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