gemini pomáhá psát a opravovat kód (stav k říjnu 2026).
Gradient boosting je technika strojového učení, která za sebou kombinuje mnoho jednoduchých modelů – obvykle malých rozhodovacích stromů. Každý nový strom se trénuje specificky tak, aby snižoval zbývající chyby předchozích. Výsledkem jsou vysoce přesné modely pro tabulková data, například pro úvěrové riziko, prognózy prodeje nebo pravděpodobnost odchodu zákazníka. Známými implementacemi jsou XGBoost, LightGBM a CatBoost; aby se předešlo přeučení, je třeba pečlivé ladění.
Gradientní sestup je optimalizační metoda, kterou se trénuje většina modelů AI. Změří se, jak velká je chyba modelu, vypočítá se, kterým směrem se musí změnit parametry, aby se snížila, a pak se tímto směrem udělá malý krok – znovu a znovu. Je to jako turista v mlze, který stále jde z kopce, aby došel do údolí. Velikost kroku (learning rate) určuje rychlost a stabilitu.
Granty a financování výzkumu AI podporují výzkumné projekty, skupiny začínajících vědců nebo spolupráce v oblasti umělé inteligence. V Německu například Německá výzkumná nadace (DFG) financuje v rámci své iniciativy pro AI skupiny Emmy Noether zaměřené na metody AI, zatímco Spolkové ministerstvo pro výzkum, technologie a vesmír (BMFTR) poskytuje podporu prostřednictvím tematických dotačních programů. Na úrovni EU vyhlašují výzvy Horizont Evropa a Evropská rada pro výzkum (ERC). Lhůty a podmínky se neustále mění (stav k říjnu 2026).
Grok je asistent AI založený na velkých jazykových modelech, vyvinutý společností xAI. Je integrován do platformy X a je dostupný také přes vlastní web, mobilní aplikace a API. Charakteristická je jeho možnost přistupovat k aktuálním příspěvkům na X a k vyhledávání na webu. Od února 2026 je xAI součástí SpaceX a nyní působí pod názvem SpaceXAI; verze modelů se pravidelně aktualizují (stav k říjnu 2026).
Halucinace je výstup modelu AI, který zní přesvědčivě, ale je nesprávný nebo zcela vymyšlený – například neexistující soudní rozhodnutí, nesprávné číslo nebo vymyšlený zdroj. Příčina: jazykové modely vytvářejí pravděpodobné formulace; fakta si automaticky nevyhledávají. Riziko klesá, když odpovědi vycházejí z ověřených zdrojů, dokládají se důkazy a důležité výsledky kontrolují lidé.
Heteronymum je slovo, které se píše stejně jako jiné, ale vyslovuje se jinak a má jiný význam – například v angličtině ‚lead‘ (vést) a ‚lead‘ (olovo) nebo ‚wind‘ (vítr) a ‚wind‘ (otáčet). Heteronyma jsou podmnožinou homografů. Pro systémy převodu textu na řeč jsou výzvou, protože správnou výslovnost lze odvodit jen z kontextu, často s pomocí slovnědruhové analýzy.
Heuristiky jsou praktická pravidla nebo zjednodušené strategie, které v rozumném čase vedou k dobrému, i když ne zaručeně optimálnímu řešení. V informatice a AI pomáhají zúžit obrovské prostory hledání – například při plánování trasy, kde jako odhad slouží vzdušná vzdálenost k cíli, nebo v šachu, kde se hodnotí pozice. Heuristiky používají lidé i v každodenním a podnikatelském rozhodování, s rizikem systematických chyb v myšlení.
Hluboké učení (deep learning) je odvětví strojového učení, které používá umělé neuronové sítě s mnoha vrstvami. Takové sítě se z velkého množství dat samy učí, na kterých rysech záleží – od hran v obrazech po významové vztahy v textech. Hluboké učení stojí za dnešními jazykovými modely, rozpoznáváním obrazu a řeči i strojovým překladem a obvykle vyžaduje značný výpočetní výkon a množství trénovacích dat.
V generování rozšířeném o vyhledávání (RAG) znamená hodnocení dokumentů kontrolu nalezených úryvků, zda odpovídají otázce a mohou podpořit odpověď. Do jazykového modelu se předají jen úryvky označené jako relevantní; nevhodné výsledky se zahodí nebo spustí nové vyhledávání. Snižuje to riziko vymyšlených nebo chybně podložených odpovědí, například když se na dotaz o aktuálních cenách objeví zastaralý dokument.
Horovod je open-source framework pro distribuované trénování modelů hlubokého učení na mnoha GPU nebo počítačích. Původně ho vyvinula společnost Uber, podporuje TensorFlow, Keras, PyTorch a MXNet a synchronizuje gradienty vypočtené zúčastněnými stroji pomocí ring-allreduce, bez centrálního parametrického serveru. Projekt hostí LF AI & Data Foundation; poslední stabilní vydání 0.28.1 pochází z roku 2023 (stav k říjnu 2026).
Hranice znalostí je okamžik, do něhož sahají trénovací data jazykového modelu. Model nemá z podstaty žádné znalosti o událostech, cenách, zákonech nebo produktech, které vznikly později, a pokud mu nejsou dodána aktuální data, může uvádět zastaralé informace. Řešením jsou metody, které za běhu přinášejí vlastní dokumenty nebo aktuální obsah z webu.
Hugging Face Transformers je open-source knihovna v Pythonu, která prostřednictvím jednoho jednotného rozhraní zpřístupňuje předtrénované modely pro text, obraz a zvuk. Vývojáři ji používají ke stahování modelů z Hugging Face Hub, jejich zkoušení, přizpůsobení vlastním datům nebo lokálnímu provozu. Od verze 5 se knihovna zaměřuje především na PyTorch (stav k říjnu 2026). Příklad: tým vyzkouší model pro analýzu sentimentu jen pomocí několika řádků kódu.
Ideogram je služba AI, která generuje obrázky z textových popisů; vyvíjí ji stejnojmenná společnost založená v roce 2022. Nejvíce je známá vykreslováním čitelného textu v obrázcích, což je užitečné pro plakáty, pozvánky nebo grafiku pro sociální sítě. Je dostupná jako webová aplikace a přes API; verze modelů a licenční podmínky se pravidelně mění (stav k říjnu 2026). Před komerčním použitím by se měla ověřit práva k užití.
LIX (läsbarhetsindex) je míra čitelnosti vyvinutá ve Švédsku Carlem-Hugem Björnssonem. Sčítá průměrnou délku věty ve slovech s procentem dlouhých slov s více než šesti písmeny. Příklad: 15 slov na větu a 30 % dlouhých slov dává LIX 45. Protože nevyžaduje počítání slabik, lze jej použít u mnoha jazyků, včetně němčiny; nízké hodnoty označují snadné texty a hodnoty od zhruba 60 velmi obtížné.
Insight engine je forma podnikového vyhledávání, která spojuje informace z mnoha zdrojů, například dokumentů, e-mailů, databází a aplikací, a analyzuje je technikami AI. Místo pouhých seznamů nalezených položek dodává připravené odpovědi, souvislosti nebo doporučení, často v kontextu aktuálního úkolu. Pojem rozšířili hlavně oboroví analytici. Příklad: před schůzkou s klientem vidí obchodní tým všechny relevantní smlouvy, tikety a poznámky na jednom místě.
Ladění na pokyny (instruction tuning) je forma jemného doladění, při níž se předtrénovaný jazykový model dále trénuje na mnoha dvojicích pokynů a požadovaných odpovědí. Model se tak naučí plnit úlohy formulované přirozeným jazykem, místo aby jen pokračoval v textu. Je to klíčový krok při přeměně základního modelu na asistenta a často se kombinuje s metodami, jako je RLHF. Příklad: pokyn „Shrň tento text do tří vět“ se spolehlivě provede.
Inteligentní agent je systém, který vnímá své prostředí, zpracovává informace a samostatně volí akce, aby dosáhl cíle. Dnes tento pojem obvykle označuje software postavený na velkých jazykových modelech, který plní pokyny, čerpá ze znalostí a volá nástroje, například vyhledávání nebo API. O tom, kolik smí agent dělat samostatně, je třeba rozhodnout záměrně. Příklad: agent odpovídá na dotazy zákazníků na základě produktové dokumentace.
Inteligentní zpracování dokumentů (IDP, intelligent document processing) automaticky čte dokumenty, jako jsou faktury, smlouvy nebo formuláře, rozpozná jejich typ a převede relevantní údaje na strukturovaná data. Kombinuje rozpoznávání textu ve skenech, zpracování přirozeného jazyka a validační pravidla. Organizace tak ušetří ruční zadávání dat a zrychlí procesy, jako je zpracování došlých faktur nebo pošty. Nejisté položky by měli zkontrolovat lidé.
Interpretovatelnost modelu popisuje, nakolik lidé dokážou pochopit, jak AI model dospívá ke svým výsledkům. Jednoduché modely, například rozhodovací stromy, jsou ze své podstaty snadno čitelné; u složitých neuronových sítí mohou pomoci techniky, které odhalují vliv jednotlivých příznaků. Interpretovatelnost je důležitá pro ladění, důvěru i regulatorní požadavky, například když je třeba odůvodnit zamítnutí úvěru.
Inženýr systémů AI navrhuje a provozuje aplikace AI jako celý systém: propojuje modely se zdroji dat, rozhraními a stávajícím softwarem, zajišťuje bezpečnost, monitoring a kontrolu nákladů a převádí prototypy do stabilního provozu. Na rozdíl od čistého vývoje modelů je těžiště v integraci. Jedním z příkladů je propojení agenta podpory se systémem ticketů včetně protokolování a přístupových práv.
Jailbreaking označuje pokusy obejít bezpečnostní pravidla modelu AI důmyslně formulovanými vstupy, aby vytvořil obsah nebo provedl akce, které má odmítnout. Pro organizace je to riziko, protože chatbot by mohl například prozradit důvěrné pokyny nebo odpovědět nevhodně. Ochrannými opatřeními jsou jasné systémové pokyny, kontrola vstupů a výstupů, omezená oprávnění, protokolování a pravidelné bezpečnostní testy (red teaming).
Jasper je platforma AI pro marketingové týmy společnosti Jasper AI, americké firmy založené v roce 2021. Pomáhá vytvářet texty, například příspěvky na blog, reklamy nebo příspěvky na sociální sítě, a dokáže zohlednit uložené zásady značky a tón komunikace. Poskytovatel se nyní profiluje na specializovaných agentech a automatizovaných obsahových postupech (stav k říjnu 2026). Jako u každého generátoru textu je třeba před zveřejněním ověřit fakta a tvrzení.
Jemné doladění (fine-tuning) znamená další trénování již předtrénovaného modelu AI na dodatečných, obvykle úlohově specifických datech. Upravují se jeho vnitřní váhy, aby model spolehlivěji zvládal například určitý styl psaní, odbornou slovní zásobu nebo výstupní formát. Fine-tuning vyžaduje pečlivě připravená vzorová data, výpočetní výkon a testování. Pro mnoho aplikací stačí dobře napsané pokyny a připojené znalosti, které se snáze mění.
Jupyter Notebook je open-source aplikace běžící v prohlížeči od projektu Project Jupyter, která v jednom dokumentu spojuje spustitelný kód, výsledky, grafy a vysvětlující text. Notebooky se široce používají v analýze dat, strojovém učení, výzkumu a výuce, protože každý krok lze dokumentovat a sdílet srozumitelným způsobem. Nejběžnějším jazykem je Python. Příklad: analytik načte data o prodeji, vyčistí je a výsledky zobrazí jako graf přímo pod nimi.
K nejbližších sousedů (k-NN) je jednoduchá metoda učení s učitelem. Aby zařadila nový datový bod, vyhledá k nejpodobnějších známých příkladů a převezme jejich nejčastější třídu nebo, u číselných hodnot, jejich průměr. Nepotřebuje skutečnou fázi trénování, ale u velkých datových souborů je pomalá a citlivá na způsob škálování rysů. Příklad: doporučování produktů na základě podobných zákazníků.
Kaggle je online platforma pro datovou vědu a strojové učení, kterou od roku 2017 vlastní Google. Nabízí veřejné datové sady, soutěže založené na reálných problémech, notebooky v prohlížeči s výpočetními prostředky a výukové kurzy. Pro organizace i studující je užitečná k vyzkoušení metod, porovnání přístupů nebo vyhledávání talentů. Před použitím by se měla ověřit licence a původ každé datové sady.
Kauzální inference zahrnuje metody, které z dat odvozují vztahy příčiny a následku, místo aby jen zjišťovaly korelace. Odpovídá na otázky jako „Co by se stalo, kdybychom toto opatření neprovedli?“. K nástrojům patří randomizované experimenty, například A/B testy, kauzální grafy a statistické techniky pro observační data. Příklad: ověření, zda slevová kampaň skutečně zvýšila prodej, nebo zda by tržby stoupaly i tak ze sezónních důvodů.
Keras je open-source knihovna v Pythonu pro tvorbu a trénování neuronových sítí, původně vyvinutá Françoisem Cholletem. Nabízí přístupné rozhraní vysoké úrovně pro skládání modelů z vrstev. Od verze 3 může Keras jako výpočetní backend běžet na JAX, TensorFlow nebo PyTorch. Příklad: tým vytvoří prototyp modelu pro klasifikaci obrázků jen v několika řádcích kódu.
Klasifikace textu automaticky přiřazuje texty k předem definovaným kategoriím, například e-maily podle typu požadavku, recenze podle sentimentu nebo dokumenty podle tématu. Dříve to vyžadovalo trénovat vlastní modely na označených příkladech; dnes velké jazykové modely často dokážou přiřadit kategorie jen na základě popisu. Díky tomu lze poptávky předtřídit a rychleji je směrovat správnému týmu.
Klasifikátor je model nebo metoda, která přiřazuje vstupy do jedné z několika předem definovaných kategorií. Klasické varianty, například rozhodovací stromy nebo naivní Bayes, se trénují na označených příkladech; jazykové modely mohou texty třídit také na základě popisu kategorií. Typickým využitím je rozpoznávání spamu, třídění zákaznických dotazů podle témat a kategorizace účtenek. Kvalita se měří metrikami, jako jsou správnost, přesnost a úplnost.
Tajný kód, který umožňuje jiným programům volat KI.ordo.
KNIME je software pro datovou analytiku, v němž se pracovní postupy skládají vizuálně z bloků („uzlů“), místo aby se programovaly. Open-source platforma KNIME Analytics Platform pokrývá import dat, čištění, analýzu, strojové učení a reporting, zatímco komerční nabídky výrobce přidávají spolupráci a provoz v organizacích. Typickým příkladem je postup, který sloučí měsíční data o prodeji z několika souborů Excelu, vyčistí je a vytvoří prognózu.
Kognitivní mapa je původně pojem z psychologie, který popisuje mentální představu, kterou si lidé nebo zvířata vytvářejí o svém okolí. V managementu a AI označuje také grafické modely, které znázorňují pojmy jako uzly a jejich vztahy příčiny a následku jako vážené šipky, například „fuzzy kognitivní mapy“. Takové mapy pomáhají strukturovat odborné znalosti a zkoumat scénáře, například jak změny cen ovlivňují poptávku a stavy zásob.
Cognitive computing je zastřešující pojem pro systémy, které mají napodobovat lidské myšlenkové procesy, jako je porozumění jazyku, usuzování a učení ze zkušeností, aby podporovaly rozhodování lidí. Pojem se široce rozšířil v 10. letech 21. století, především díky IBM Watson. Kombinuje metody, jako je zpracování přirozeného jazyka, strojové učení a reprezentace znalostí; dnes se místo toho častěji mluví o asistentech AI nebo jazykových modelech.
Kolaborativní roboti, neboli kobotové, jsou průmyslové roboty navržené tak, aby pracovaly přímo po boku lidí bez oddělujícího bezpečnostního oplocení. Senzory, omezené síly a rychlosti a bezpečnostní funkce zajišťují, že se při kontaktu zastaví nebo odsunou; požadavky stanovují normy, například řada ISO 10218. Kobotové zvládají úlohy, jako je obsluha strojů, šroubování nebo balení, zatímco zaměstnanci se starají o kontrolu a zvláštní případy.
Kolaps modelu je ztráta kvality, k níž může dojít, když se generativní modely opakovaně trénují na datech, která sama vytvořila AI. Postupně mizí vzácný obsah a okrajové případy a výstupy jsou jednotvárnější a náchylnější k chybám. Problém nabývá na významu, protože podíl textů a obrázků vytvořených AI na internetu roste. Pomáhají pečlivě vybraná data vytvořená lidmi.
Příkop (moat) je trvalá konkurenční výhoda, která chrání firmu před napodobiteli, například síťové efekty, náklady na přechod ke konkurenci, silná značka, exkluzivní data nebo hluboká integrace do procesů zákazníků. Otázka je obzvlášť důležitá u nabídek založených na AI, protože mnoho produktů staví na stejných dostupných modelech. Výhody pak spíše vycházejí z odborných znalostí oboru, blízkosti k zákazníkům, dobrých procesů a důvěry než ze samotné technologie.
Constitutional AI je metoda trénování jazykových modelů, kterou v roce 2022 zveřejnil Anthropic; s ústavním právem nemá nic společného. Vychází z napsané sady zásad, „ústavy“: model kriticky posuzuje a přepracovává své vlastní odpovědi podle těchto zásad, poté AI porovnává dvojice odpovědí a tato zpětná vazba slouží jako odměnový signál pro zpětnovazební učení (RLAIF). Snižuje to potřebu lidského označování škodlivého obsahu; v lednu 2026 Anthropic zveřejnil revidovanou ústavu pro Claude.
Při kontrole právních dokumentů s podporou AI jazykový model analyzuje smlouvy, obchodní podmínky nebo právní podání: shrne klíčové body, jako je doba trvání, výpověď a odpovědnost, upozorní na neobvyklá ustanovení a poukáže na chybějící úpravy. To úvodní kontrolu výrazně urychlí, ale nenahrazuje právní poradenství; posouzení a odpovědnost zůstávají na kvalifikovaných lidech.
Ve strojovém učení konvergence znamená, že se trénovací postup blíží ke stabilnímu stavu: ztráta (loss) už téměř neklesá a parametry modelu se mění jen minimálně. To, zda a jak rychle model konverguje, závisí na faktorech, jako jsou míra učení, kvalita dat a architektura modelu. Je-li míra učení příliš vysoká, ztráta poskakuje; je-li příliš nízká, trénování trvá zbytečně dlouho. Konvergence nezaručuje dobrý model, protože může být stále přeučený.
Konverzační AI zahrnuje technologie, které počítačům umožňují vést dialogy v přirozeném jazyce, buď písemně přes chat, nebo mluvené přes hlasové asistenty. Moderní systémy obvykle vycházejí z velkých jazykových modelů, které chápou požadavky, zohledňují historii konverzace a formulují vhodné odpovědi. Organizace je využívají v zákaznickém servisu, při rezervaci termínů nebo na interních helpdescích. Zásadní jsou spolehlivé znalosti, jasné hranice a předání lidem, když AI nemůže pomoci.
Konvoluční neuronová síť (CNN) je architektura neuronové sítě, která se hodí zejména pro obrazová data. Prochází vstup malými filtry, přičemž v prvních vrstvách rozpoznává jednoduché rysy, jako jsou hrany, a v hlubších vrstvách složitější tvary. CNN po mnoho let určovaly vývoj rozpoznávání obrazu a používají se například k odhalování vad na produktových fotografiích nebo při analýze lékařských snímků.
Konzultant AI pomáhá organizacím využívat AI rozumně a odpovědně. Mezi typické úkoly patří posouzení potenciálu, výběr vhodných případů použití a nástrojů, jejich zasazení do stávajících procesů a odpovědností, otázky ochrany údajů a compliance a školení. Dobré poradenství střízlivě zvažuje přínosy a rizika a bere v úvahu lidi, kteří se systémy pracují. Příklad: středně velká firma si ujasní, které zákaznické dotazy lze spolehlivě automatizovat.
Korektura je kontrola textu z hlediska pravopisu, gramatiky a interpunkce, často spolu s jednotným používáním; jazyková redakce jde dál a řeší také styl, strukturu a obsah. AI dokáže rychle upozornit na chyby a navrhnout opravy, například v citátech, newsletterech nebo na webových stránkách. Doporučuje se přehledně uvést všechny změny a nechat člověka provést závěrečnou kontrolu odborných výrazů, vlastních jmen a smyslu.
Korpus je strukturovaná sbírka textů nebo jazykových dat sestavená pro analýzu, výzkum nebo trénování jazykových modelů. Může být obecný, například zpravodajské texty za mnoho let, nebo oborový, například všechny smlouvy a příručky firmy. Velikost, vyváženost, aktuálnost a práva k textům určují, jak užitečná jsou získaná zjištění.
Křížová entropie je míra z teorie informace, která udává, jak moc se predikované rozdělení pravděpodobnosti odchyluje od skutečného. Ve strojovém učení je to nejběžnější ztrátová funkce pro klasifikační úlohy i pro jazykové modely, které předpovídají další token. Obzvlášť silně penalizuje sebejisté chybné predikce: přiřadit 99 % špatné třídě znamená mnohem vyšší ztrátu než přiřadit 60 %.
Křížová validace je metoda ověření, jak dobře model generalizuje na nová, neviděná data. Při k-násobné křížové validaci se data rozdělí na k částí; model se k-krát trénuje na k−1 částech a pokaždé se testuje na zbývající části, poté se výsledky zprůměrují. Pomáhá to odhalit přeučení a spravedlivě porovnávat modely či nastavení, zejména když je k dispozici málo dat.
Kubeflow je open-source platforma pro provoz pracovních postupů strojového učení na Kubernetes, od přípravy dat přes trénování a hledání hyperparametrů až po poskytování modelů. Projekt původně inicioval Google a patří pod Cloud Native Computing Foundation, kde v srpnu 2026 dosáhl statusu „graduated“ (stav k říjnu 2026). Je určen hlavně týmům, které trénují vlastní modely ve velkém měřítku na vlastní nebo cloudové infrastruktuře.
Kvantové výpočty využívají efekty kvantové fyziky, jako je superpozice a provázanost, a počítají s qubity místo klasických bitů. U některých úloh se očekávají velké zrychlení, například při simulaci molekul, u některých optimalizačních problémů nebo při prolamování dnešních šifrovacích metod. Stroje jsou však stále náchylné k chybám a využívají se převážně ve výzkumu a pilotních projektech (stav k říjnu 2026). Pro dnešní AI aplikace kvantové výpočty zatím prakticky žádnou roli nehrají.
LangGraph je open-source framework z ekosystému LangChain pro modelování agentů AI a vícekrokových procesů jako grafu uzlů a hran. Sdílený stav se předává od kroku ke kroku a jsou zabudovány smyčky, větvení, ukládání kontrolních bodů a přerušení pro lidské schválení. Verze 1.0 vyšla v říjnu 2025. Jedním z příkladů je agent, který prozkoumá téma, napíše návrh a před odesláním počká na schválení.
LangChain je open-source framework pro Python a JavaScript, který vývojáři používají k tvorbě aplikací založených na jazykových modelech. Poskytuje jednotná rozhraní k mnoha poskytovatelům modelů i stavební prvky pro volání nástrojů, agenty, zpracování dokumentů a generování rozšířené o vyhledávání (RAG). Od verze 1.0 (říjen 2025) jsou agenti LangChainu postaveni na LangGraphu. Typickým využitím jsou chatboti, kteří prohledávají interní dokumenty, a agenti, kteří volají externí služby.
LazyGraphRAG je přístup ke generování rozšířenému o vyhledávání založenému na grafech, který v roce 2024 představil Microsoft Research. Na rozdíl od GraphRAG nenechává jazykový model vytvářet shrnutí při indexování; místo toho identifikuje pojmy a jejich společný výskyt klasickými metodami zpracování přirozeného jazyka a jazykový model se použije až v okamžiku dotazu. Podle Microsoftu tím náklady na indexování klesnou na úroveň základního vektorového RAG. Hodí se zejména pro otázky, které vyžadují přehled o velkých sbírkách dokumentů.
Lead routing je automatické přiřazování příchozích dotazů odpovědné osobě, oddělení nebo regionu. Kritériem může být téma, produkt, velikost firmy, jazyk nebo naléhavost. AI dokáže porozumět volnému textu dotazu a zařadit ho, například zda se týká nové nabídky, problému s podporou nebo žádosti o zaměstnání. Rychlé a přesné směrování zkracuje reakční doby a brání tomu, aby dotazy zůstaly bez odpovědi.
Lead scraper je nástroj, který automaticky sbírá kontaktní údaje potenciálních zákazníků z webů, adresářů nebo sociálních sítí. V Německu a EU je to právně citlivé: jména a e-mailové adresy kontaktních osob jsou osobní údaje, takže jejich zpracování vyžaduje právní základ a informování subjektů údajů podle GDPR a podle německého zákona proti nekalé soutěži (UWG, § 7) vyžadují reklamní e-maily obecně předchozí výslovný souhlas, a to i u firem. Lepší cestou jsou příchozí dotazy přes váš web, obsah a doporučení (nejde o právní poradenství).
Lexile Framework for Reading je systém vyvinutý americkou společností MetaMetrics, který měří čtenářské schopnosti člověka i obtížnost textu na stejné škále. Hodnoty se uvádějí s písmenem „L“, například 850L; text je vhodný, když je jeho hodnota blízká hodnotě čtenáře. Vychází především z délky vět a četnosti slov. Systém se široce používá ve školách a v nakladatelství, zejména v anglicky mluvících zemích.
LightGBM je open-source knihovna pro gradient boosting s rozhodovacími stromy, původně vyvinutá společností Microsoft. Je navržena pro rychlost a nízkou spotřebu paměti, mimo jiné díky trénování založenému na histogramech a stromům, které rostou po listech v nejslibnějším listu. LightGBM se hodí zejména pro velké tabulkové datové sady, například prognózy prodeje, predikci odchodu zákazníků nebo odhalování podvodů, a často se srovnává s XGBoost.
Měsíční strop pro využití AI v pracovním prostoru.
Lineární regrese je statistická metoda, která popisuje vztah mezi cílovou proměnnou a jedním či více prediktory pomocí přímky nebo roviny. Koeficienty se obvykle volí tak, aby se minimalizoval součet čtverců odchylek. Metoda je snadno pochopitelná a interpretovatelná: lze s ní například odhadnout, o kolik vzroste obrat, když se reklamní rozpočet zvýší o 1 000 €. U nelineárních vztahů narazí na své hranice.
LLaMA, dnes obvykle psáno „Llama“, je rodina velkých jazykových modelů společnosti Meta. Mnoho verzí vyšlo se stažitelnými váhami pod vlastní licencí Mety, což organizacím umožňuje provozovat je a upravovat na vlastní infrastruktuře. Nejnovější významnou generací je Llama 4 (2025); v roce 2026 Meta také představila řadu modelů Muse, z nichž jen část je zveřejněna otevřeně (stav k říjnu 2026).
llms.txt je textový soubor ve formátu Markdown umístěný v kořenovém adresáři webu, který jazykovým modelům poskytuje stručný přehled nejdůležitějšího obsahu s odkazy. Myšlenku v září 2024 předložil Jeremy Howard (Answer.AI). Jde o návrh, nikoli o oficiální standard; významní poskytovatelé AI se k jeho čtení nezavázali (stav k říjnu 2026). Doplňuje robots.txt a sitemapu, ale nenahrazuje je.
Log loss (logaritmická ztráta) měří, jak dobře predikované pravděpodobnosti klasifikačního modelu odpovídají skutečným výsledkům. Sebejisté, ale chybné predikce se penalizují obzvlášť silně; hodnota blízká nule značí dobře kalibrované předpovědi. Příklad: pokud model přiřadí 95% pravděpodobnost odchodu zákazníkovi, který zůstane, log loss prudce vzroste. Matematicky jde o totéž co binární křížová entropie.
Logistická regrese je statistická metoda, která předpovídá pravděpodobnost jednoho ze dvou výsledků, například „koupí“ nebo „nekoupí“. Váží vstupní rysy a jejich součet převede na hodnotu mezi 0 a 1 pomocí funkce ve tvaru S. Protože jsou váhy snadno interpretovatelné, široce se používá v úvěrovém scoringu, medicíně a marketingu, často jako solidní základní úroveň pro složitější modely.
Long Short-Term Memory (LSTM) je typ rekurentní neuronové sítě, která dokáže uchovávat informace napříč dlouhými posloupnostmi. Tzv. brány v každém kroku rozhodují, co uložit, zapomenout nebo vydat, čímž se zmírňuje problém mizejícího gradientu. LSTM po mnoho let formovaly rozpoznávání řeči, překlad a předpovídání časových řad. Ve zpracování jazyka je z velké části nahradily transformery, ale u dat ze senzorů zůstávají běžné.
Manipulace s kontextovým oknem označuje útoky, které záměrně ovlivňují text, jejž jazykový model zpracovává najednou, například skrytými pokyny v dokumentech, vymyšlenými dřívějšími částmi konverzace nebo velkým množstvím vycpávkového textu, které odsune původní pravidla do pozadí. Ochranou je jasné oddělení důvěryhodných pokynů od externího obsahu, limity délky, kontrola vstupů a přidělování agentům co nejmenšího počtu oprávnění.
Přehled klíčových procesů firmy a jejich vzájemných vazeb.
Marketing s podporou AI využívá techniky AI k lepšímu pochopení cílových skupin, tvorbě obsahu a řízení kampaní. Typickými aplikacemi jsou segmentace, personalizovaná sdělení, předpovědi pravděpodobnosti nákupu, analýza zpětné vazby zákazníků a optimalizace reklam. Opírá se o legálně shromážděná data a jasné cíle a výsledky by se měly ověřovat testy. Příklad: internetový obchod rozesílá newslettery s doporučeními produktů, která odpovídají dosavadnímu nákupnímu chování.
Tabulka, která pro každý úkol určuje, kdo jej provádí (R), kdo za něj odpovídá (A), kdo je konzultován (C) a kdo informován (I). Označuje se také jako RACI.
Matice záměn (confusion matrix) je tabulka, která porovnává predikce klasifikátoru se skutečnými třídami. Pro dvě třídy ukazuje pravdivě pozitivní, falešně pozitivní, pravdivě negativní a falešně negativní případy. Z ní lze vypočítat metriky, jako jsou přesnost, úplnost a F1 skóre, a je z ní zřejmé, jaké chyby nastávají. Příklad: filtr spamu, který označuje mnoho skutečných e-mailů jako spam, má mnoho falešně pozitivních případů, což je často dražší než zmeškaný spam.
Metaprompt je pokyn, kterým jazykový model požádáte, aby sám navrhl nebo vylepšil zadání či systémové pokyny. Popíšete cíl, cílovou skupinu a požadovaný tón a doplníte příklady; model pak vytvoří strukturované pokyny s rolí, pravidly a omezeními. Rychleji tak vzniknou dobré první verze, které lidé následně otestují a doladí. Příklad: z „zákaznického servisu pro cyklistický obchod“ se stane kompletní návrh pokynů.
Metody Monte Carlo jsou výpočetní techniky, které pomocí velmi velkého počtu náhodných vzorků aproximují výsledky, jež je obtížné spočítat analyticky. Systém se simuluje tisíckrát s náhodně obměňovanými předpoklady a analyzuje se rozdělení výsledků. Organizace je využívají například při analýze rizik, plánování projektů nebo oceňování portfolií. V AI se metody používají mimo jiné při posilovaném učení a ve stromovém prohledávání her.
Otázka, ke které agent ve svých znalostech nic nenašel. KI.ordo tyto otázky shromažďuje, abyste mohli mezery zaplnit.
Míra zavádění AI udává, jaký podíl firem, zaměstnanců nebo domácností AI využívá, a slouží jako měřítko rozšíření této technologie. Podle Spolkového statistického úřadu (Destatis) využívalo v roce 2024 AI 20 % německých firem s deseti a více zaměstnanci (2023: 12 %). Digitální asociace Bitkom zjistila v roce 2025 podíl 36 % u firem s 20 a více zaměstnanci. Kvůli odlišným definicím a vzorkům jsou studie srovnatelné jen částečně.
Mistral AI je AI společnost se sídlem v Paříži, kterou v roce 2023 založili Arthur Mensch, Guillaume Lample a Timothée Lacroix. Vyvíjí velké jazykové modely a nabízí jak modely s veřejně dostupnými váhami, některé pod licencí Apache 2.0, tak komerční modely prostřednictvím vlastní platformy. Pro evropské organizace se Mistral AI často zmiňuje v diskusích o datové suverenitě a provozu modelů na vlastní infrastruktuře.
MLflow je open-source platforma pro správu celého životního cyklu modelů strojového učení, kterou původně v roce 2018 představila společnost Databricks. Zaznamenává experimenty včetně jejich parametrů a metrik, spravuje verze modelů v registru a usnadňuje nasazení. Novější verze podporují také trasování a vyhodnocování aplikací postavených na jazykových modelech. Týmy tak mohou dohledat, který model vznikl s jakými daty a nastaveními.
Model Context Protocol (MCP) je otevřený standard, který umožňuje AI aplikacím jednotným způsobem přistupovat k externím nástrojům, zdrojům dat a službám. Server MCP poskytuje funkce a klient MCP, například AI asistent, je může volat. Protokol MCP představila společnost Anthropic v listopadu 2024; od prosince 2025 se vyvíjí pod záštitou Agentic AI Foundation při Linux Foundation (stav k říjnu 2026). Odpadá tak nutnost budovat každou integraci zvlášť.
Flux je rodina modelů AI, které generují a upravují obrázky z textových popisů. Vyvíjí ji společnost Black Forest Labs se sídlem ve Freiburgu im Breisgau v Německu. První generace vyšla v srpnu 2024 a FLUX.2 v listopadu 2025, spolu s variantami pro úpravu obrázků podle textových pokynů. Některé verze jsou dostupné s otevřenými váhami, zčásti jen pro nekomerční použití, jiné se nabízejí výhradně přes API (stav k říjnu 2026).
Modelování sekvencí zahrnuje metody, které zpracovávají a předpovídají data v pevném pořadí, kde záleží na pozici každého prvku. Typickými sekvencemi jsou text, mluvená řeč, časové řady, například prodeje nebo hodnoty senzorů, a úseky DNA. Použití sahá od překladu a generování textu po rozpoznávání řeči a předpovědi prodeje. K tomu se využívaly skryté Markovovy modely a rekurentní sítě; dnes v jazyce dominují modely typu transformer.
Apache MXNet byl open-source framework pro hluboké učení, který dokázal efektivně trénovat modely na více GPU a počítačích a nabízel rozhraní pro Python, C++, R, Scalu a další jazyky. Amazon Web Services jej několik let podporoval jako svůj preferovaný framework. Apache Software Foundation projekt v září 2023 ukončila a do února 2024 jej přesunula do Apache Attic; už se dále nevyvíjí. Existující modely se obvykle přesouvají do jiných frameworků.
„Mysleli jste“ (did you mean, DYM) je funkce vyhledávání, která navrhne opravený dotaz, když se zdá, že je zadání s překlepem nebo neobvyklé. Opírá se o míry podobnosti mezi slovy, jazykové modely a analýzu častých dotazů. Příklad: kdo do internetového obchodu napíše „kavovar espreso“, uvidí „Mysleli jste: kávovar espresso?“. Funkce snižuje počet prázdných stránek s výsledky, a tím zlepšuje zkušenost s vyhledáváním.
Naivní Bayes je skupina jednoduchých klasifikačních metod založených na Bayesově větě. Říká se jim „naivní“, protože předpokládají, že všechny příznaky jsou navzájem nezávislé, což v praxi platí jen zřídka, a přesto často dávají dobré výsledky. Metody jsou rychlé, potřebují málo trénovacích dat a jsou zvlášť vhodné pro text. Klasickým příkladem je spamový filtr, který třídí e-maily podle typických slov.
Náklady na velké jazykové modely se obvykle účtují za token, tedy textové jednotky velikosti zhruba od slabiky po slovo; vstupní a výstupní tokeny se oceňují zvlášť, přičemž výstup je obvykle dražší. Větší modely stojí za token více než malé, rychlé modely, například Claude Haiku, které pro jednoduché úlohy často stačí. Prompt caching snižuje náklady, když se opakovaně odesílá stejný dlouhý kontext. Pomáhají také stručné pokyny a pečlivě vybrané znalosti.
Feature engineering znamená výběr, transformaci a tvorbu atributů (rysů) ze surových dat, aby algoritmus učení mohl snáze rozpoznat vzorce. Extrakce rysů odvozuje kompaktní, smysluplné hodnoty ze složitých dat, jako jsou texty, obrázky nebo signály. Příklad: jednotlivé nákupní záznamy se převedou na rysy jako „dny od posledního nákupu“ nebo „průměrná hodnota objednávky“, což může znatelně zlepšit predikci odchodu zákazníků.
O nedostatek dat jde tehdy, když pro úlohu s AI chybí dostatek vhodných nebo označených dat k spolehlivému trénování či testování modelu. Týká se to například vzácných typů vad ve výrobě, okrajových jazyků nebo nových produktů bez historie prodeje. Řešením jsou transfer learning, syntetická data, augmentace dat nebo předtrénované jazykové modely, které dávají použitelné výsledky už z několika příkladů.
Negativní prompt určuje, co by AI model výslovně neměl vytvářet nebo dělat. U generování obrázků, například se Stable Diffusion, jde o samostatné vstupní pole pro nežádoucí prvky, jako je „rozmazané“ nebo „text v obrázku“. U jazykových modelů má podobu pravidel v pokynech, například „Nevymýšlej ceny“ nebo „Neposkytuj právní poradenství“. Taková omezení činí výsledky předvídatelnějšími, ale kontrolu nenahrazují.
Při nepřímé prompt injection nejsou manipulativní pokyny ve vstupu uživatele, ale ukryté v obsahu, který systém AI mimochodem zpracovává, například na webových stránkách, v e-mailech nebo dokumentech. Když agent takový obsah čte, může skryté příkazy považovat za skutečné úkoly a například vyzradit data. Ochranou je důsledné zacházení s externím obsahem jako s daty, omezená oprávnění, kontrola vstupů a vyžadování lidského schválení u kritických akcí.
Při neřízeném učení model dostane data bez předem daných správných odpovědí a sám hledá struktury. Typickými metodami jsou shlukování, které seskupuje podobné záznamy, a redukce dimenzionality, která mnoho příznaků zhušťuje na několik podstatných. Organizace je využívají k objevování zákaznických segmentů nebo odhalování neobvyklých transakcí; nalezené skupiny pak musí interpretovat odborníci z dané oblasti.
Nestrukturovaná data se neřídí pevným tabulkovým schématem: e-maily, smlouvy, příručky, webové stránky, prezentace, obrázky nebo zvukové nahrávky. Tvoří velkou část znalostí organizací, ale dlouho se obtížně analyzovala automaticky. Jazykové modely umějí takový obsah číst a prohledávat a převádět jej na strukturované informace, například vytáhnout z textu smlouvy lhůty a částky do tabulky.
Neuromorfní výpočty jsou přístup k hardwaru a softwaru, který se inspiruje strukturou mozku. Místo přesouvání dat mezi samostatnou pamětí a procesorem v taktech pracují umělé neurony a synapse paralelně a reagují pouze na události zvané impulzy (spikes). To slibuje velmi nízkou spotřebu energie, například u senzorů nebo robotů. Známé výzkumné čipy jsou Intel Loihi a IBM TrueNorth; široké komerční využití je zatím v raném stadiu.
NLTK (Natural Language Toolkit) je open-source knihovna pro Python určená ke zpracování přirozeného jazyka, vytvořená na University of Pennsylvania na začátku 21. století. Nabízí nástroje pro tokenizaci, stemming, určování slovních druhů a jednoduchou klasifikaci i přístup k mnoha textovým korpusům. NLTK se používá hlavně ve výuce a výzkumu; produkční aplikace se často opírají o knihovny, jako je spaCy, nebo o modely typu transformer.
No-code označuje nástroje, které lidem umožňují vytvářet aplikace, automatizace nebo weby prostřednictvím grafického rozhraní, bez psaní programového kódu. Odborné týmy tak mohou procesy realizovat a testovat samy, místo aby čekaly na vývoj v IT. Limity se objevují u velmi specializovaných požadavků, velkých objemů dat nebo hlubokých integrací. Příklad: obchodní tým pomocí přetahování sestaví postup, který třídí a shrnuje nové poptávky.
NumPy je základní open-source knihovna pro Python určená k numerickým výpočtům. Nabízí vícerozměrná pole a rychlé funkce pro lineární algebru, statistiku a náhodná čísla, přičemž jádro běží ve zkompilovaném kódu. Na NumPy je postavena řada nástrojů pro analýzu dat a strojové učení, například pandas, scikit-learn a mnoho knihoven pro vizualizaci. Kdo v Pythonu pracuje s daty, používá ji tedy téměř vždy, přímo či nepřímo.
Obohacení obsahu znamená doplnění existujícího textu o strukturu a dodatečné informace, například nadpisy, osnovu, shrnutí, klíčová slova nebo metadata. Modely AI to zvládnou rychle a jednotně, takže se obsah snáze najde, přečte a znovu použije. Klíčovým pravidlem je uspořádat to, co už existuje, a nevymýšlet nová fakta. Příklad: hrubé poznámky ze schůzky se stanou strukturovaným zápisem se shrnutím.
Obohacování B2B dat doplňuje ke stávajícím firemním záznamům – například v CRM – další informace, jako je obor, nabídka, sídlo, velikost firmy nebo web. Usnadňuje to segmentaci, lead scoring a cílené obchodní oslovení. Zdroji jsou veřejné weby, rejstříky a specializovaní poskytovatelé dat. Osobní údaje kontaktních osob spadají pod GDPR a měly by se zpracovávat střídmě a jen na základě právního titulu.
Obousměrná LSTM (BiLSTM) je rekurentní neuronová síť, která čte sekvenci dopředu i dozadu a oba pohledy kombinuje. Zohledňuje tak i kontext, který po každém slově následuje. Než převládly transformery, byla standardní volbou pro úlohy, jako je určování slovních druhů, rozpoznávání pojmenovaných entit a rozpoznávání řeči. U velmi dlouhých textů a velkých datových sad dnes obvykle dosahují lepších výsledků transformery.
Odhad hloubky z obrázků určuje, jak daleko jsou objekty nebo jednotlivé pixely od kamery. Lze to provést dvěma kamerami (stereo), hloubkovými senzory nebo pomocí neuronových sítí dokonce z jediné fotografie (monokulární odhad hloubky). Využívá se v robotice, asistenčních systémech řidiče, rozšířené realitě a 3D modelech místností.
Odhad pozy je technika počítačového vidění, která na obrázcích nebo videu určuje držení těla lidí nebo polohu a orientaci objektů. Model obvykle detekuje klíčové body, například ramena, lokty a kolena, a spojí je do kostry. Používá se například ve fitness aplikacích, které kontrolují cviky, při analýze ergonomie na pracovišti, ve sportovní analytice a v robotice.
Odhalování finančních podvodů zahrnuje metody, které odhalují podvodné jednání u plateb, platebních karet, pojištění nebo účetnictví. Modely AI se učí typické vzorce legitimních transakcí a označují odchylky – například neobvyklé částky, místa nebo časy – často v reálném čase. Zásadní je najít správnou rovnováhu mezi odhalenými podvody a planými poplachy. Podezřelé případy by měli lidé prověřit dříve, než se zablokují účty nebo odmítnou platby.
V informatice je ontologie formální model určité oblasti, který jednoznačně definuje pojmy, jejich vlastnosti a vztahy mezi nimi. Lidé i stroje tak mohou data jednotně interpretovat a vyvozovat z nich závěry. Ontologie tvoří základ mnoha znalostních grafů, sémantických vyhledávačů a projektů integrace dat. Příklad: ontologie produktů říká, že „elektrokolo“ je „jízdní kolo“ a má „baterii“.
Open Neural Network Exchange (ONNX) je otevřený souborový formát pro modely strojového učení, který v roce 2017 představily společnosti Microsoft a Facebook (dnes Meta) a který dnes spravuje LF AI & Data Foundation. Model natrénovaný například v PyTorch lze exportovat do ONNX a spouštět jej v jiných nástrojích nebo běhových prostředích, například ONNX Runtime. Usnadňuje to přechod mezi frameworky i nasazení na různém hardwaru.
OpenAI je AI společnost se sídlem v San Francisku, založená v roce 2015 jako nezisková organizace. Od restrukturalizace v říjnu 2025 ji tvoří nezisková OpenAI Foundation, která řídí ziskovou společnost OpenAI Group PBC (stav k říjnu 2026). OpenAI je nejznámější díky ChatGPT a jazykovým modelům GPT, ale také generátoru obrázků DALL·E a modelu pro rozpoznávání řeči Whisper. Její modely jsou nabízeny prostřednictvím aplikací a API.
OpenCV (Open Source Computer Vision Library) je open-source softwarová knihovna pro zpracování obrazu a počítačové vidění, jejíž vývoj začal kolem roku 2000 ve společnosti Intel. Nabízí tisíce funkcí, například pro filtrování obrázků, detekci hran a obličejů, sledování objektů ve videu nebo kalibraci kamer. OpenCV je napsána v C++, ale často se používá přes Python, například při kontrole kvality, v robotice a ve výzkumu.
Optické rozpoznávání znaků (OCR) převádí text obsažený v obrázcích, například ve skenech, fotografiích nebo faxech, na strojově čitelný text. Teprve pak lze v dokumentech vyhledávat, kopírovat je nebo je automaticky zpracovávat. Moderní OCR využívá neuronové sítě a dokáže rozpoznat také tabulky, rozvržení a místy i rukopis. Typické použití zahrnuje zpracování faktur, digitalizaci archivů a čtení formulářů; kvalita výrazně závisí na kvalitě obrazu.
Hyperparametry jsou nastavení určená před trénováním modelu, například míra učení (learning rate), počet vrstev nebo síla regularizace. Optimalizace hyperparametrů systematicky hledá kombinaci, která dosahuje nejlepších výsledků na validačních datech, například pomocí mřížkového prohledávání, náhodného prohledávání nebo bayesovské optimalizace. Dobře zvolené hodnoty zvyšují přesnost a snižují přeučení či podučení, ale hledání stojí výpočetní čas.
Optimalizace pro generativní vyhledávače (GEO) zahrnuje opatření, která pomáhají tomu, aby byl obsah viditelný v systémech vyhledávání s AI, například ChatGPT, Perplexity nebo AI přehledech ve vyhledávačích, a aby byl jimi citován jako zdroj. Pojem pochází z výzkumné práce z roku 2023. Klíčovými faktory jsou jasné, přímo citovatelné odpovědi, přehledná struktura, doložená fakta, aktuální informace a identifikovatelní autoři. GEO doplňuje klasickou optimalizaci pro vyhledávače (SEO), nenahrazuje ji.
Schéma struktury firmy: oddělení, role a kdo komu podléhá.
Orgány dohledu nad AI jsou veřejné orgány, které sledují dodržování pravidel pro AI. Na úrovni EU koordinuje provádění aktu o umělé inteligenci Úřad pro AI Evropské komise a dohlíží na modely AI pro všeobecné účely. V Německu činí prováděcí zákon KI-MIG (v platnosti od 29. července 2026) ústředním orgánem dozoru nad trhem Spolkovou síťovou agenturu (Bundesnetzagentur), zatímco odpovědnost si nadále zachovávají odvětvové regulátory, například BaFin. Podle Digital Omnibus se povinnosti pro vysoce rizikové systémy uplatní až od prosince 2027 nebo srpna 2028 (stav k říjnu 2026; nejde o právní poradenství).
Account-based marketing (ABM) zaměřuje marketing a obchod na vybranou skupinu firemních zákazníků místo na široké publikum. Orchestrace znamená koordinaci všech kontaktních bodů: který člen nákupního týmu dostane jaké sdělení, jakým kanálem a kdy. AI pomáhá tím, že shromažďuje informace o cílových firmách, připravuje návrhy sdělení pro jednotlivé role a plánuje sekvence napříč e-mailem, telefonem, akcemi a sociálními sítěmi.
K přeučení (overfitting) dochází, když si model zapamatuje trénovací data včetně náhodných zvláštností a šumu, místo aby zachytil obecně platné vzory. Pak působí na známých datech velmi přesně, ale na nových datech si vede špatně. Typickým znakem je velký rozdíl mezi chybou na trénovacích a testovacích datech. Pomáhá více nebo rozmanitější dat, jednodušší modely, regularizace, dropout a křížová validace.
OWASP Top 10 pro aplikace LLM je seznam nejdůležitějších bezpečnostních rizik u aplikací postavených na velkých jazykových modelech, který publikuje projekt OWASP GenAI Security Project. Aktuální vydání z roku 2026 vyšlo v srpnu 2026 (stav k říjnu 2026) a zahrnuje: prompt injection, únik citlivých informací, nadměrnou autonomii (excessive agency), dodavatelský řetězec, otravu dat a modelů, neomezenou spotřebu, dezinformace, odhalení skrytého kontextu, slabiny vektorů a embeddingů a nesprávné zpracování výstupů. Slouží jako kontrolní seznam pro vývoj a audity.
pandas je open-source knihovna pro Python určená k analýze a úpravě tabulkových dat, kterou od roku 2008 vyvíjí Wes McKinney. Jejím ústředním objektem je DataFrame, který připomíná tabulku s pojmenovanými sloupci. Lze s ní načítat data ze souborů CSV, z Excelu nebo z databází a čistit je, filtrovat, seskupovat a spojovat. pandas je postavena na NumPy a je standardním nástrojem při analýze dat, reportingu a přípravě trénovacích dat.
Parafrázování znamená vyjádřit slyšené vlastními slovy beze změny významu. V rozhovoru jde o techniku aktivního naslouchání: ověřujete, že jste porozuměli správně, a dáváte najevo pozornost, například: „Pokud vám dobře rozumím, nejdůležitější je pro vás doba dodání?“ V písemné podobě pomáhá parafrázování učinit obsah srozumitelnějším, kratším nebo lépe přizpůsobeným určité cílové skupině.
Parametricky efektivní dolaďování (PEFT) zahrnuje techniky, které velký předtrénovaný model přizpůsobí úkolu tím, že trénují jen malou část jeho parametrů nebo přidají několik dalších. Známé metody jsou LoRA, QLoRA, adaptéry a prefix tuning. Výrazně to snižuje nároky na výpočetní výkon a paměť a místo úplných kopií modelu lze pro více úkolů uložit malé doplňkové moduly. Příklad: jazykový model se přizpůsobí stylu interní technické dokumentace.
Partnerství v oblasti AI je spolupráce mezi organizacemi za účelem společného vývoje, zavádění nebo odpovědného utváření řešení AI, například mezi firmami a poskytovateli technologií, univerzitami nebo výzkumnými ústavy. Partneři sdílejí odborné znalosti, data, infrastrukturu nebo náklady. Zásadní jsou jasné dohody o využití dat, duševním vlastnictví, odpovědnosti a možnostech ukončení spolupráce. Pojem označuje také iniciativy, například Partnership on AI, neziskovou organizaci založenou v roce 2016.
PaLM je velký jazykový model společnosti Google, představený v roce 2022 s 540 miliardami parametrů a trénovaný na mnoha čipech TPU současně pomocí trénovacího systému Pathways od Googlu. V roce 2023 následoval PaLM 2, na kterém mimo jiné běžel chatbot Bard. Google už PaLM nahradil svými modely Gemini a API PaLM pro vývojáře bylo v srpnu 2024 vypnuto. Dnes je PaLM důležitý hlavně jako milník ve vývoji velkých jazykových modelů.
Penetrační test AI je objednané, řízené bezpečnostní posouzení, při němž specialisté záměrně hledají slabiny systému AI, například prompt injection, únik důvěrných dat nebo agenta s nadměrnými oprávněními. Na rozdíl od širšího red teamingu se zaměřuje na jasně vymezený rozsah s dokumentovanými zjištěními a nápravnými opatřeními. Vyplatí se provést před spuštěním chatbota a po zásadních změnách.
Perplexity AI je společnost se sídlem v San Francisku, založená v roce 2022, která provozuje vyhledávač založený na AI. Místo seznamu odkazů vrací napsanou odpověď, která shrnuje aktuální obsah webu a uvádí použité zdroje. Vedle bezplatné verze existují placené úrovně s možností výběru jazykových modelů a také AI prohlížeč Comet (stav k říjnu 2026). Pro firmy je Perplexity relevantní i proto, že mění způsob, jak se obsah na webu objevuje.
Personalizovaný marketing znamená přizpůsobit sdělení, nabídky a načasování jednotlivým zákazníkům nebo malým skupinám, místo aby se všichni oslovovali stejně. Vychází z informací, jako jsou dřívější nákupy, zájmy nebo důvod kontaktu. AI z toho dokáže vytvořit vhodný text, například e-mail, který se odkazuje na nedávno zakoupený produkt. Důležité je používat jen údaje, k nimž byl udělen souhlas, a vynechat citlivé podrobnosti.
Pipeline strojového učení je definovaná posloupnost kroků, která mění surová data na nasaditelný model: sběr a čištění dat, příprava rysů, trénování, vyhodnocení, nasazení a monitorování. Automatizace těchto kroků činí výsledky reprodukovatelnými a umožňuje zpracovat nová data s malým úsilím. Obchodník například může každý týden přetrénovat a otestovat model prognózy prodeje na nejnovějších číslech.
Spouští postup automaticky, například každou hodinu, denně, v pracovní dny nebo týdně.
Plocha pod křivkou (AUC) je metrika pro klasifikační modely, obvykle vztahovaná ke křivce ROC. Udává, jak dobře model odděluje pozitivní případy od negativních, nezávisle na konkrétním prahu. Hodnota 1 znamená dokonalé oddělení; 0,5 není lepší než hádání. Příklad: model odchodu zákazníků s AUC 0,85 zařadí náhodně vybraného odcházejícího zákazníka jako rizikovějšího než loajálního v 85 % případů.
Počítačové vidění je oblast AI, v níž počítače interpretují obrázky a video. Typickými úlohami jsou rozpoznávání a lokalizace objektů, čtení textu v obrázcích a měření součástí. Technologie se využívá například při kontrole kvality ve výrobě, v asistenčních systémech řidiče, v logistice a v lékařském zobrazování.
Pevné zadání pro agenta: role, tón, hranice. Často se označuje jako „prompt“.
Porozumění přirozenému jazyku je část zpracování jazyka, která zachycuje význam výpovědi: jaký záměr za ní stojí, jaké osoby, místa nebo data se zmiňují a jaký má tón? Spolu s generováním přirozeného jazyka (NLG) tvoří NLU jednu ze dvou stran NLP. Příkladem je systém zákaznické podpory, který větu „Můj balíček stále nedorazil“ rozpozná jako dotaz na dodání.
Posilované učení je odvětví strojového učení, v němž se agent učí metodou pokusu a omylu. Jedná v určitém prostředí, za dobré výsledky dostává odměny a za špatné tresty a tímto způsobem vytváří strategii, která maximalizuje jeho celkovou odměnu. Známými příklady jsou programy, které ovládly deskové hry, jako je go, řízení robotů a doladění jazykových modelů na základě lidského hodnocení.
RLHF je trénovací metoda, díky níž jsou jazykové modely užitečnější a bezpečnější. Lidé porovnávají a hodnotí několik odpovědí modelu; z těchto úsudků se trénuje model odměn, který pak prostřednictvím posilovaného učení dále trénuje samotný jazykový model. Učí se tak například odpovídat srozumitelněji nebo odmítat problematické požadavky. RLHF probíhá u poskytovatele modelu před jeho vydáním – ne u jednotlivých uživatelů.
Sled propojených kroků, který probíhá opakovaně, například „roztřídit dotaz a odpovědět na něj“.
Posun modelu je postupný pokles kvality předpovědí modelu za provozu, protože se realita oproti trénovacím datům mění. Rozlišuje se změna vstupních dat (data drift) a změna vztahu mezi vstupy a výsledky (concept drift). Příklad: model pro odhalování podvodů přehlédne nová podvodná schémata. Řešením je průběžné sledování metrik a pravidelné opakované trénování.
Prediktivní analytika využívá historická data, statistiku a strojové učení k odhadu pravděpodobných budoucích událostí. Odpovídá na otázky, jako: Kteří zákazníci chtějí odejít? Kolik zásob bude potřeba příští měsíc? Kdy se pravděpodobně porouchá stroj? Výsledkem jsou pravděpodobnosti, nikoli jistoty. Jejich hodnota výrazně závisí na kvalitě dat a na tom, zda se předpovědi skutečně promítnou do rozhodnutí a procesů.
Prediktivní modelování je technické jádro prediktivní analytiky: z ukázkových dat se známými výsledky se vytvoří model, který pro nové případy předpovídá hodnotu nebo třídu. Běžné metody zahrnují regresi, rozhodovací stromy, náhodné lesy a neuronové sítě. Model může například odhadnout cenu nemovitosti podle užitné plochy, lokality a roku výstavby. Před nasazením se testuje na zadržených datech, aby se odhalilo přeučení.
Procesy certifikace AI jsou postupy, při nichž nezávislý subjekt ověřuje, zda organizace nebo systém AI splňuje definované požadavky. Široce používaným příkladem je certifikace podle ISO/IEC 42001 (zveřejněna 2023), která popisuje systém řízení pro odpovědné využívání AI; požadavky na certifikační orgány stanoví ISO/IEC 42006 (2025). Takový certifikát je dobrovolný a nenahrazuje posouzení shody, které akt EU o umělé inteligenci vyžaduje u vysoce rizikových systémů (stav k říjnu 2026).
Prompt (zadání) je vstup, který AI modelu říká, co má dělat – otázka, úkol nebo pokyn, často doplněný kontextem, příklady a požadovaným formátem. Kvalita odpovědi výrazně závisí na tom, jak jasný a úplný prompt je. Například místo „Napiš něco o našem produktu“ použijte „Napiš tři krátké přínosy produktu X pro řemeslné firmy, věcným tónem“.
Průzkumová analýza dat (EDA) je první, otevřený pohled na datový soubor: počítáte souhrnné ukazatele, zkoumáte rozdělení a grafy a hledáte vzorce, odlehlé hodnoty a chybějící hodnoty – zatím bez pevné hypotézy. Pomáhá posoudit kvalitu dat a najít smysluplné otázky pro další analýzu nebo modelování. Příklad: před prognózou prodeje EDA odhalí, že jeden měsíc byl kvůli migraci systému zaznamenán neúplně.
Předpisy na ochranu osobních údajů jsou právní pravidla pro nakládání s osobními údaji. V EU je klíčovým rámcem obecné nařízení o ochraně osobních údajů (GDPR); vyžaduje mimo jiné právní základ pro každé zpracování, minimalizaci údajů, transparentnost vůči subjektům údajů a smlouvy o zpracování osobních údajů s poskytovateli služeb. Při použití AI musí organizace objasnit, jaká data končí ve vstupech, zdrojích znalostí a protokolech a kde se zpracovávají.
Nástroj pro přeformulování odstavců je AI nástroj, který přepíše existující pasáž, aniž by změnil její obsah. Častým cílem je jiný tón, kratší verze, srozumitelnější jazyk nebo méně opakování. To se hodí například tehdy, když má být interní odborný text pro zákazníky srozumitelnější. Obsah a fakta je přesto vhodné poté zkontrolovat, protože přeformulování může posunout nuance.
Nástroj pro přeformulování vět přepíše jednotlivé věty nebo krátké pasáže beze změny významu. Dokáže větu zjednodušit, učinit ji formálnější nebo přátelštější, zkrátit ji nebo se vyhnout opakování. Hodí se například pro odpovědi zákazníkům, texty o produktech nebo když věta zní neohrabaně. Rychlá kontrola je i tak důležitá, aby po přeformulování zůstaly odborné pojmy, čísla a tvrzení správné.
Přepis zvuku převádí mluvenou řeč z nahrávek na psaný text. Moderní systémy automatického rozpoznávání řeči doplňují i interpunkci, rozlišují mluvčí a někdy poskytují časové značky. Využívá se pro zápisy z porad, rozhovory, titulky a dokumentaci zákaznických hovorů. Kvalita silně závisí na kvalitě zvuku, přízvuku a odborné slovní zásobě; u rozhovorů s osobními údaji je třeba myslet na souhlas a ochranu osobních údajů.
Přeřazování dokumentů je druhý krok třídění ve vyhledávání a systémech RAG: rychlé úvodní vyhledávání vrátí množinu kandidátních výsledků, které pak přesnější, ale nákladnější metoda seřadí podle relevance. Často to provádí tzv. cross-encoder, který posuzuje otázku a úryvek společně. Díky tomu se nejrelevantnější úryvky dostanou na začátek dříve, než z nich jazykový model sestaví odpověď.
Přesnost popisuje, jak často model AI dává správné výsledky; stabilita popisuje, nakolik spolehlivě si tento výkon udrží – při mírně pozměněných vstupech, nových datech nebo v čase. Model může být při testování velmi přesný, a přesto nestabilní, pokud pouhé přeformulování otázky vede k jiné odpovědi. Pro reálné nasazení se obě vlastnosti ověřují pevnými testovacími případy, křížovou validací a průběžným monitorováním.
Přesnost top-k měří, jak často je správná odpověď mezi k nejpravděpodobnějšími návrhy modelu. U top-1 se počítá jen první předpověď; u top-5 stačí, aby správná třída byla mezi pěti nejlepšími, což je známá metrika z benchmarků rozpoznávání obrazu, jako je ImageNet. Je užitečná všude tam, kde uživatelé vidí několik návrhů, například u doporučení produktů nebo automatického doplňování.
PyTorch je open-source framework pro strojové a hluboké učení v programovacím jazyce Python. Původně jej vyvinula společnost Meta (tehdy Facebook) a od roku 2022 jej zaštiťuje PyTorch Foundation pod hlavičkou Linux Foundation. PyTorch je široce rozšířený ve výzkumu i průmyslu, protože vývojářům umožňuje flexibilně sestavovat modely, trénovat je na GPU a krok za krokem je testovat; je na něm postavena řada známých jazykových a obrazových modelů.
Q-learning je základní metoda posilovaného učení. Agent se metodou pokusu a omylu učí, jakou dlouhodobou hodnotu („Q-hodnotu“) má určitá akce v určité situaci, a postupně volí nejslibnější akce. K tomu nepotřebuje model svého prostředí. V kombinaci s neuronovými sítěmi (deep Q-learning) se tímto přístupem systém společnosti DeepMind naučil hrát mnoho videoher pro Atari pouze z pixelů na obrazovce.
Redukce dimenzionality snižuje počet rysů v datovém souboru, aniž by se ztratily podstatné informace. K známým metodám patří analýza hlavních komponent (PCA) a také t-SNE a UMAP, které se často používají pro vizualizaci. Urychluje výpočty, snižuje riziko přeučení a usnadňuje pochopení dat – například když se stovky atributů zákazníků zobrazí na dvourozměrném grafu, kde podobní zákazníci leží blízko sebe.
Regrese náhodným lesem předpovídá číselné hodnoty kombinací mnoha rozhodovacích stromů. Každý strom se trénuje na náhodném vzorku dat a náhodném výběru příznaků; výsledkem je průměr předpovědí všech stromů. Metoda je díky tomu robustnější a méně náchylná k přeučení než jediný strom. Používá se například pro předpovědi prodeje, odhady cen nebo poptávky po energii – často jako solidní výchozí bod pro tabulková data.
Regulační rámec AI tvoří zákony, normy a struktury dohledu, které upravují vývoj a využívání AI. V EU je ústředním právním předpisem akt o umělé inteligenci (nařízení (EU) 2024/1689), který zastává přístup založený na riziku: zákazy platí od února 2025, povinnosti pro modely AI pro všeobecné účely od srpna 2025 a povinnosti transparentnosti od srpna 2026. Po „Digital Omnibus“ (nařízení (EU) 2026/1744) se povinnosti pro vysoce rizikové systémy uplatní od 2. prosince 2027 nebo 2. srpna 2028 (stav k říjnu 2026; nejde o právní poradenství).
Regularizace zahrnuje techniky, které brání tomu, aby se model při trénování příliš těsně přizpůsobil trénovacím datům (přeučení). Příkladem je penalizace velkých vah (regularizace L1 nebo L2), náhodné vypínání neuronů (dropout) nebo zastavení trénování ve správný okamžik (early stopping). Cílem je jednodušší model, který na nových, dosud neviděných datech funguje spolehlivěji, i když na trénovacích datech dosahuje mírně horšího skóre.
Rekurentní neuronová síť zpracovává data postupně a předává vnitřní stav z každého kroku do dalšího – jakousi krátkodobou paměť. Hodí se proto pro sekvence, jako jsou text, řeč nebo časové řady, například k předpovědi dalšího slova nebo další hodnoty senzoru. Jednoduché RNN snadno zapomínají informace z dávné minulosti; varianty jako LSTM a GRU tento problém zmírňují. U jazykových modelů byly RNN do značné míry nahrazeny transformery.
Rekurzivní prompting označuje techniky, při nichž se výstup jazykového modelu vrací jako nový vstup – například aby se návrh zkontroloval a přepracoval, nebo aby se velký úkol krok za krokem rozložil na dílčí úkoly. Například se nejprve vytvoří návrh nabídky, model jej pak posoudí podle kontrolního seznamu a nakonec se vylepší. Často to zvyšuje kvalitu, ale stojí to další dobu zpracování a vyžaduje jasné kritérium ukončení.
Vzdálený MCP označuje server MCP, který neběží lokálně na vašem počítači, ale je dostupný přes internet pomocí HTTP. Model Context Protocol je otevřený standard, který AI aplikacím umožňuje využívat externí nástroje a data; pro vzdálené servery specifikace počítá s transportem „Streamable HTTP“ a s ověřováním, například přes OAuth nebo klíč API. Výhodou je, že centrálně provozovaná služba je dostupná mnoha uživatelům a AI programům bez lokální instalace.
Reporting compliance je pravidelná a dohledatelná dokumentace toho, zda organizace plní zákonné požadavky, normy a interní předpisy. Typická zpráva uvádí období a rozsah, stav každého požadavku, odchylky a opatření s odpovědnými osobami a termíny. Slouží vedení, dozorčím radám, auditorům nebo úřadům jako doklad, například v oblasti ochrany osobních údajů nebo informační bezpečnosti.
Retrieval pipeline je posloupnost kroků zpracování, jimiž systém hledá správné informace k dotazu. Typické kroky jsou: načtení a vyčištění dokumentů, rozdělení na úseky (chunks), vytvoření vyhledávacího indexu, případné přeformulování dotazu, vyhledání shod, jejich seřazení (reranking) a předání nejlepších jazykovému modelu. Je základem každé aplikace RAG a její kvalita do značné míry určuje, jak dobré budou výsledné odpovědi.
Retrieval-augmented generation kombinuje vyhledávání s generováním textu: před odpovědí systém prohledá sbírku znalostí – například příručky, směrnice nebo časté dotazy – a relevantní pasáže předá jazykovému modelu jako kontext. Odpověď je tak založena na aktuálním obsahu specifickém pro firmu, a nikoli jen na znalostech z trénování modelu. Snižuje to vymyšlená tvrzení, zdroje jsou dohledatelné a aktualizace nevyžadují opakované trénování.
Návratnost AI (Return on AI) popisuje ekonomický přínos nasazení AI vzhledem k jeho nákladům. Jednoduchý hrubý výpočet zní: ušetřené hodiny za měsíc × hodinová sazba minus náklady na licence, využití modelů, zavedení a podporu. Pokud tým vyřizující 200 požadavků potřebuje na jeden požadavek 4 minuty místo 10, ušetří 20 hodin měsíčně. Takové výpočty zůstávají odhady; je třeba zohlednit také kvalitu, míru chyb a dobu zaškolení.
Robustnost modelu popisuje, jak spolehlivě AI model funguje, když jsou vstupy zašuměné, neúplné, neobvyklé nebo záměrně zmanipulované. Robustní model stále poskytuje stabilní výsledky, například při rozpoznávání obrazu za špatného osvětlení nebo když jazykový model zvládne překlepy. Robustnost se posuzuje zátěžovými testy, rozmanitými trénovacími daty a testy proti záměrným pokusům o oklamání a je obzvlášť důležitá u aplikací kritických z hlediska bezpečnosti.
ROC křivka (receiver operating characteristic) ukazuje, jak dobře klasifikační model odděluje dvě třídy. Pro každou možnou rozhodovací hranici vynáší míru skutečně pozitivních případů (recall) proti míře falešně pozitivních. Čím blíže se křivka blíží k levému hornímu rohu, tím lépe; úhlopříčka odpovídá čistému hádání. Plocha pod ní (AUC) křivku shrnuje do jednoho čísla a pomáhá například při porovnávání různých modelů pro odhalování podvodů.
Ve výzkumu čitelnosti je ročníková úroveň (grade level) mírou školního ročníku, od něhož se text obecně chápe. Známým příkladem je Flesch–Kincaid Grade Level, který z délky vět a počtu slabik na slovo vypočítá americký školní ročník; skóre 8 zhruba odpovídá osmému ročníku. Taková skóre lze na jiné jazyky přenést jen částečně, proto se pro němčinu často používají upravené vzorce, například Amstadova verze Fleschova indexu nebo LIX.
Rozhodovací strom je model, který znázorňuje rozhodnutí jako posloupnost jednoduchých otázek ano/ne: každá větev testuje jeden rys a každý list udává výsledek. Ve strojovém učení se takové stromy učí automaticky z dat a používají se ke klasifikaci nebo predikci. Jejich hlavní předností je transparentnost – například ukazují, proč byla žádost o úvěr označena na základě příjmu, délky splácení a platební historie.
Rozpoznávání jazyka automaticky určuje, v jakém jazyce je text napsán, například v němčině, italštině nebo španělštině. Klasické metody analyzují charakteristické posloupnosti písmen, zatímco velké jazykové modely jazyk rozpoznají jako vedlejší produkt. Používá se ke směrování dotazů správnému týmu, ke spuštění vhodných překladů nebo k odpovědi v jazyce druhé strany. Obtížné jsou velmi krátké texty a směs více jazyků.
Rozpoznávání obrazu je oblast počítačového vidění, v níž software určuje, co obrázek zobrazuje – objekty, osoby, text, loga nebo scény. Obvykle je založeno na neuronových sítích natrénovaných na velkém množství označených obrázků. Využití sahá od kontroly kvality ve výrobě a třídění produktových fotografií po podporu lékařského zobrazování. U snímků osob vyžaduje zvláštní pozornost ochrana osobních údajů a možné zkreslení.
Rozpoznávání pojmenovaných entit (NER) je technika zpracování přirozeného jazyka, která v textu nachází jména osob, firem a míst i data nebo částky a každému přiřadí kategorii. Převádí volný text na strukturovaná data. Příklad: z e-mailu se automaticky vyextrahuje firma odesílatele, kontaktní osoba, datum dodání a částka faktury a přenesou se do CRM.
Rozpoznávání řeči, označované též ASR (automatic speech recognition), automaticky převádí mluvený jazyk na psaný text. Moderní systémy využívají neuronové sítě natrénované na velkém množství zvukových nahrávek a s přijatelnou úspěšností zvládají přízvuky i hluk na pozadí. Použití zahrnuje diktování, titulky, hlasové asistenty a přepisy schůzek a zákaznických hovorů. Odborné výrazy, vlastní jména a špatná kvalita zvuku zůstávají častými zdroji chyb.
Rozpoznávání textu ve scéně čte text, který se objevuje na fotografiích a videích reálného prostředí, například na dopravních značkách, obalech nebo registračních značkách. Na rozdíl od klasického OCR pro naskenované dokumenty se musí vypořádat se zkosenou perspektivou, proměnlivým světlem, neobvyklými písmy a změtí na pozadí. Typický postup má dvě fáze: nejprve se najdou oblasti s textem a poté se v nich rozpoznají znaky.
Rozpoznávání vzorů je automatické určování pravidelností, struktur nebo opakujících se rysů v datech, jako jsou obrázky, zvuky, texty nebo naměřené hodnoty. Systémy přiřazují nová pozorování ke známým kategoriím nebo objevují skupiny bez předem daných štítků. Mezi využití patří rozpoznávání obličejů, rozpoznávání rukopisu, kontrola kvality ve výrobě a odhalování neobvyklých transakcí. Tento obor je důležitým základem strojového učení.
Rozřešení koreference je úloha zpracování přirozeného jazyka, která určuje, které výrazy v textu odkazují na stejnou osobu, věc nebo záležitost. Ve větě „Pan Novák volal a chce, aby mu někdo zavolal zpět“ musí systém pochopit, že „mu“ znamená pana Nováka. To je důležité pro shrnutí, extrakci informací a chatboty, které musejí sledovat odkazy napříč několika větami nebo replikami konverzace.
Rozšíření dotazu automaticky přidává k vyhledávacímu dotazu související pojmy, aby se našly i relevantní dokumenty používající jiné formulace. Typickými doplňky jsou synonyma, zkratky, tvary slov nebo překlady: hledání „storno“ pak může najít i texty o „ukončení smlouvy“. Je to užitečné zejména u vyhledávání podle klíčových slov, ale přidá-li se příliš mnoho nebo nevhodné pojmy, může se snížit přesnost. Rozšířené dotazy dnes často generují jazykové modely.
Rozšiřitelnost je schopnost softwaru přijímat nové funkce, zdroje dat nebo propojení, aniž by se musel přestavovat jeho základ. Typickými prostředky jsou aplikační programovací rozhraní (API), webhooky, zásuvné moduly a otevřené standardy, například Model Context Protocol (MCP). Pro firmy znamená rozšiřitelné řešení s AI to, že funguje společně se stávajícími systémy, jako je CRM nebo internetový obchod, a může růst se změnou požadavků.
Rytr je AI asistent pro psaní dostupný od roku 2021, který vytváří krátké marketingové a běžné texty. Uživatelé zvolí případ užití – například e-mail, popis produktu, příspěvek na sociální sítě nebo osnovu blogového článku –, tón a jeden z více než 30 jazyků; editor pomáhá s přeformulováním, zkrácením nebo rozšířením. Vedle bezplatné verze s omezeným počtem znaků existují placené tarify (stav k říjnu 2026). Jako u všech takových nástrojů je třeba výsledky před zveřejněním zkontrolovat.
Řetězení modelů znamená propojení několika AI modelů nebo AI kroků za sebou tak, že výstup jednoho kroku se stává vstupem dalšího. Složité úkoly lze tak rozdělit na zvládnutelné dílčí úkoly, které lze jednotlivě kontrolovat a vylepšovat. Příklad: jeden krok shrne zákaznický dotaz, druhý jej přiřadí oddělení a třetí navrhne odpověď.
Při řízeném učení se model učí z příkladů, u nichž je správná odpověď již známa, například z e-mailů označených jako „spam“ nebo „není spam“. Z nich odvozuje pravidla pro klasifikaci nových, dosud neviděných případů nebo pro předpovídání hodnot. Typickými úlohami jsou klasifikace a regrese; většina práce spočívá ve vytvoření čistě označených dat.
Řízení projektů AI ve výzkumu a vývoji zahrnuje dvě věci: řízení projektů, v nichž se AI vytváří, a využívání AI k podpoře projektů výzkumu a vývoje. Typickými úkoly jsou shrnování literatury, strukturování plánů experimentů, sledování milníků a dokumentace výsledků. Odborná rozhodnutí a schválení by měla zůstat na lidech.
Scikit-learn je open-source knihovna pro Python určená ke klasickému strojovému učení. Nabízí jednotné nástroje pro klasifikaci, regresi, shlukování, redukci dimenzionality, předzpracování dat a hodnocení modelů, například křížovou validaci. Je postavena na NumPy a SciPy a díky jednoduchému, jednotnému rozhraní je široce rozšířená ve vzdělávání, výzkumu i praxi. Pro hluboké neuronové sítě se obvykle volí frameworky jako PyTorch nebo TensorFlow.
Seed je počáteční číslo generátoru náhodných čísel obrazového modelu. Difuzní modely začínají s náhodným obrazovým šumem, z něhož postupně vzniká obraz; seed určuje, jak tento počáteční šum vypadá. Se stejným seedem, promptem a nastavením lze obraz ve stejném modelu do značné míry zopakovat. Pomáhá to, když chcete v promptu změnit jen jeden detail nebo později znovu vytvořit úspěšnou variantu obrázku.
Segmentace instancí je technika počítačového vidění, která rozpozná každý jednotlivý objekt na obrázku a obkreslí ho po pixelech. Na rozdíl od sémantické segmentace rozlišuje i objekty stejné třídy: tři osoby dostanou tři samostatné masky místo jedné společné plochy. Používá se například při kontrole kvality, v lékařském zobrazování, robotice nebo při počítání výrobků v regálu.
Segmentace trhu pomocí AI využívá AI k rozdělení trhu nebo zákaznické základny do skupin s podobnými vlastnostmi, potřebami nebo chováním. Tradičně se to provádí metodami shlukování na zákaznických datech; jazykové modely mohou navíc odvozovat segmenty z popisů, průzkumů nebo dotazů a navrhovat sdělení a kanály. Výsledky jsou hypotézy, které je třeba ověřit na skutečných datech. Příklad: poskytovatel softwaru rozlišuje začátečníky citlivé na cenu od týmů orientovaných na růst.
Sémantická analýza zkoumá význam jazyka – nejen jaká slova se vyskytují, ale co se jimi myslí. Patří sem správná interpretace víceznačných slov v kontextu (například „zámek“ jako budova nebo uzávěr), rozpoznávání vztahů mezi pojmy a třídění tvrzení podle obsahu. Je základem aplikací, jako je analýza zpětné vazby zákazníků, odpovídání na otázky nebo vyhledávače, které mají rozumět i jinak formulovaným dotazům se stejným významem.
Sémantická segmentace přiřazuje třídu každému jednotlivému pixelu obrázku, například silnice, vozidlo, osoba nebo obloha. Výsledkem je jakási barevně kódovaná mapa obsahu obrázku. Na rozdíl od segmentace instancí se objekty stejného druhu nerozlišují: tři auta se posuzují společně jako „auto“. Používá se například v autonomním řízení, v lékařském zobrazování k vymezení tkání a při analýze leteckých a satelitních snímků.
SEO skóre je metrika, kterou analytické nástroje hodnotí, jak dobře je webová stránka optimalizována pro vyhledávače – obvykle na stupnici od 0 do 100. Mezi faktory mohou patřit titulky a popisy, struktura nadpisů, rychlost načítání, vhodnost pro mobilní zařízení, interní odkazy a strukturovaná data. Každý nástroj skóre počítá jinak; nejde o oficiální hodnocení Googlu. Skóre je proto užitečné jako kontrolní seznam pro zlepšení, nikoli jako záruka dobrého umístění.
K-means je metoda učení bez učitele, která rozděluje datové body do předem určeného počtu k skupin. Každý bod přiřadí k nejbližšímu středu skupiny a tyto středy posouvá, dokud se přiřazení téměř nemění. Metoda je rychlá a snadno pochopitelná, ale vyžaduje rozumnou volbu k a rysy ve srovnatelných měřítcích. Příklad: seskupení zákazníků podle četnosti nákupů a hodnoty košíku.
Technologická singularita je teoretická představa: bod, ve kterém se umělá inteligence zlepšuje tak rychle, že technologický pokrok už lidé nemohou předvídat ani řídit. Pojem zpopularizovali autor Vernor Vinge a futurista Ray Kurzweil. Zda a kdy k tomu může dojít, je vědecky otevřené a sporné. Přesto tato myšlenka ovlivňuje diskuse o bezpečnosti AI, regulaci a dlouhodobých rizicích.
Skóre BLEU (Bilingual Evaluation Understudy) je metrika vyvinutá v roce 2002 ve společnosti IBM pro automatické hodnocení strojových překladů. Měří, kolik slovních sekvencí z překladu se objevuje také v jednom nebo více referenčních lidských překladech, a udává hodnotu mezi 0 a 1 (často uváděnou jako 0–100). BLEU je rychlé a srovnatelné, ale špatně zachycuje význam i styl – dobré parafráze mohou dosáhnout nízkého skóre.
ROUGE (Recall-Oriented Understudy for Gisting Evaluation) je skupina metrik pro porovnávání automaticky generovaných textů – zejména shrnutí – s referenčními texty napsanými lidmi. Měří, kolik slov nebo posloupností slov se překrývá, například jednotlivá slova u ROUGE-1 nebo nejdelší společnou podposloupnost u ROUGE-L. Skóre se počítá rychle, ale spolehlivě nezachytí parafráze se stejným významem ani věcnou správnost.
Skrytý Markovův model (HMM, hidden Markov model) je statistický model pro posloupnosti, v němž jsou skutečné stavy skryté a lze je odvodit jen z pozorovatelných signálů. Popisuje pravděpodobnost, že po jednom stavu následuje jiný a že každý stav vytvoří určité pozorování. HMM byly dlouho standardem v rozpoznávání řeči a značkování slovních druhů; dnes se stále používají například v bioinformatice a analýze časových řad.
Slovní embeddingy reprezentují slova jako číselné vektory, takže slova s podobným významem leží ve vektorovém prostoru blízko sebe, například „auto“ a „vozidlo“. Metody jako Word2Vec nebo GloVe se tyto vektory učí z velkých objemů textu. Byly důležitým krokem ve zpracování jazyka, například pro vyhledávání nebo klasifikaci; dnešní jazykové modely používají kontextové embeddingy, v nichž je slovo reprezentováno různě podle věty.
Poskytovatel služeb zpracovává osobní údaje jménem firmy. K tomu je nutná smlouva podle čl. 28 GDPR.
spaCy je open-source knihovna pro Python určená ke zpracování přirozeného jazyka, kterou vyvíjí berlínská společnost Explosion. Rozdělí texty na slova a věty, určí slovní druhy a základní tvary, analyzuje stavbu vět a rozpoznává pojmenované entity, jako jsou osoby, firmy nebo místa. K dispozici jsou předtrénované modely pro mnoho jazyků včetně němčiny. spaCy je navržena pro rychlost a nasazení ve skutečných aplikacích, například pro předzpracování velkých objemů dokumentů.
Specialista na zajištění kvality AI kontroluje, zda aplikace AI fungují spolehlivě, správně a přiměřeně. Role zahrnuje testovací otázky a benchmarky, porovnávání různých modelů, analýzu hodnocení uživatelů a odhalování halucinací a zhoršování v čase. Například před přechodem na nový model se na 50 typických zákaznických dotazů odpoví oběma modely a odpovědi se porovnají podle pevných kritérií.
Data governance zahrnuje pravidla, role a procesy, kterými organizace určuje, kdo smí která data shromažďovat, používat, měnit a mazat. Týká se odpovědnosti za kvalitu dat, přístupových práv, lhůt pro uchovávání a dodržování požadavků na ochranu osobních údajů. Zvlášť důležitá je u projektů s AI, protože modely a agenti jsou jen tak spolehlivé, jako data, z nichž čerpají.
Stable Diffusion je skupina modelů pro generování obrázků, které vytvářejí obraz z textového popisu. První verze vyšla v roce 2022 a vyvinula ji společnost Stability AI pod vedením spolu s výzkumnými partnery. Technicky jde o latentní difuzní model, který postupně mění obrazový šum v obraz. Protože jsou váhy modelu zveřejněny, lze jej provozovat a přizpůsobovat lokálně; komerční využití novějších verzí se řídí vlastní licencí Stability AI (stav k říjnu 2026).
Start-up řízený AI je mladá firma, jejíž produkt nebo obchodní model zásadně stojí na umělé inteligenci, například specializovaní asistenti pro určité odvětví, analytické nástroje nebo automatizované služby. Takové start-upy často stavějí na existujících základních modelech a odlišují se odbornými znalostmi v oboru, daty, použitelností a integrací. Mezi výzvy patří závislost na poskytovatelích modelů, náklady na jeden požadavek a regulace. Příklad: start-up, který automaticky připravuje revizní zprávy pro řemeslné firmy.
Strojové učení je odvětví umělé inteligence, v němž počítače odvozují vzorce z dat, místo aby měly každé pravidlo explicitně naprogramované. Podle úlohy se modely učí z označených příkladů (s učitelem), z neoznačených dat (bez učitele) nebo prostřednictvím odměn (zpětnovazební učení). Aplikace sahají od filtrů spamu a předpovědí poptávky po doporučování produktů. Kvalita výrazně závisí na množství a kvalitě trénovacích dat.
Strukturovaná data se řídí pevným schématem s jasně pojmenovanými poli, například tabulky, databáze nebo objekty JSON s údaji, jako je jméno, cena a datum. Stroje je dokážou spolehlivě číst, filtrovat a zpracovávat – na rozdíl od volného textu nebo obrázků. Na webech značení schema.org popisuje například produkty, události nebo časté dotazy, aby vyhledávače a AI systémy obsahu jednoznačně rozuměly. AI také dokáže strukturovaná data získat z nestrukturovaného textu.
Střední absolutní chyba (MAE) ukazuje, o kolik se předpovědi modelu v průměru odchylují od skutečných hodnot, bez ohledu na směr. Vyjadřuje se v jednotce cílové proměnné, díky čemuž je snadno srozumitelná. Příklad: MAE 12 u předpovědi denních tržeb znamená, že se model v průměru mýlí o 12 jednotek. Odlehlým hodnotám přikládá menší váhu než míry založené na čtvercích chyb.
Střední průměrná přesnost (mean average precision, mAP) je metrika, která hodnotí, jak dobře systém nachází relevantní výsledky a řadí je na přední místa. Průměrná přesnost se počítá napříč seznamem výsledků pro každý dotaz nebo třídu objektů; mAP je průměr přes všechny. Je to standardní míra pro vyhledávače, doporučovací systémy a detekci objektů na obrázcích, kde závisí i na požadovaném překryvu ohraničujících rámečků.
Při automatické sumarizaci textu AI zhušťuje dlouhé texty na jejich klíčové body. Extraktivní metody doslovně přebírají důležité věty, abstraktivní metody obsah přeformulovávají; velké jazykové modely pracují převážně abstraktivně. Hodí se to pro zápisy, zprávy nebo dlouhá e-mailová vlákna; u důležitých rozhodnutí je třeba shrnutí ověřit podle originálu.
Syntetická data se vytvářejí uměle, nikoli sběrem v reálném světě, ale napodobují vzory a vlastnosti skutečných dat. Pomáhají, když jsou skutečná data vzácná, drahá nebo citlivá z hlediska ochrany osobních údajů – například při testování softwaru, trénování modelů nebo ověřování chatbota na realistických ukázkových dotazech. Důležité je, aby věrně odrážela realitu a neumožňovala vyvozovat závěry o skutečných lidech.
Systém automatizace s AI spojuje tradiční automatizaci procesů se schopnostmi AI, jako je porozumění textu, klasifikace nebo podpora rozhodování. Díky tomu lze automatizovat pracovní postupy i s nestrukturovanými vstupy, jako jsou e-maily, formuláře nebo dotazy. Typické uspořádání je řetězec spouštěče, kroků zpracování, podmínek a výstupu, s lidským schválením v kritických bodech. Příklad: příchozí dotazy se automaticky zařadí do kategorií, shrnou a přepošlou na správné oddělení.
TensorFlow je open-source framework pro strojové učení, který vyvinul Google a vydal v roce 2015. Používá se k tvorbě, trénování a nasazení neuronových sítí v aplikacích, na serverech nebo na mobilních zařízeních. Keras nabízí přístupné vysokoúrovňové rozhraní; typické využití zahrnuje klasifikaci obrázků, předpovědi a doporučovací systémy.
Text-to-speech převádí psaný text na mluvený jazyk, a je tak protějškem rozpoznávání řeči (speech-to-text). Moderní systémy využívají neuronové sítě k vytváření přirozeně znějících hlasů s odpovídající intonací. TTS se používá v telefonních hlášeních, navigačních přístrojích, funkcích předčítání pro přístupné weby a hlasových asistentech.
Jednotka, ve které jazykové modely počítají text. Token odpovídá zhruba části slova; podle něj se počítají náklady na AI.
Token je nejmenší jednotka textu, kterou jazykový model zpracovává, obvykle část slova, krátké slovo nebo interpunkční znaménko. Modely čtou vstupy a generují odpovědi token po tokenu a v tokenech se měří také velikost kontextového okna. Protože poskytovatelé účtují vstupní a výstupní tokeny, tokeny přímo určují náklady a limity: dlouhé pokyny a rozsáhlé podkladové znalosti zvyšují spotřebu.
Token smuggling je forma jailbreaku, při níž se nežádoucí pokyny maskují, například rozdělením na fragmenty, překódováním nebo zápisem podobně vypadajícími znaky, aby je jednoduché filtry klíčových slov přehlédly, zatímco jazykový model jejich význam přesto pochopí. Ochrana zahrnuje normalizaci vstupů před jejich posouzením, kontroly podle obsahu místo čistě podle slov, kontrolu výstupů a udělování AI agentům co nejmenšího počtu oprávnění.
Torch je open-source framework pro strojové učení založený na skriptovacím jazyce Lua; jeho verze Torch7 se ve 2010. letech hojně používala ve výzkumu i průmyslu. Považuje se za předchůdce PyTorch, který převzal myšlenky a části knihoven Torch v jazyce C, ale používá Python. Podle oficiálního repozitáře se Torch aktivně nevyvíjí a pro nové projekty má dnes malý význam.
Při transferovém učení slouží jako výchozí bod pro nový, specializovaný model model, který se již naučil rozsáhlý obecný úkol. Místo začínání od nuly se přizpůsobí, například dolaďováním, s použitím poměrně malého množství vlastních dat. Šetří to výpočetní čas i data, například když se obecný obrazový model má naučit odhalovat výrobní vady na fotografiích.
Transformer je architektura neuronové sítě představená v roce 2017 ve výzkumné práci „Attention Is All You Need“. Jejím jádrem je mechanismus pozornosti: každé slovo se váží ve vztahu ke všem ostatním slovům v textu a výpočet lze efektivně paralelizovat. Transformery tvoří základ dnešních jazykových modelů, jako jsou GPT, Claude a BERT, a používají se také pro obraz a zvuk.
Transparentnost AI znamená zveřejnit, kdy je AI zapojena, na jakých datech a zdrojích její výsledky stojí a jak se dospívá k rozhodnutím. Patří sem označování obsahu AI, dohledatelné odkazy na zdroje, protokoly a zdokumentované změny. Transparentnost buduje důvěru, usnadňuje hledání chyb a částečně ji vyžaduje zákon, například povinnosti transparentnosti podle aktu EU o umělé inteligenci, podle nichž by lidé měli poznat, že komunikují s AI.
Stav k říjnu 2026. Technicky se těžiště přesouvá od chatbotů k AI agentům, kteří zvládají vícekrokové úkoly a používají nástroje prostřednictvím standardů, jako je Model Context Protocol. Podle dat Crunchbase připadalo ve 3. čtvrtletí 2026 přibližně 64 % celosvětového rizikového financování na AI start-upy. V EU platí povinnosti pro modely AI pro obecné účely od srpna 2025; lhůty pro vysoce rizikové systémy byly odloženy na prosinec 2027 a srpen 2028.
Trénovací data jsou příklady, z nichž se AI model učí vzory: rozsáhlé sbírky textů pro jazykové modely, označené obrázky pro obrazové modely. Jejich kvalita, rozmanitost a aktuálnost do značné míry určují, jak spolehlivý a spravedlivý model je a jak aktuální budou jeho znalosti. Pro organizace je také důležité, zda poskytovatel používá k dalšímu trénování zákaznická data, která do systému zadají.
Turingův test sahá k matematikovi Alanu Turingovi, který jej v roce 1950 popsal jako „hru na imitaci“. Člověk vede písemné rozhovory s člověkem a se strojem; pokud nedokáže spolehlivě rozlišit, který z nich je stroj, test se považuje za splněný. Dnešní jazykové modely často vedou velmi lidsky znějící rozhovory, ale test vypovídá jen o přesvědčivém vyjadřování, nikoli o porozumění či spolehlivosti.
Tvorba obsahu s pomocí AI znamená vytváření textů, obrázků nebo jiného obsahu s pomocí generativní AI, například pro weby, newslettery, popisy produktů nebo sociální sítě. AI rychle dodá návrhy, varianty a překlady, zatímco odborné znalosti, hlas značky a ověřování faktů zůstávají lidskou úlohou. Pomáhá jasné zadání cílové skupiny, tónu a zdrojů. Příklad: body o nové nabídce se stanou konceptem blogového článku a třemi příspěvky na sociální sítě.
Ve strojovém učení je učební křivka graf, který ukazuje výkon nebo chybu modelu v průběhu trénování nebo podle množství trénovacích dat, obvykle zvlášť pro trénovací a validační data. Její tvar prozrazuje, zda je model podučený, nebo přeučený a zda pravděpodobně pomůže více dat. Pokud například validační chyba zůstává výrazně nad trénovací chybou, ukazuje to na přeučení. V běžné řeči pojem označuje také to, jak rychle lidé zvládnou novou technologii.
Umělá obecná inteligence (AGI, artificial general intelligence) označuje hypotetický systém AI, který zvládne široké spektrum intelektuálních úloh na lidské úrovni a pružně přenáší naučené do nových oblastí. Dnešní systémy podávají dobré výkony v mnoha úlohách, ale stále vykazují omezení, například ve spolehlivosti. Neexistuje obecně přijímaná definice ani způsob měření a to, zda a kdy AGI bude dosažena, je mezi odborníky sporné.
Umělá superinteligence (ASI, artificial superintelligence) je teoretický koncept AI, která výrazně překonává člověka téměř ve všech intelektuálních schopnostech, včetně výzkumu, plánování a sociálního úsudku. Žádný takový systém neexistuje. Pojem se používá hlavně ve filozofii a výzkumu bezpečnosti AI k diskusi o otázkách kontroly a sladění budoucích systémů s lidskými hodnotami.
Umělé neuronové sítě (ANN) jsou výpočetní modely složené z mnoha propojených jednotek („neuronů“) uspořádaných do vrstev, které zpracovávají vstupy prostřednictvím vážených spojení. Při trénování se váhy krok za krokem upravují na příkladech, obvykle zpětným šířením chyby (backpropagation). ANN jsou základem hlubokého učení a pohánějí rozpoznávání obrazu, rozpoznávání řeči a velké jazykové modely. Navzdory biologické inspiraci fungují mnohem jednodušeji než lidský mozek.
O nedostatečné přizpůsobení (underfitting) jde tehdy, když je model příliš jednoduchý na to, aby zachytil vztahy v datech. Dělá pak mnoho chyb jak na trénovacích datech, tak na nových datech, například když se k zobrazení výrazně zakřiveného vzoru použije přímka. Řešením je výkonnější model, informativnější příznaky, delší trénování nebo slabší regularizace; opačným problémem je přeučení.
Únik promptu označuje nezamýšlené odhalení interních pokynů AI systému, například když chatbot na šikovně formulovanou žádost prozradí svůj systémový prompt. Stává se problémem, pokud tyto pokyny obsahují obchodní logiku, interní informace nebo dokonce přístupové údaje. Seznam OWASP pro aplikace LLM toto riziko výslovně uvádí. Nejúčinnější ochranou je psát pokyny tak, jako by se mohly stát veřejnými, nikdy do nich neukládat tajné údaje a kontrolovat také výstupy.
Úplnost (recall; též citlivost nebo míra skutečně pozitivních) měří, jaký podíl skutečně pozitivních případů model odhalí: správně rozpoznané pozitivní případy dělené všemi skutečně pozitivními. Pokud filtr podvodů zachytí 80 ze 100 skutečných podvodů, je jeho úplnost 0,8. Vysoká úplnost je důležitá tam, kde jsou přehlédnuté případy nákladné, například při lékařské diagnostice. Protože ignoruje plané poplachy, posuzuje se obvykle společně s přesností (precision), například v podobě skóre F.
Upravený koeficient determinace (adjusted R²) měří, jak dobře regresní model vysvětluje variabilitu dat, a to s korekcí na počet použitých prediktorů. Prostý koeficient determinace roste s každou další proměnnou, i když nic nepřináší; upravená verze zbytečné proměnné penalizuje. To umožňuje spravedlivější srovnání modelů různé velikosti, například prognózy prodeje se třemi místo deseti faktory.
Určování slovních druhů automaticky přiřazuje každému slovu ve větě jeho gramatickou kategorii, například podstatné jméno, sloveso, přídavné jméno nebo předložka. Protože mnoho slov je víceznačných („žena“ jako podstatné jméno, „bez“ jako předložka nebo rostlina), metody zohledňují kontext věty. POS tagging je klasický předzpracovací krok pro syntaktickou analýzu, extrakci informací nebo kontrolu pravopisu a nabízejí jej knihovny jako spaCy a NLTK.
Úroveň čtenářských dovedností udává stupeň schopnosti číst, který text vyžaduje nebo který člověk dosáhl. Podle systému se vyjadřuje jako školní ročník, hodnota na škále, například Lexile, nebo úroveň v učebních osnovách a jazykových rámcích, například A2 nebo B1 ve Společném evropském referenčním rámci. V praxi pomáhá přizpůsobit texty cílovému publiku, například informace pro zákazníky v jednoduchém jazyce.
Validace dat ověřuje, zda jsou data úplná, ve správném formátu a věrohodná, než se zpracovávají dál. Typické kontroly se týkají povinných polí, formátu e-mailových adres, PSČ nebo dat a logických rozporů – například data dodání před datem objednávky. Chyby se tak zachytí včas, místo aby se přenesly do přehledů, faktur nebo analýz s AI.
Vektor vnoření (embedding) je seznam čísel, který vyjadřuje význam slova, věty nebo dokumentu tak, že texty s podobným obsahem leží blízko sebe. Díky tomu lze rozpoznat například to, že „výpověď“ a „ukončení smlouvy“ spolu souvisejí, přestože nemají společná slova. Embeddingy jsou základem mnoha systémů sémantického vyhledávání, doporučovacích služeb a aplikací RAG; počítají je speciálně natrénované modely.
Velký jazykový model (LLM) je neuronová síť natrénovaná na velmi velkém množství textu, díky čemuž dokáže jazyk chápat a generovat. Funguje tak, že krok za krokem počítá nejpravděpodobnější další token. LLM píší, shrnují, překládají, odpovídají na otázky a generují kód; mezi známé příklady patří Claude, GPT, Gemini a Llama. Bez přístupu k aktuálním zdrojům vědí jen to, co bylo v jejich trénovacích datech.
Vertikální AI agent je přizpůsoben konkrétnímu odvětví nebo odbornému úkolu, například zákaznické podpoře v e-commerce, objednávání termínů v lékařských ordinacích nebo obchodním poptávkám ve strojírenství. Na rozdíl od univerzálních asistentů zná terminologii, procesy a pravidla svého oboru, protože je vybaven vhodnými pokyny, znalostmi a nástroji. Ve své oblasti proto obvykle poskytuje přesnější a spolehlivější výsledky.
Vibe coding označuje způsob práce, při němž software vzniká převážně z popisů v přirozeném jazyce a kód vygenerovaný AI se přijímá do značné míry bez kontroly. Pojem v únoru 2025 vytvořil výzkumník AI Andrej Karpathy. Může být užitečný pro rychlé prototypy, ale v produkci hrozí nepozorované bezpečnostní chyby, obtížně udržovatelný kód a závislosti, kterým v týmu nikdo skutečně nerozumí, proto zůstávají revize kódu a testování nezbytné.
Vícekrokové usuzování je schopnost AI systému odpovědět na otázku pomocí několika po sobě jdoucích odvození, často kombinací informací z různých zdrojů. Příklad: „Které oddělení vede osoba odpovědná za projekt X?“ nejprve vyžaduje zjistit odpovědnou osobu a potom její oddělení. Takové otázky jsou pro vyhledávání a systémy RAG náročné, protože každý mezikrok musí být správně nalezen a propojen.
Vtělení AI agenti mají fyzické nebo simulované tělo, jehož prostřednictvím vnímají okolí pomocí senzorů a pohybem na ně působí. Příkladem jsou skladové a domácí roboty, humanoidní roboty a postavy v simulacích, v nichž se roboty trénují před nasazením v reálném světě. Výzvou je propojení vnímání, plánování a bezpečného jednání v nepředvídatelném světě.
Vyhledávání bez kliknutí (zero-click search) nastává, když uživatelé dostanou odpověď přímo na stránce s výsledky, například díky zvýrazněným odpovědním boxům nebo shrnutím generovaným AI, a už na žádný web neklikají. Pro firmy to snižuje návštěvnost, i když jejich obsah slouží jako zdroj. Důležitější proto je být viditelný jako citovaný zdroj: s jasnými odpověďmi, doloženými fakty a dobře strukturovanými stránkami.
Vyhledávání informací zahrnuje metody, které ve velkém množství textu najdou dokumenty nebo úryvky odpovídající dotazu a seřadí je podle relevance. Klasické přístupy, například BM25, váží hledané výrazy podle toho, jak často a jak vzácně se vyskytují; novější přidávají sémantickou podobnost. Je základem vyhledávačů, podnikového vyhledávání a generování rozšířeného o vyhledávání (RAG), v němž jazykový model používá nalezené úryvky jako podklad pro svou odpověď.
Vyhledávání s AI označuje způsoby vyhledávání, které využívají AI k pochopení záměru dotazu, vážení výsledků a často k vytvoření souhrnné odpovědi se zdroji, místo prostého seznamu odkazů. Technicky využívají vyhledávání podle klíčových slov, vektorové vyhledávání nad embeddingy nebo jejich kombinaci, často následované jazykovým modelem. Příkladem jsou odpovídací vyhledávače na webu a interní vyhledávání ve znalostech, které zaměstnancům pomáhá najít, co potřebují, v příručkách a směrnicích.
Vyhledávání v dokumentech pomocí NLP využívá techniky zpracování přirozeného jazyka k nalezení informací ve sbírkách dokumentů na volně formulovanou otázku. Takové systémy nehledají jen přesné shody slovních posloupností, ale zohledňují i tvary slov, váhu vzácných pojmů či podobnost významu. Kdo například napíše „Jak požádám o dovolenou?“, dostane příslušnou část příručky pro zaměstnance, i když v ní stojí „žádost o volno“.
Vysvětlitelnost (explainable AI, XAI) popisuje, nakolik lze pochopit, proč systém s AI dospěl ke konkrétnímu výsledku. Zahrnuje metody, které ukazují, jaké vstupy rozhodnutí ovlivnily nejvíce, i praktické pomůcky, jako jsou odkazy na zdroje a protokoly. Vysvětlitelnost je důležitá pro důvěru, hledání chyb i regulaci – například když banka musí zdůvodnit, proč žádost zamítla.
Prototyp AI je raná funkční verze aplikace s AI, která týmu umožňuje rychle a s malými náklady vyzkoušet nápad. Místo měsíců plánování ho vyzkoušíte na skutečných datech a uživatelích a zjistíte, zda AI řeší úlohu dostatečně spolehlivě, jaká data chybějí a jakou hodnotu přináší. Příklad: asistent, který předtřídí zákaznické dotazy, se dva týdny zkouší na části doručené pošty, než se rozhodne o širším nasazení.
Internetová adresa, která spustí postup, jakmile na ni jiný program odešle data.
Whisper je model pro automatické rozpoznávání řeči, který společnost OpenAI vydala v září 2022. Převádí mluvený jazyk v mnoha jazycích na text a nahrávky dokáže také překládat do angličtiny. Jeho kód a váhy modelu jsou dostupné pod open-source licencí MIT, takže Whisper může běžet i na vlastním hardwaru, což je výhoda, když zvuková data nemají opustit organizaci. Typické využití zahrnuje přepisy schůzek, rozhovorů a titulky.
Windowing (okénkování) znamená rozdělení dlouhých dat na úseky („okna“) pevné délky, které se často překrývají. V AI aplikacích se tím dlouhé dokumenty dělí na prohledávatelné části; překryv zajišťuje, že věta na hranici úseku neztratí svůj kontext. Posuvná okna se používají také u časových řad a zvukových signálů k analýze dat po částech.
Writer (writer.com) je americká společnost založená v roce 2020, která nabízí platformu pro generativní AI v podnikách. Vyvíjí vlastní rodinu jazykových modelů s názvem Palmyra a poskytuje nástroje, s nimiž firmy mohou vytvářet AI agenty, propojovat je s vlastními znalostmi a řídit je pravidly pro hlas značky a schvalování (stav k říjnu 2026). Používá se hlavně pro obsah a pracovní postupy v marketingu, prodeji a zákaznické komunikaci.
Writesonic je AI služba, která se nejprve proslavila jako nástroj pro tvorbu marketingových textů. Poskytovatel se dnes představuje jako platforma pro viditelnost v tradičním i AI vyhledávání: chce měřit, jak často je značka zmiňována v odpovědích AI asistentů, a zlepšovat obsah pro SEO a optimalizaci pro generativní vyhledávače (GEO) (stav k říjnu 2026). Jeho hlavní cílovou skupinou jsou marketingové týmy a agentury.
XGBoost (Extreme Gradient Boosting) je open-source knihovna, která zvlášť efektivně implementuje gradientní boosting s rozhodovacími stromy. Trénuje se po sobě mnoho malých stromů, z nichž každý opravuje chyby předchozích, zatímco regularizace pomáhá předcházet přeučení. XGBoost se považuje za osvědčenou volbu pro tabulková data, například při hodnocení úvěrového rizika, předpovídání odchodu zákazníků nebo předpovědích prodeje.
Zákaznický integrovaný obvod (ASIC, Application-Specific Integrated Circuit) je čip navržený pro jeden konkrétní úkol, a ne pro univerzální výpočty jako CPU. V oblasti AI jsou obvody ASIC přizpůsobeny výpočtům neuronových sítí – příkladem jsou Tensor Processing Units (TPU) od Googlu. Svůj úkol zvládají rychleji a energeticky úsporněji než univerzální čipy, jejich vývoj je ale nákladný a na nové úlohy se obtížně přizpůsobují.
Základní model (foundation model) je velký model AI předtrénovaný na velmi rozsáhlých, širokých datech, který lze poté použít pro mnoho různých úloh. Pojem vznikl v roce 2021 na Stanfordově univerzitě. Známými příklady jsou velké jazykové modely jako Claude nebo GPT, ale i obrazové modely. Firmy na takových modelech obvykle staví své aplikace, místo aby trénovaly vlastní od nuly; akt EU o umělé inteligenci hovoří o modelech AI pro všeobecné účely.
Závislostní syntaktická analýza (dependency parsing) je technika zpracování přirozeného jazyka, která znázorňuje gramatickou stavbu věty jako závislosti mezi slovy. Každé slovo je propojeno s řídicím slovem, například podmět a předmět se slovesem: ve větě „Zákazník objedná dvě lampy“ závisejí „zákazník“ a „lampy“ na slovesu „objedná“. Pomáhá to při extrakci informací, například při zjišťování, kdo co udělal.
Text, který KI.ordo rozdělí na pasáže a zpřístupní agentům k vyhledávání.
Zero-shot learning znamená, že model dokáže vyřešit úlohu, aniž by předtím viděl konkrétní příklady. Velké jazykové modely například zvládnou překlad nebo klasifikaci jen na základě popisu v promptu. Pokud kvalita nestačí, často pomůže few-shot learning: doplníte několik příkladů požadované odpovědi.
Znalostní inženýrství zahrnuje zachycení, uspořádání a přípravu odborných znalostí tak, aby je mohly využívat IT systémy. Původně se zaměřovalo na pravidla pro expertní systémy; dnes je často prioritou zdokumentovat roztříštěné znalosti z příruček, popisů procesů a hlav lidí tak, aby z nich AI agenti mohli spolehlivě odpovídat. Patří k tomu jasné struktury, aktuální zdroje, definované odpovědnosti a zaplnění zjištěných mezer.
Zodpovídání otázek (question answering, QA) je oblast zpracování přirozeného jazyka, v níž systém odpovídá na otázky položené běžným jazykem přímo, místo aby vracel seznam výsledků vyhledávání. Moderní systémy hledají relevantní úryvky ve znalostní bázi a sestavují z nich odpověď, v ideálním případě s odkazem na zdroj. Typické využití je zákaznický servis, interní znalostní báze a příručky – například dotaz v příručce pro zaměstnance: „Kolik dní dovolené mám v prvním roce?“
Zpětná vazba pro studující s pomocí AI označuje komentáře k esejím, zadáním nebo projektům, které vygeneruje systém AI podle definovaných kritérií. Studující dostanou rychleji upozornění na silné stránky, strukturu, argumentaci nebo jazyk a učitelé se zbaví opakující se opravné práce. Hodnocení by mělo být transparentní a založené na kritériích; známky a rozhodnutí o výkonu zůstávají v odpovědnosti učitelů. Příklad: koncept eseje dostane před odevzdáním návrhy na zlepšení.
Zpracování přirozeného jazyka je odvětví AI, které počítačům umožňuje analyzovat, chápat a vytvářet lidský jazyk v textu nebo řeči. Zahrnuje úlohy, jako je překlad, klasifikace, sumarizace, analýza sentimentu a odpovídání na otázky. Dříve dominovala pravidla a statistické metody; dnes obor utvářejí velké jazykové modely.
3D rekonstrukce zahrnuje metody, které z fotografií, videa nebo dat ze senzorů vypočítají trojrozměrný model objektu či prostoru. Typické postupy porovnávají více snímků pořízených z různých úhlů nebo vyhodnocují hloubková data z laserových a hloubkových senzorů. Využívá se v geodézii, péči o kulturní dědictví, medicíně, robotice a e-commerce – například když se ze skenu smartphonem vytvoří otočný 3D model produktu.
