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.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoGenerativní 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.
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).
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.
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.
