Viac ako 350 pojmov od A ako agent po Z ako zero-shot – zrozumiteľne vysvetlených, s poznámkami, kde pomáha KI.ordo.
Adaptívne učenie označuje vzdelávacie programy, ktoré sa priebežne prispôsobujú vedomostiam, tempu a chybám učiaceho sa. Softvér analyzuje odpovede a potom vyberá vhodné cvičenia, vysvetlenia alebo opakovanie. Využíva sa v školách, na univerzitách a vo firemnom vzdelávaní – napríklad keď platforma po nesprávne zodpovedanej úlohe automaticky ponúkne jednoduchší medzikrok. V strojovom učení tento pojem opisuje aj modely, ktoré sa neustále prispôsobujú novým údajom.
Adversariálne strojové učenie skúma, ako možno AI modely zmiasť zámerne zmanipulovanými vstupmi alebo trénovacími údajmi – a ako ich chrániť. Známymi príkladmi sú sotva viditeľné zmeny obrázka, ktoré zvrátia klasifikáciu, alebo otrávené trénovacie údaje. Téma je pre organizácie dôležitá, len čo AI podporuje rozhodnutia relevantné pre bezpečnosť. Protiopatrenia zahŕňajú robustné trénovanie, kontroly vstupov, monitorovanie a pravidelné bezpečnostné testy.
„Agentný“ označuje AI systémy, ktoré robia viac než len odpovedajú na jednu otázku: sledujú cieľ v niekoľkých krokoch, plánujú, používajú nástroje ako webové vyhľadávanie alebo API, kontrolujú medzivýsledky a rozhodujú o ďalšom postupe. Príkladom je asistent, ktorý zatriedi požiadavku, vyhľadá informácie a pripraví koncept odpovede. Nevyhnutné sú jasné hranice, zaznamenávanie a ľudské schválenie v kritických bodoch.
Pojem opisuje, ako môžu systémy AI ovplyvňovať ľudské práva, ako sú súkromie, rovnaké zaobchádzanie, sloboda prejavu alebo spravodlivé konanie, pozitívne aj negatívne. Riziká vznikajú napríklad z diskriminačných rozhodnutí, masového sledovania, biometrickej identifikácie alebo nedostatku prostriedkov na napadnutie rozhodnutí. Týmito otázkami sa zaoberajú medzinárodné rámce, ako je Rámcový dohovor Rady Európy o AI a akt EÚ o umelej inteligencii. Organizácie reagujú posudzovaním vplyvov, transparentnosťou a ľudským dohľadom.
AI model s pevnými pokynmi a prístupom k vybraným znalostiam, ktorý preberá konkrétnu úlohu.
AI firewall je ochranná vrstva medzi používateľmi, zdrojmi údajov a modelom AI. Kontroluje vstupy z hľadiska pokusov o manipuláciu, ako sú prompt injection alebo jailbreaky, a pred odovzdaním ďalej kontroluje výstupy, napríklad na dôverné údaje alebo nežiaduci obsah. Môže používať pravidlá, klasifikačné modely alebo druhý jazykový model. AI firewall znižuje riziko, ale neposkytuje úplnú ochranu a nenahrádza obmedzené oprávnenia ani testovanie.
AI red teaming je štruktúrované preverovanie AI systému z pohľadu potenciálnych útočníkov alebo zneužitia. Špecialisti kontrolovane testujú, či chatbot neprezradí dôverné pokyny, či ho nemožno priviesť k nežiaducemu správaniu, či neuvádza nepravdivé fakty alebo nesprístupní údaje. Zistenia sa premietajú do lepších pokynov, filtrov a oprávnení. Bezpečnostný audit chatbota je jeho ľahšia forma: posudzuje konfiguráciu a vzorové konverzácie podľa známych rizikových oblastí, ako je OWASP Top 10 pre aplikácie LLM.
AI SDR (sales development representative) je agent AI, ktorý preberá úlohy z rannej fázy predaja: odpovedá na prichádzajúce dopyty, kvalifikuje záujemcov, pripravuje scenáre hovorov a následné e-maily alebo prípravu stretnutí. Odľahčuje predajný tím, ale nenahrádza jeho úsudok a prácu so vzťahmi. Pri oslovovaní nových kontaktov v Nemecku a v EÚ sa musia dodržiavať pravidlá ochrany údajov a pravidlá proti nevyžiadanej reklame.
Blok postupu, ktorý priradí text k jednej z viacerých kategórií a podľa toho vetví.
AI v doprave zahŕňa aplikácie v logistike, premávke a mobilite: plánovanie trás a rozvozových okruhov, predpovede dopravy, prediktívnu údržbu vozidiel a infraštruktúry a asistenčné systémy vodiča až po autonómne vozidlá. Cieľom sú kratšie trasy, menej prázdnych jázd, nižšie náklady a vyššia bezpečnosť. Mnohé aplikácie sú kritické z hľadiska bezpečnosti, a preto sú prísne regulované. Príklad: balíková služba každý deň nanovo plánuje rozvozové okruhy podľa objemu zásielok a dopravnej situácie.
AI v kybernetickej bezpečnosti má dve stránky. Na jednej strane techniky AI pomáhajú rýchlejšie odhaľovať útoky, napríklad zachytením anomálií v sieťovej prevádzke, podozrivých prihlásení alebo phishingových e-mailov, a odľahčujú bezpečnostné tímy pri triedení upozornení. Na druhej strane je potrebné chrániť samotné systémy AI, napríklad pred prompt injection alebo únikom údajov. AI je tu účinná len v kombinácii s jasnými procesmi, aktuálnymi systémami a vyškolenými ľuďmi.
AI v maloobchode zahŕňa aplikácie pozdĺž celého maloobchodného reťazca: predpovede predaja a plánovanie zásob, personalizované odporúčania produktov, dynamické ceny, odhaľovanie podvodov v e-shopoch a zákaznícky servis cez chat. Obchodníci môžu znížiť nadmerné zásoby aj nedostatky a rýchlejšie odpovedať na dopyty. Vyžaduje to čisté údaje a starostlivé zaobchádzanie s informáciami o zákazníkoch. Príklad: chatový asistent odpovedá na otázky o dodacích lehotách a vrátení tovaru nepretržite.
AI v zábavnom priemysle označuje využitie AI vo filme, hudbe, hrách, streamovaní a médiách. Typické aplikácie zahŕňajú odporúčacie systémy, ktoré navrhujú obsah podľa vkusu, podporu pri strihu, vizuálnych efektoch a dabingu, generované herné svety alebo postavy a tvorbu hudby a obrázkov. Zároveň vyvoláva otázky o autorských právach, súhlase účinkujúcich a deepfakoch. Príklad: streamovacia platforma prispôsobí domovskú obrazovku každému profilu.
AI v zdravotníctve zahŕňa aplikácie, ktoré podporujú klinický personál a administratívu, napríklad pri analýze lekárskych snímok, dokumentácii, plánovaní termínov alebo vyhodnocovaní výskumných údajov. Takéto systémy poskytujú upozornenia a uľahčujú pracovné zaťaženie, no nenahrádzajú klinický úsudok a nesľubujú vyliečenie. Mnohé lekárske aplikácie AI podliehajú regulácii zdravotníckych pomôcok a prísnym pravidlám ochrany zdravotných údajov. Príklad: softvér zvýrazní nápadné miesta na röntgenových snímkach na posúdenie odborníkmi.
AI vo výrobe zahŕňa aplikácie vo výrobe a priemysle, ako je prediktívna údržba na základe údajov zo senzorov, automatizovaná kontrola kvality pomocou kamier, optimalizácia procesných parametrov a plánovanie výroby a roboty, ktoré pracujú popri ľuďoch. Cieľom je menej porúch, menej odpadu a stabilnejšia prevádzka. Vyžaduje to spoľahlivé údaje zo strojov a zapojenie odborníkov z výroby. Príklad: systém z vibračných vzorcov rozpozná, že ložisko môže čoskoro zlyhať.
Aktivačné funkcie určujú, ako silno neurón v umelej neurónovej sieti odovzdá svoj signál ďalej. Vnášajú nelinearitu – až vďaka nej dokáže sieť zachytiť zložité súvislosti, ako je jazyk alebo obraz. Bežnými príkladmi sú ReLU, ktorá záporné hodnoty nastaví na nulu, sigmoida pre pravdepodobnosti medzi 0 a 1 a GELU, používaná v mnohých modeloch typu transformer. Výber ovplyvňuje rýchlosť a stabilitu trénovania.
Algoritmická transparentnosť znamená, že možno pochopiť, ako automatizovaný systém dospeje k výsledku: aké údaje používa, akými pravidlami sa riadi a kde sú jeho hranice. To buduje dôveru, uľahčuje dohľadanie chýb a čoraz častejšie je to aj zákonnou požiadavkou, napríklad prostredníctvom informačných povinností podľa GDPR a aktu o umelej inteligencii (AI Act). V praxi pomáha dokumentácia, uvádzanie zdrojov, záznamy a jasné upozornenia pre dotknuté osoby.
AllenNLP je open-source knižnica v jazyku Python pre výskum spracovania prirodzeného jazyka, ktorú vyvinul Allen Institute for AI na základe PyTorch. Poskytovala hotové komponenty a modely pre úlohy, ako je klasifikácia textu, riešenie koreferencie a odpovedanie na otázky. Od konca roka 2022 sa AllenNLP už aktívne nevyvíja a je v režime údržby; jej správcovia odkazujú na alternatívy ako AI2 Tango, flair alebo Hugging Face Transformers (stav k októbru 2026).
Amazon Kindle Direct Publishing (KDP) je platforma spoločnosti Amazon, na ktorej autori sami vydávajú e-knihy, brožované a viazané knihy. Názvy, popisy, kľúčové slová a kategórie musia spĺňať jej vlastné pravidlá. Kto generuje obsah pomocou AI – texty, obálky alebo preklady –, musí to pri publikovaní Amazonu oznámiť; výnimkou je práca, pri ktorej AI len pomáha, ako brainstorming alebo korektúra (stav k októbru 2026). Pred každým publikovaním by sa mali skontrolovať aktuálne pravidlá.
Amazon SageMaker je cloudová služba Amazon Web Services (AWS) na vytváranie, trénovanie a nasadzovanie modelov strojového učenia. Koncom roka 2024 bola pôvodná služba premenovaná na „Amazon SageMaker AI“; odvtedy „Amazon SageMaker“ označuje širšiu platformu pre údaje, analytiku a AI s rozhraním SageMaker Unified Studio (stav k októbru 2026). Používajú ju najmä tímy data science, ktoré prevádzkujú modely na infraštruktúre AWS.
Anaconda je rozšírená distribúcia programovacích jazykov Python a R pre analýzu údajov a strojové učenie od spoločnosti Anaconda Inc. Spája správcu balíkov conda s predinštalovanými knižnicami ako NumPy, pandas a Jupyter a uľahčuje udržiavanie oddelených prostredí pre jednotlivé projekty. Organizácie s viac ako 200 zamestnancami potrebujú pre Anaconda Distribution a jej predvolený kanál balíkov platenú licenciu; samotná conda a komunitný kanál conda-forge zostávajú bezplatné (stav k októbru 2026).
Analytik údajov s AI je systém alebo asistent AI, ktorý analyzuje údaje, ako sú tabuľky, exporty alebo kľúčové ukazovatele, a vysvetľuje výsledky jednoduchým jazykom. Vypočíta súčty a zmeny, identifikuje trendy a anomálie a navrhne ďalšie kroky. Obchodné tímy bez štatistických znalostí tak rýchlejšie dostanú odpovede. Jazykové modely však môžu robiť chyby vo výpočtoch, preto by sa čísla mali dvojito skontrolovať. Príklad: mesačné tržby sa vložia ako CSV a AI ich okomentuje.
Analýza sentimentu automaticky zisťuje náladu alebo postoj, ktorý text vyjadruje – zvyčajne pozitívny, neutrálny alebo negatívny, niekedy jemnejšie emócie. Firmy ju používajú na vyhodnocovanie veľkého počtu recenzií produktov, e-mailov podpory, prieskumov alebo príspevkov na sociálnych sieťach a rýchlo vidia, kde sú zákazníci spokojní a kde sú problémy. Irónia, sarkazmus a zmiešané výpovede, ako „rýchle doručenie, sklamajúca kvalita“, zostávajú náročné, preto by mali vzorky kontrolovať ľudia.
Analýza TAM odhaduje celkový dosiahnuteľný trh (total addressable market): celkové tržby, ktoré by ponuka teoreticky mohla generovať. Prístup zhora nadol zužuje čísla z trhových štúdií, zatiaľ čo prístup zdola nahor násobí počet potenciálnych zákazníkov očakávanou cenou. Spolu s SAM (obsluhovateľný trh) a SOM (reálne dosiahnuteľný podiel) podporuje investičné a plánovacie rozhodnutia, no zmysel má len s transparentnými predpokladmi a rozpätiami namiesto falošnej presnosti.
Antropomorfizmus je sklon pripisovať strojom ľudské vlastnosti, ako sú pocity, zámery alebo porozumenie. Pri chatbotoch je to prirodzené, pretože píšu plynulo a osobne. Interakcia tak môže byť príjemnejšia, no nesie to aj riziká: ľudia môžu odpovediam príliš dôverovať alebo zdieľať citlivé informácie. Proti tomu pomáhajú jasné upozornenia, že používatelia komunikujú s AI, a úprimné vyjadrenia o jej hraniciach.
Anyword je AI platforma na písanie marketingových textov, ktorá vznikla zo spoločnosti Keywee založenej v roku 2013. Vytvára krátke texty, ako sú reklamy, predmety e-mailov, titulky a popisy produktov, a variantom priraďuje predpovedané skóre, ako dobre by mohli zaujať cieľovú skupinu. Ponúka aj nastavenia hlasu značky a analýzu existujúceho obsahu (stav k októbru 2026). Takéto predpovede sú odhady a nenahrádzajú testovanie v praxi.
Aplikačne špecifický integrovaný obvod (ASIC) je čip navrhnutý pre jednu konkrétnu úlohu, nie pre všeobecné výpočty ako CPU. V oblasti AI sú ASIC prispôsobené výpočtom neurónových sietí – jedným z príkladov sú Tensor Processing Units (TPU) od spoločnosti Google. Pri tejto úlohe pracujú rýchlejšie a energeticky efektívnejšie ako univerzálne čipy, ich vývoj je však drahý a len ťažko sa prispôsobujú novým úlohám.
Asociatívna pamäť vyhľadáva uložené informácie podľa obsahu, nie podľa adresy: na vybavenie zodpovedajúceho celku stačí čiastočný alebo zašumený podnet – podobne ako úvodné takty pripomenú celú pieseň. Klasickým príkladom vo výskume AI sú Hopfieldove siete. Tento princíp sa objavuje aj v hardvéri (obsahovo adresovateľná pamäť) a v analýzach mechanizmu pozornosti v moderných jazykových modeloch.
Automatická klasifikácia priraďuje texty, dokumenty alebo záznamy do vopred definovaných kategórií bez ručného triedenia. Tradične sa to modely učia z označených príkladov; veľké jazykové modely dokážu kategórie priradiť aj len na základe opisu. Typickým použitím je triedenie prichádzajúcich e-mailov podľa typu požiadavky, priraďovanie dokladov alebo označovanie naliehavých tiketov podpory. Pri dôležitých prípadoch sa odporúčajú náhodné kontroly ľuďmi.
Automatizácia zákazníckeho servisu znamená, že softvér úplne alebo čiastočne vybavuje opakujúce sa dopyty zákazníkov – napríklad pomocou chatbotov, navrhovaných odpovedí alebo predbežného triedenia tiketov. Na bežné otázky o otváracích hodinách, stave doručenia alebo vrátení tovaru možno odpovedať nepretržite, zatiaľ čo tím získa čas na náročné prípady. Nevyhnutné sú spoľahlivé zdroje znalostí a jednoduché odovzdanie ľuďom.
Autonómne vozidlá sa pohybujú úplne alebo čiastočne bez zásahu človeka pomocou kamier, radaru, lidaru a AI softvéru. Norma SAE J3016 definuje šesť úrovní – od 0 (žiadna automatizácia) po 5 (plne bez vodiča všade). AI zabezpečuje vnímanie okolia, predpovedanie správania ostatných účastníkov cestnej premávky a plánovanie trasy. Okrem áut sem patria robotaxíky, nákladné autá, kyvadlové vozidlá a skladové vozidlá; schvaľovanie a zodpovednosť sú v každej krajine upravené osobitne.
Spätné šírenie chyby (backpropagation) je štandardná metóda, ktorou sa neurónové siete učia. Po každej predpovedi sa zmeria chyba a šíri sa späť cez vrstvy siete, čím sa ukáže, akou mierou k nej prispela každá váha. Optimalizačná metóda, napríklad gradientný zostup, potom váhy postupne upravuje. Bez spätného šírenia chyby by bolo trénovanie dnešných jazykových a obrazových modelov prakticky nemožné.
Bagging (skratka z bootstrap aggregating) je súborová metóda strojového učenia: mnoho modelov sa natrénuje na náhodne vybraných vzorkách trénovacích údajov a ich predpovede sa spriemerujú alebo spoja hlasovaním väčšiny. Výsledky sú tak stabilnejšie a znižuje sa preučenie. Najznámejším príkladom je náhodný les (random forest), ktorý spája mnoho rozhodovacích stromov – napríklad na predpoveď odchodu zákazníkov alebo cien.
Bayesovské siete sú grafické modely, ktoré znázorňujú premenné ako uzly a ich pravdepodobnostné závislosti ako orientované šípky. Pomocou Bayesovej vety ukazujú, ako nové pozorovania menia pravdepodobnosť iných udalostí. Príkladom je podpora diagnostiky: odhad najpravdepodobnejšej príčiny z pozorovaných príznakov. Ich silnými stránkami sú transparentnosť a schopnosť pracovať s neistými alebo neúplnými údajmi.
Benchmarking v oblasti AI znamená systematické porovnávanie modelov alebo systémov pomocou definovaných úloh a kritérií. Verejné benchmarky merajú napríklad všeobecné znalosti, uvažovanie alebo schopnosť programovať; pre praktické použitie sú však najdôležitejšie testovacie prípady z vlastnej každodennej práce. Typickými kritériami sú správnosť, úplnosť, čas odozvy a náklady. Pomáha to rozhodnúť, či na úlohu stačí menší a lacnejší model.
BERT (Bidirectional Encoder Representations from Transformers) je jazykový model, ktorý Google predstavil v roku 2018. Na rozdiel od starších modelov zohľadňuje súčasne kontext naľavo aj napravo od slova, čo mu pomáha riešiť viacznačnosť. BERT je určený na porozumenie textu, nie na písanie dlhších pasáží. Využíva sa vo vyhľadávaní, klasifikácii textu, rozpoznávaní pomenovaných entít a odpovedaní na otázky a ovplyvnil mnohé nasledujúce modely.
Bezpečnosť LLM zahŕňa všetky opatrenia, ktoré chránia aplikácie postavené na veľkých jazykových modeloch pred zneužitím, únikom údajov a nežiaducim správaním. Typické riziká zahŕňajú prompt injection, prezradenie dôverných pokynov alebo údajov a agentov s nadmernými oprávneniami. Ochranu zabezpečuje viacero vrstiev: jasné pokyny, obmedzené práva, kontroly vstupov a výstupov, AI firewally, red teaming a pravidelné audity.
Bezpečnostný audit chatbota je štruktúrované preverenie, či AI chatbot dostatočne chráni dôverné údaje, svoje interné pokyny a svoje oprávnenia konať. Skúma sa okrem iného náchylnosť na prompt injection, neúmyselné prezradenie informácií a príliš široký prístup k nástrojom – často podľa OWASP Top 10 pre aplikácie LLM. Výsledkom je správa s hodnotením každej rizikovej oblasti a konkrétnymi opatreniami.
Skreslenie (bias) v AI označuje systematické skreslenie výsledkov. Často pochádza z nevyvážených alebo historicky skreslených trénovacích údajov, ale aj z návrhu modelu alebo zo spôsobu, akým je otázka položená. Známy príklad: nástroj na preverovanie uchádzačov, ktorý sa učí z minulých rozhodnutí o prijatí, môže udržiavať existujúce znevýhodnenia. V štatistike bias znamená aj odchýlku odhadu od skutočnej hodnoty. Protiopatrenia zahŕňajú rozmanité údaje, pravidelné audity a ľudské rozhodovanie v personálnych otázkach.
BigML je platforma strojového učenia od rovnomennej spoločnosti založenej v roku 2011 so sídlom v Corvallis v štáte Oregon (USA). Cez webové rozhranie alebo API môžu používatelia bez veľkého programovania vytvárať modely, ako sú rozhodovacie stromy, súbory modelov, zhlukovanie alebo detekcia anomálií. Kladie dôraz na interpretovateľné modely a automatizovateľné pracovné postupy. Ponúka sa ako cloudová služba aj na prevádzku vo vlastnom dátovom centre (stav k októbru 2026).
Blokovanie botov AI znamená bránenie prehľadávačom poskytovateľov AI v čítaní vášho webu, zvyčajne pomocou pravidiel v súbore robots.txt pre používateľských agentov, ako sú GPTBot, ClaudeBot alebo Google-Extended. Súbor je žiadosťou, nie technickou prekážkou; prísnejšia kontrola vyžaduje pravidlá firewallu alebo servera. Kompromis: blokovanie chráni obsah pred použitím na trénovanie, no môže znížiť viditeľnosť vo vyhľadávaní s AI a v odpovediach generovaných AI. Často má zmysel zaobchádzať s prehľadávačmi na trénovanie a vyhľadávacími prehľadávačmi odlišne.
BMXNet je open-source knižnica pre binárne neurónové siete, ktorú v roku 2017 vydal Hasso-Plattner-Institut v Postupime a ktorá je postavená na frameworku Apache MXNet. Binárne siete ukladajú váhy a aktivácie s jedným bitom namiesto 32, vďaka čomu sú modely oveľa menšie a rýchlejšie – čo je atraktívne pre smartfóny a vstavané zariadenia, hoci zvyčajne za cenu určitej straty presnosti. Keďže MXNet bol v roku 2023 ukončený, BMXNet je dnes zaujímavý najmä pre výskum (stav k októbru 2026).
Boosting je súborová metóda strojového učenia, pri ktorej sa mnoho jednoduchých modelov trénuje postupne a každý nový model sa zameriava na prípady, v ktorých sa jeho predchodcovia mýlili. Spolu tvoria oveľa presnejší celkový model. Známymi variantmi sú AdaBoost a gradient boosting s knižnicami ako XGBoost alebo LightGBM. Boosting je mimoriadne silný pri tabuľkových údajoch, napríklad pri predpovediach úverového rizika, predaja alebo odchodu zákazníkov.
Botpress je platforma na tvorbu chatbotov a AI agentov od rovnomennej kanadskej spoločnosti so sídlom v Montreale. Vizuálny pracovný priestor umožňuje navrhovať priebehy konverzácií, pripájať zdroje znalostí a prostredníctvom integrácií prepájať agentov s kanálmi, ako sú webové stránky alebo aplikácie na posielanie správ; účtuje sa podľa využitia. Pôvodne open-source verzia 12 na vlastnom hostingu bola ukončená – nové projekty bežia na Botpress Cloud (stav k októbru 2026).
Caffe (Convolutional Architecture for Fast Feature Embedding) je open-source framework pre hlboké učenie, ktorý vyvinul Yangqing Jia na Kalifornskej univerzite v Berkeley a ktorý bol vydaný v roku 2013. Obľúbený bol najmä na rozpoznávanie obrazu pomocou konvolučných neurónových sietí, pretože bežal rýchlo a modely sa definovali v konfiguračných súboroch. Posledná verzia 1.0 vyšla v roku 2017; jeho nástupca Caffe2 bol v roku 2018 začlenený do PyTorch. Pre nové projekty sa Caffe dnes používa len zriedka.
Certifikačné procesy pre AI sú postupy, v ktorých nezávislý orgán kontroluje, či organizácia alebo systém AI spĺňa definované požiadavky. Široko používaným príkladom je certifikácia podľa ISO/IEC 42001 (vydaná v roku 2023), ktorá opisuje systém riadenia zodpovedného používania AI; požiadavky na certifikačné orgány stanovuje ISO/IEC 42006 (2025). Takýto certifikát je dobrovoľný a nenahrádza posudzovanie zhody, ktoré akt EÚ o umelej inteligencii vyžaduje pre vysokorizikové systémy (stav k októbru 2026).
Údaj v odpovedi, z ktorej časti znalostí pochádza.
Claude je rodina veľkých jazykových modelov americkej AI spoločnosti Anthropic. Modely rozumejú textu a píšu ho v mnohých jazykoch, analyzujú dokumenty, píšu kód a dokážu používať nástroje, napríklad na prieskum alebo automatizáciu. Najznámejšie sú rodiny modelov Haiku, Sonnet a Opus, ktoré sa líšia rýchlosťou, nákladmi a výkonom. Anthropic kladie osobitný dôraz na bezpečnosť a spoľahlivé správanie modelov.
Claude Haiku je najrýchlejšia a najlacnejšia z troch rodín modelov Claude od spoločnosti Anthropic, popri Sonnet a Opus. Hodí sa na úlohy s veľkým objemom, ktoré vyžadujú krátky čas odozvy, ako je triedenie e-mailov, vyťahovanie údajov z textov alebo smerovanie požiadaviek na správne miesto. Aktuálnou generáciou je Claude Haiku 5.5 (stav k októbru 2026).
Claude Opus je najvýkonnejšia z troch rodín modelov Claude od spoločnosti Anthropic: Haiku, Sonnet a Opus. Je určená na náročné úlohy, ktoré vyžadujú viacstupňové uvažovanie, ako sú zložité analýzy, veľké programátorské projekty alebo agenti, ktorí dlhší čas pracujú samostatne. Za to je pomalšia a drahšia ako menšie rodiny. Aktuálnou verziou je Claude Opus 5.5 (stav k októbru 2026).
Claude Sonnet je stredná z troch rodín modelov Claude od spoločnosti Anthropic a spája vysoký výkon s krátkym časom odozvy a miernymi nákladmi. Hodí sa na široké spektrum každodenných firemných úloh: tvorbu textov, analýzu dokumentov, odpovedanie na otázky zo znalostí alebo písanie kódu. Anthropic pravidelne vydáva nové verzie; aktuálnou je Claude Sonnet 5.5 (stav k októbru 2026).
Clearbit je služba na obohacovanie B2B údajov: na základe e-mailovej adresy alebo domény doplní údaje, ako je odvetvie, veľkosť firmy alebo sídlo. Obchodné a marketingové tímy využívajú takéto údaje na hodnotenie potenciálnych zákazníkov, skracovanie formulárov a priraďovanie návštev webovej stránky k firmám. Clearbit kúpila v roku 2023 spoločnosť HubSpot; jeho funkcie sa dnes ponúkajú ako Breeze Intelligence v rámci HubSpot (stav k októbru 2026).
Zhlukovanie (clustering) je metóda učenia bez učiteľa, ktorá rozdeľuje dátové body do skupín podľa ich podobnosti, bez vopred definovaných kategórií. Odhaľuje vzory, ktoré predtým nikto nepomenoval – napríklad segmenty zákazníkov s podobným nákupným správaním. Pri textoch pomáha zhlukovanie roztriediť stovky dopytov zákazníkov do tém, ako je doručenie, fakturácia alebo reklamácie, a ukazuje, kde je ťažisko.
Copilot je značka, pod ktorou Microsoft združuje svojich asistentov s umelou inteligenciou. Patrí k nej všeobecný asistent pre web a Windows, Microsoft 365 Copilot na prácu vo Worde, Exceli, Outlooku alebo Teams a Copilot Studio na tvorbu vlastných agentov; GitHub Copilot podporuje programovanie. Asistenti vychádzajú z veľkých jazykových modelov a podľa variantu môžu pristupovať k údajom organizácie v Microsoft 365 (stav k októbru 2026).
Copy.ai je americká platforma s umelou inteligenciou, ktorá začínala ako generátor textov pre marketingové texty, napríklad reklamy, e-maily alebo popisy produktov. Neskôr sa jej zameranie presunulo na automatizované pracovné postupy pre predaj a marketing, ktoré spoločnosť zastrešuje pojmom „GTM AI“. V októbri 2025 Copy.ai kúpil poskytovateľ riešení pre revenue operations Fullcast (stav k októbru 2026).
Copysmith je americký poskytovateľ nástrojov s umelou inteligenciou, ktorý sa preslávil generátorom textov pre marketing a e-commerce, napríklad popisov produktov a reklám. V roku 2022 Copysmith kúpil nástroje na písanie a SEO Rytr a Frase. Dnes spoločnosť funguje ako zastrešujúca značka viacerých produktov, medzi nimi Describely pre produktové texty v online maloobchode (stav k októbru 2026).
CrewAI je open-source framework v jazyku Python na zoskupenie viacerých AI agentov do tímu („crew“). Každý agent dostane rolu, cieľ a vhodné nástroje; úlohy sa rozdeľujú a výsledky sa odovzdávajú ďalej. Okrem toho „flows“ ponúkajú prísne riadené pracovné postupy založené na udalostiach. Napríklad výskumný agent zhromaždí informácie a agent na písanie z nich vytvorí správu.
Čiastočne riadené učenie kombinuje malé množstvo označených dát s veľkým množstvom neoznačených dát. Model sa najprv učí z mála príkladov so známymi odpoveďami a potom využíva vzory v zvyšných dátach na zlepšenie – napríklad tak, že si ako ďalšie trénovacie príklady osvojí predikcie, ktorými si je istý. Oplatí sa to tam, kde je označovanie drahé, napríklad pri lekárskych snímkach alebo tisíckach tiketov podpory.
Čistenie údajov je odhaľovanie a oprava nesprávnych, duplicitných alebo nekonzistentných záznamov v súboroch údajov. Typické kroky zahŕňajú zjednotenie pravopisu a formátov dátumov, odstránenie nadbytočných medzier a zlučovanie duplicít, napríklad „Novák s.r.o.“ a „Novák, spol. s r.o.“. Čisté údaje sú predpokladom spoľahlivých analýz, hromadných e-mailov a aplikácií s AI.
Čistý nový biznis označuje tržby od zákazníkov, ktorí predtým neexistovali, na rozdiel od obnovení, upsellingu alebo rozšírenia spolupráce so súčasnými zákazníkmi. Ukazovateľ ukazuje, ako dobre firma otvára nové trhy a cieľové skupiny, a obchodné tímy ho často plánujú a odmeňujú osobitne. Príklad: softvérový dodávateľ vykazuje 40 % štvrťročného objemu objednávok ako čistý nový biznis.
Čitateľnosť opisuje, nakoľko ľahko sa text dá čítať a pochopiť. Závisí od dĺžky viet, dĺžky slov, odborných výrazov, stavby viet a rozvrhnutia a dá sa aproximovať vzorcami, ako sú Fleschov index alebo LIX. Dobrá čitateľnosť je dôležitá pre komunikáciu so zákazníkmi, návody, weby a prístupný obsah. Vzorce však ponúkajú len orientáciu; či je text zrozumiteľný, v konečnom dôsledku závisí od jeho publika.
Človek v procese (human-in-the-loop) opisuje pracovné postupy, v ktorých ľudia zasahujú do procesu AI vo vopred určených bodoch: kontrolujú výsledky, schvaľujú ich alebo opravujú, prípadne preberajú ťažké prípady. Zásada znižuje riziko chybných výstupov a ponecháva zodpovednosť ľuďom, najmä pri rozhodnutiach týkajúcich sa jednotlivcov, peňazí alebo právnych záležitostí. Príklad: agent AI pripraví návrhy odpovedí na dopyty zákazníkov a zamestnanec ich pred odoslaním skontroluje.
Chainer je open-source framework pre hlboké učenie v jazyku Python, ktorý vyvinula japonská spoločnosť Preferred Networks. Spopularizoval prístup „define-by-run“, pri ktorom sa neurónová sieť zostavuje počas výpočtu, čo uľahčuje experimentovanie s flexibilnými štruktúrami modelov. Od decembra 2019 sa Chainer len udržiava, ďalej sa nevyvíja; Preferred Networks prešla na PyTorch, ktorý funguje na rovnakom princípe.
Chatbot je program, ktorý prijíma otázky v textovej alebo hovorenej podobe a odpovedá na ne v dialógu. Jednoduché chatboty sa riadia pevnými pravidlami a rozhodovacími stromami, moderné využívajú veľké jazykové modely a rozumejú voľne formulovaným požiadavkám. Typickým použitím je zákaznícky servis, interné helpdesky a žiadosti o termín – napríklad chat na webe, ktorý nepretržite odpovedá na otázky o dodacích lehotách.
ChatGPT je AI asistent americkej spoločnosti OpenAI, vydaný v novembri 2022, ktorý priblížil generatívnu AI širokej verejnosti. Je založený na veľkých jazykových modeloch série GPT a odpovedá na otázky, píše a upravuje texty, zhŕňa dokumenty a pomáha s programovaním. ChatGPT je dostupný v prehliadači a ako aplikácia, v bezplatnej aj platenej verzii, ako aj vo verziách pre tímy a podniky.
DALL-E je séria modelov na generovanie obrázkov od spoločnosti OpenAI, ktoré vytvárajú obrázky z textových opisov. Prvá verzia vyšla v roku 2021; DALL-E 3 bol v roku 2023 integrovaný do ChatGPT a sprístupnil generovanie obrázkov z textu širokému publiku. OpenAI medzičasom nahradil DALL-E novšími modelmi obrázkov zo série GPT Image; prístup k DALL-E 2 a 3 cez API skončil v máji 2026 (stav k októbru 2026).
Dash je open-source framework spoločnosti Plotly na tvorbu interaktívnych webových aplikácií na analýzu údajov v jazyku Python, bez potreby písať JavaScript. Grafy, filtre a posuvníky sú priamo prepojené s kódom v Pythone. Typickými príkladmi sú dashboardy, v ktorých obchodné tímy filtrujú tržby podľa regiónu alebo vyskúšajú predpovede modelu strojového učenia s vlastnými hodnotami.
DataRobot je americká softvérová spoločnosť, ktorej platforma pomáha organizáciám vytvárať, prevádzkovať a monitorovať aplikácie s umelou inteligenciou. Preslávila sa automatizovaným strojovým učením (AutoML), ktoré automaticky trénuje a porovnáva mnoho variantov modelov – napríklad na predpoveď odchodu zákazníkov alebo dopytu. Dnes sa spoločnosť zameriava aj na prevádzku a riadenie AI agentov (stav k októbru 2026).
Dávková normalizácia (batch normalization) je technika trénovania hlbokých neurónových sietí, ktorá medzihodnoty vrstvy pre každú dávku údajov prepočíta na jednotný priemer a rozptyl. Trénovanie je tak stabilnejšie a často rýchlejšie a sieť je menej citlivá na počiatočné hodnoty. Bola predstavená v roku 2015 a je bežná v sieťach na rozpoznávanie obrazu; transformery zvyčajne využívajú príbuznú normalizáciu vrstiev (layer normalization).
Deepfake je obrázok, video alebo zvukový záznam vytvorený alebo upravený pomocou AI, ktorý presvedčivo zobrazuje skutočných ľudí, ako hovoria alebo robia veci, ktoré sa nikdy nestali. Popri legitímnom využití vo filme alebo dabingu sa deepfaky využívajú na dezinformácie, poškodzovanie reputácie a podvody – napríklad falošné telefonáty od domnelého nadriadeného so žiadosťou o bankový prevod. Ochrana zahŕňa spätné zavolanie cez známe kanály, jasné schvaľovacie procesy a označovanie obsahu vytvoreného AI.
Detekcia anomálií nachádza dátové body, udalosti alebo vzory, ktoré sa výrazne odlišujú od normy. Môže ísť o nezvyčajne veľké transakcie, náhle skoky v hodnotách senzorov, duplicitné záznamy alebo podozrivú sieťovú aktivitu. Využíva sa vo financiách, IT bezpečnosti, výrobe a kontrole kvality. Metódy siahajú od jednoduchých štatistických prahov až po učiace sa modely; zistenia sú indície, ktoré by mal posúdiť človek.
Detekcia anomálií v obraze hľadá na fotografiách alebo kamerových záznamoch odchýlky od normálneho stavu – napríklad škrabance, trhliny alebo zmeny farby na dieloch vo výrobe či nezrovnalosti na medicínskych snímkach. Model sa často najprv učí na mnohých bezchybných príkladoch a potom označí všetko, čo sa odlišuje. To je užitočné, pretože skutočné chyby sú zriedkavé a vopred sa dajú len ťažko úplne opísať.
Deterministický model pri rovnakom vstupe vždy vytvorí rovnaký výsledok, pretože sa riadi pevnými pravidlami alebo vzorcami a nepracuje s náhodou – napríklad pravidlo „5 % zľava pri objednávkach nad 100 €“. Veľké jazykové modely naopak pracujú pravdepodobnostne: ich odpovede na tú istú otázku sa môžu líšiť. V praxi sa oba prístupy často kombinujú, aby sa vyvážila flexibilita a dohľadateľnosť.
Developmental Reading Assessment (DRA) je v USA široko používaný postup, ktorým učitelia zisťujú úroveň čítania detí od materskej školy po 8. ročník; vydáva ho spoločnosť Pearson. Deti nahlas čítajú texty rozdelené podľa úrovní a odpovedajú na otázky k nim, pričom hodnotenie zahŕňa aspekty ako plynulosť a porozumenie. Výsledkom je úroveň čítania, ktorá usmerňuje výber vhodných kníh a podporných opatrení.
Diskriminácia v AI vzniká, keď systém AI neoprávnene znevýhodňuje ľudí na základe vlastností, ako sú pohlavie, etnický pôvod, vek alebo zdravotné postihnutie. Príčinou sú zvyčajne skreslené trénovacie údaje, nevhodné zástupné znaky, napríklad PSČ, alebo nedostatočné testovanie; známe prípady pochádzajú z náboru zamestnancov a poskytovania úverov. Protiopatrenia zahŕňajú reprezentatívne údaje, pravidelné testy spravodlivosti, transparentnosť a ľudský dohľad nad rozhodnutiami o ľuďoch.
Diskriminačné modely sa učia rozlišovať dátové body tak, že priamo určujú hranicu medzi triedami – odpovedajú na otázku „Do ktorej kategórie tento vstup patrí?“. Patria sem napríklad logistická regresia, metóda podporných vektorov a mnohé neurónové klasifikátory, napríklad na detekciu spamu. Generatívne modely naopak zachytávajú, ako vznikajú samotné údaje, a preto dokážu vytvárať nové príklady.
DL4J (Eclipse Deeplearning4j) je open-source knižnica na hlboké učenie na Java Virtual Machine (JVM). Umožňuje trénovať a spúšťať neurónové siete v jazyku Java alebo Scala, takže sa hodí do existujúcich podnikových systémov založených na Jave. Súčasťou projektu sú aj nástroje na import modelov z iných frameworkov. Spravuje ho Eclipse Foundation ako svoj projekt.
Dolaďovanie (fine-tuning) znamená ďalšie trénovanie už vopred natrénovaného modelu AI na dodatočných, zvyčajne úlohovo špecifických údajoch. Jeho vnútorné váhy sa upravia tak, aby model spoľahlivejšie zvládal napríklad určitý štýl písania, odbornú slovnú zásobu alebo výstupný formát. Dolaďovanie vyžaduje starostlivo pripravené príkladové údaje, výpočtový výkon a testovanie. Pre mnohé aplikácie stačia dobre napísané pokyny a pripojené znalosti, ktoré sa dajú ľahšie meniť.
Dolovanie údajov (data mining) je systematické prehľadávanie veľkých súborov údajov s cieľom nájsť vzorce, súvislosti a anomálie. Využíva štatistické techniky a metódy strojového učenia, ako sú zhlukovanie, klasifikácia alebo asociačná analýza. Klasickým príkladom je analýza nákupného košíka v maloobchode, ktorá ukazuje, aké produkty sa často kupujú spolu – základ pre sortiment, rozmiestnenie tovaru a odporúčania.
Dozorné orgány pre AI sú verejné orgány, ktoré monitorujú dodržiavanie pravidiel pre AI. Na úrovni EÚ Úrad pre AI Európskej komisie koordinuje vykonávanie aktu o umelej inteligencii a dohliada na modely AI na všeobecné účely. V Nemecku vykonávací zákon KI-MIG (účinný od 29. júla 2026) určuje Spolkovú sieťovú agentúru (Bundesnetzagentur) za ústredný orgán dohľadu nad trhom, pričom sektoroví regulátori, ako je BaFin, zostávajú naďalej zodpovední. Podľa Digitálneho omnibusu sa povinnosti pre vysokorizikové systémy uplatňujú až od decembra 2027 alebo augusta 2028 (stav k októbru 2026; nejde o právne poradenstvo).
Dropout je regularizačná technika používaná pri trénovaní neurónových sietí: v každom tréningovom kroku sa náhodný podiel neurónov dočasne vypne. Tým sa sieť nemôže spoliehať na jednotlivé spojenia, a učí sa preto odolnejšie vzorce. Znižuje preučenie, teda len zapamätanie trénovacích údajov. Keď sa hotový model neskôr používa, všetky neuróny sú opäť aktívne.
Pojem zahŕňa ekonomické dôsledky využívania umelej inteligencie: nárast produktivity, nové produkty a obchodné modely, meniace sa úlohy a nároky na zručnosti a posuny v konkurencii. Rozsah a rozdelenie týchto vplyvov sú sporné a veľmi závisia od odvetvia, investícií a vzdelávania. Pre jednotlivé organizácie je najdôležitejší merateľný prínos konkrétnych aplikácií. Príklad: kratšie doby vybavovania v zákazníckom servise znižujú náklady na jeden dopyt.
Emergencia opisuje vlastnosti systému, ktoré vznikajú súhrou mnohých jednoduchých častí, ale nie sú viditeľné v žiadnej jednotlivej časti. Vo výskume AI sa schopnosti nazývajú emergentné, keď veľké jazykové modely nad určitou veľkosťou riešia úlohy, ako sú viackrokové počítanie alebo preklad, výrazne lepšie ako menšie modely. Výskumníci diskutujú o tom, či sú takéto skoky skutočné, alebo čiastočne závisia od spôsobu merania.
Etika AI sa zaoberá morálnymi otázkami okolo vývoja a používania AI: spravodlivosťou a diskrimináciou, transparentnosťou a vysvetliteľnosťou, ochranou údajov, zodpovednosťou za chyby, bezpečnosťou a vplyvmi na prácu a spoločnosť. Pre organizácie sa konkretizuje v usmerneniach, posudzovaní rizík, ľudskom dohľade a úprimnej komunikácii o limitoch AI. Príklad: pred zavedením nástroja na preosievanie životopisov sa skontroluje, či neznevýhodňuje určité skupiny.
Exfiltrácia údajov je neoprávnený prenos údajov zo systému. V aplikáciách s AI k nej môže dôjsť, keď sa chatbot alebo agent pomocou vymyslených vstupov alebo pripraveného obsahu – napríklad na webovej stránke, ktorú číta – zmanipuluje tak, aby prezradil alebo preposlal dôverné informácie. Ochrana zahŕňa minimálne prístupové práva, kontroly vstupov, obmedzenia odchádzajúcich spojení a monitorovanie odpovedí.
Expertný systém je počítačový program, ktorý ukladá know-how ľudských špecialistov vo forme pravidiel a faktov a vyvodzuje z nich závery. Zvyčajne pozostáva z bázy znalostí a inferenčného stroja, ktorý uplatňuje pravidlá. Expertné systémy formovali AI v 70. a 80. rokoch, napríklad v lekárskej diagnostike alebo konfigurácii technických zariadení. Ich myšlienky dnes žijú v kontrolách založených na pravidlách a v znalostných grafoch.
Extrakcia príznakov je proces, pri ktorom sa zo surových dát odvodzujú zmysluplné hodnoty, aby ich model dokázal efektívne spracovať. Namiesto miliónov jednotlivých pixelov môže systém použiť hrany, farby alebo tvary; texty sa menia na váhy slov alebo vektory embeddingov. Dobré príznaky znižujú objem dát, zmenšujú výpočtovú náročnosť a často zlepšujú presnosť. Extrakcia príznakov je základnou súčasťou inžinierstva príznakov.
Extrakcia systémového promptu označuje pokusy prinútiť chatbot alebo AI agenta, aby prezradil svoje skryté systémové pokyny. Ak sa takýto pokus podarí, výsledok sa nazýva prompt leaking: extrakcia je útok, únik je následok. Účinná ochrana začína tým, že heslá, kľúče a dôverné pravidlá do pokynov nepatria a treba rátať s tým, že sa môžu stať verejnými; ďalšiu ochranu dopĺňajú kontroly vstupov a pravidelné testovanie.
Extrakčná AI označuje metódy, ktoré z textov alebo dokumentov vyťahujú existujúce informácie, namiesto písania nového obsahu. Výstup pochádza zo zdroja doslovne alebo v pevnej štruktúre – napríklad čísla faktúr z PDF, kľúčové vety pre zhrnutie alebo relevantný úryvok ako odpoveď na otázku. Keďže sa nič nevymýšľa, riziko nepravdivých tvrdení je nižšie ako pri čisto generatívnych prístupoch; oba sa často kombinujú.
fastai je open-source knižnica v jazyku Python na hlboké učenie postavená nad PyTorch. Združuje overené predvolené nastavenia, takže modely pre obrázky, text alebo tabuľkové údaje možno trénovať niekoľkými riadkami kódu, a pritom umožňuje hlboké prispôsobenie na každej úrovni. Vzišla zo vzdelávacej iniciatívy fast.ai a sprevádza jej bezplatné kurzy, preto je obľúbená vo vzdelávaní a na rýchle vyskúšanie modelov.
Pri fazetovom vyhľadávaní používatelia postupne zužujú výsledky pomocou filtrov vytvorených z atribútov obsahu – napríklad kategórie, ceny, značky, dátumu alebo autora. Každá fazeta zvyčajne ukazuje, koľko výsledkov zostáva. Prístup je známy z e-shopov, používa sa však aj v knižniciach, intranetoch a archívoch dokumentov, aby boli veľké zbierky prehľadné aj bez presných hľadaných výrazov.
Federatívne učenie je prístup k trénovaniu, pri ktorom sa model AI učí naprieč mnohými zariadeniami alebo lokalitami bez toho, aby surové údaje niekedy opustili tieto miesta. Každý účastník trénuje lokálne a posiela centrálnemu serveru len aktualizácie modelu, ktorý ich spojí. Chráni to súkromie a hodí sa napríklad pre nemocnice, ktoré chcú spoločne zlepšiť diagnostický model, alebo pre klávesnice smartfónov, ktoré sa učia návrhy slov.
Few-shot učenie je schopnosť modelu vyriešiť úlohu len z hŕstky príkladov. Pri jazykových modeloch sa to zvyčajne deje priamo vo vstupe: ukážete dva-tri páry otázky a požadovanej odpovede a model uplatní rovnaký formát a štýl na nové prípady – bez opätovného trénovania. Príklad: tri správne zaradené dopyty zákazníkov často stačia na to, aby sa ďalšie dopyty roztriedili rovnako.
Fleschov index čitateľnosti odhaduje, nakoľko je text ľahko zrozumiteľný, na základe priemernej dĺžky vety a počtu slabík na slovo. Rudolf Flesch ho vyvinul pre angličtinu v roku 1948 a pre iné jazyky existujú upravené vzorce. Stupnica siaha zhruba od 0 do 100 – čím vyššie skóre, tým ľahší text. Meria len formu, nie to, či obsah a terminológia vyhovujú zamýšľanému publiku.
Frase je softvér na výskum a optimalizáciu webového obsahu. Analyzuje, aké témy, otázky a výrazy pokrývajú stránky s dobrým umiestnením pre dané vyhľadávacie zadanie, vytvára z toho zadania obsahu a hodnotí texty počas ich úprav. Frase teraz ponúka aj funkcie na sledovanie a zlepšovanie toho, či sa obsah cituje v odpovediach vyhľadávacích systémov s AI, ako sú ChatGPT alebo Perplexity (stav k októbru 2026).
Fréchetova inceptionová vzdialenosť (FID, Fréchet inception distance) je metrika na posudzovanie kvality obrázkov generovaných AI. Skutočné a generované obrázky sa prepustia cez vopred natrénovanú sieť na rozpoznávanie obrazu (Inception v3) a porovnajú sa štatistické rozdelenia ich príznakov. Čím nižšia hodnota, tým bližšie sú generované obrázky skutočným fotografiám z hľadiska realizmu a rozmanitosti. FID bola zavedená v roku 2017 a je štandardom na porovnávanie generátorov obrázkov.
Fuzzy porovnávanie nájde záznamy, ktoré sú podobné, ale nie presne rovnaké – napríklad kvôli preklepom, skratkám alebo rôznemu pravopisu. Spolieha sa na miery podobnosti, ako je Levenshteinova vzdialenosť, ktorá počíta, koľko znakov treba zmeniť. Typické použitie je hľadanie duplicít v adresných a zákazníckych údajoch: „Novák s.r.o., Hlavná 5“ a „Novák, spol. s r.o., Hlavná ul. 5“ sa rozpoznajú ako pravdepodobne ten istý záznam.
„Garbage in, garbage out“ (z angl. „odpad na vstupe, odpad na výstupe“) opisuje zásadu, že systém môže vytvoriť len také dobré výsledky, aké dobré údaje dostane. Pri AI to platí dvojnásobne: nesprávne, zastarané alebo jednostranné trénovacie či znalostné údaje vedú k nesprávnym alebo skresleným odpovediam. Chatbot, ktorý čerpá zo zastaraného cenníka, bude uvádzať zastarané ceny. Starostlivosť o údaje je preto trvalou úlohou v každom projekte s AI.
Generalizačná chyba meria, nakoľko sa model AI mýli na nových, predtým nevidených údajoch – na rozdiel od jeho chyby na trénovacích údajoch. Veľký rozdiel medzi nimi poukazuje na preučenie: model si zapamätal príklady namiesto toho, aby sa naučil všeobecné vzorce. Odhaduje sa pomocou odložených testovacích údajov alebo krížovej validácie. Je to číslo, na ktorom skutočne záleží, pretože v praxi sa model stretáva takmer len s novými prípadmi.
Generatívna AI označuje systémy AI, ktoré vytvárajú nový obsah – text, obrázky, zvuk, video alebo programový kód – namiesto toho, aby existujúce údaje len triedili alebo hodnotili. Vychádzajú z modelov, ktoré sa z veľkého množstva údajov učia vzorce a využívajú ich na tvorbu vierohodných nových výstupov. V podnikaní sa používa napríklad na návrhy e-mailov, zhrnutí, popisov produktov alebo nápadov na obrázky. Výsledky môžu obsahovať chyby a pred použitím by sa mali skontrolovať.
Generatívna kontradiktórna sieť (GAN, generative adversarial network) pozostáva z dvoch neurónových sietí trénovaných proti sebe: generátor vytvára umelé údaje, napríklad obrázky, a diskriminátor sa ich snaží odlíšiť od skutočných. Vďaka tomuto súboju sú výsledky čoraz realistickejšie. GAN boli predstavené v roku 2014 a formovali generovanie obrázkov, kým sa viac nerozšírili difúzne modely; používajú sa napríklad na syntetické trénovacie údaje alebo vylepšovanie obrázkov.
GPT (generative pre-trained transformer) označuje sériu veľkých jazykových modelov vyvinutých spoločnosťou OpenAI, ktoré vychádzajú z architektúry transformer. Modely sa najprv predtrénujú na obrovskom množstve textu, aby predpovedali nasledujúci token, a potom sa ďalej trénujú na dialóg a plnenie pokynov. Prvý model GPT vyšiel v roku 2018; neskoršie generácie tvoria základ ChatGPT. V bežnej reči sa „GPT“ často používa pre jazykové modely vo všeobecnosti.
Generátor obchodných scenárov je nástroj s AI, ktorý navrhuje osnovy rozhovorov pre obchodné telefonáty – napríklad studené telefonáty, stretnutia alebo následné kontakty. Z údajov o ponuke a cieľovej skupine vytvorí úvod, zisťovacie otázky, argumenty o prínosoch, odpovede na typické námietky a navrhovaný ďalší krok. Dobrá osnova poskytuje orientáciu, nie rigidný scenár: počúvanie a úprimné poradenstvo zostávajú dôležitejšie než hotové frázy.
Generátor webových stránok s AI automaticky vytvorí webovú stránku vrátane štruktúry stránok, rozloženia, textov a návrhov obrázkov z niekoľkých vstupov, ako sú odvetvie, ponuka a preferovaný štýl. Malé firmy alebo projekty tak získajú rýchlu online prítomnosť bez programátorských zručností. Výsledky sú východiskom: obsah, zákonom požadované údaje, prístupnosť a optimalizáciu pre vyhľadávače treba následne skontrolovať a upraviť.
Generovanie prirodzeného jazyka (NLG) je oblasť spracovania jazyka, ktorá z dát, odrážok alebo iných vstupov vytvára zrozumiteľný text. Staršie systémy NLG sa opierali o šablóny a pravidlá; dnes väčšina využíva veľké jazykové modely. Typické použitia zahŕňajú správy o počasí a burze, popisy produktov, zhrnutia kľúčových ukazovateľov a odpovede chatbotov. Dôležité je, aby sa čísla a fakty zo vstupov preniesli správne a nezmenené.
Generovanie rozšírené o cache (cache-augmented generation, CAG) je prístup, pri ktorom jazykový model nevyhľadáva znalosti pri každej otázke. Namiesto toho sa prehľadná znalostná báza vopred načíta do jeho kontextového okna a tento stav sa uloží do vyrovnávacej pamäte, takže odpovede nepotrebujú samostatný krok vyhľadávania. Pojem spopularizovala výskumná práca z konca roka 2024 ako alternatívu ku generovaniu rozšírenému o vyhľadávanie (RAG). CAG sa hodí pre malé, stabilné znalostné bázy; pri veľkých alebo často sa meniacich údajoch zostáva RAG zvyčajne praktickejší.
Generovanie textu je automatická tvorba textu pomocou AI, v súčasnosti spravidla pomocou veľkých jazykových modelov, ktoré slovo po slove počítajú najpravdepodobnejšie pokračovanie. Je to odvetvie generovania prirodzeného jazyka a základná aplikácia generatívnej AI. Organizácie ho využívajú na návrhy e-mailov, správ alebo popisov produktov; fakty a čísla by sa mali pred zverejnením skontrolovať.
Gensim je open-source knižnica v jazyku Python na analýzu veľkých zbierok textov. Je známa tematickými modelmi, ako je LDA, trénovaním slovných vektorov (napríklad Word2Vec, FastText a Doc2Vec) a porovnávaním dokumentov podľa podobnosti. Keďže Gensim spracúva údaje po častiach, zvládne aj korpusy, ktoré sa nezmestia do pamäte. Typické použitie: automatické zoskupenie tisícok zákazníckych komentárov podľa opakujúcich sa tém.
Stratégia go-to-market (GTM) určuje, ako sa produkt alebo služba úspešne uvedie na trh: ktorá cieľová skupina má aký problém, ako sa ponuka pozicionuje a oceňuje, cez ktoré kanály sa predáva a ktoré metriky merajú úspech. Plán GTM prepája marketing, predaj a produkt. Príklad: poskytovateľ softvéru začne s jedným odvetvím, jedným partnerským kanálom a 90-dňovým cieľom.
Google Colab (Colaboratory) je cloudová služba spoločnosti Google na spúšťanie kódu v Pythone v notebookoch v štýle Jupyter priamo v prehliadači, bez lokálnej inštalácie. Bezplatná verzia ponúka aj GPU a TPU, podľa dostupnosti a s obmedzeniami doby behu; platené tarify ponúkajú viac výpočtového výkonu. Colab je obľúbený vo výučbe, pri analýze údajov a vyskúšaní modelov a zabudovaný asistent Gemini pomáha písať a opravovať kód (stav k októbru 2026).
Gradientné posilňovanie (gradient boosting) je technika strojového učenia, ktorá spája mnoho jednoduchých modelov – zvyčajne malých rozhodovacích stromov – za sebou. Každý nový strom sa trénuje špeciálne na zníženie zostávajúcich chýb predchádzajúcich. Výsledkom sú veľmi presné modely pre tabuľkové údaje, napríklad pre úverové riziko, predpovede predaja alebo pravdepodobnosť odchodu zákazníkov. Známe implementácie sú XGBoost, LightGBM a CatBoost; aby sa predišlo preučeniu, je potrebné starostlivé ladenie.
Gradientný zostup je optimalizačná metóda, pomocou ktorej sa trénuje väčšina modelov AI. Zmeriate, aká veľká je chyba modelu, vypočítate, akým smerom sa musia parametre zmeniť, aby sa znížila, a urobíte malý krok týmto smerom – znova a znova. Je to ako turista v hmle, ktorý stále kráča z kopca, aby sa dostal do údolia. Veľkosť kroku (rýchlosť učenia) určuje rýchlosť a stabilitu.
Granty a financovanie výskumu AI podporujú výskumné projekty, skupiny začínajúcich výskumníkov alebo spolupráce v oblasti umelej inteligencie. V Nemecku napríklad Nemecká výskumná nadácia (DFG) financuje skupiny Emmy Noether zamerané na metódy AI v rámci svojej iniciatívy pre AI, zatiaľ čo Spolkové ministerstvo výskumu, technológií a vesmíru (BMFTR) prideľuje financovanie prostredníctvom tematických smerníc o podpore. Na úrovni EÚ vyhlasujú výzvy Horizont Európa a Európska výskumná rada (ERC). Termíny a podmienky sa neustále menia (stav k októbru 2026).
Grok je asistent s AI založený na veľkých jazykových modeloch, ktorý vyvinula spoločnosť xAI. Je integrovaný do platformy X a je dostupný aj cez vlastný web, mobilné aplikácie a API. Charakteristickou črtou je jeho prístup k aktuálnym príspevkom na X a k webovému vyhľadávaniu. Od februára 2026 je xAI súčasťou SpaceX a dnes pôsobí pod názvom SpaceXAI; verzie modelov sa pravidelne aktualizujú (stav k októbru 2026).
Halucinácia je výstup modelu AI, ktorý znie presvedčivo, ale je nesprávny alebo úplne vymyslený – napríklad neexistujúci súdny rozsudok, nesprávne číslo alebo vymyslený zdroj. Príčina: jazykové modely vytvárajú pravdepodobné formulácie; fakty automaticky nevyhľadávajú. Riziko klesá, keď sa odpovede opierajú o overené zdroje, uvádzajú sa dôkazy a ľudia kontrolujú dôležité výsledky.
Heteronymum je slovo, ktoré sa píše rovnako ako iné, ale vyslovuje sa inak a má iný význam – napríklad anglické „lead“ (viesť) a „lead“ (olovo) alebo „wind“ (vietor) a „wind“ (točiť). Heteronymá sú podmnožinou homografov. Pre systémy prevodu textu na reč predstavujú výzvu, pretože správnu výslovnosť možno odvodiť len z kontextu, často s pomocou analýzy slovných druhov.
Heuristiky sú praktické pravidlá alebo zjednodušené stratégie, ktoré v primeranom čase vedú k dobrému, hoci nie zaručene optimálnemu riešeniu. V informatike a AI pomáhajú zúžiť obrovské priestory hľadania – napríklad pri plánovaní trás, kde slúži ako odhad vzdušná vzdialenosť k cieľu, alebo v šachu, kde sa hodnotia pozície. Heuristiky používajú aj ľudia v každodennom živote a pri obchodných rozhodnutiach, s rizikom systematických chýb v myslení.
Hlboké učenie je odvetvie strojového učenia, ktoré využíva umelé neurónové siete s mnohými vrstvami. Takéto siete sa z veľkého množstva údajov učia, na ktorých znakoch záleží – od hrán v obrázkoch až po významové súvislosti v textoch. Hlboké učenie je základom dnešných jazykových modelov, rozpoznávania obrazu a reči a strojového prekladu a zvyčajne si vyžaduje značný výpočtový výkon a veľa trénovacích údajov.
Pri generovaní rozšírenom o vyhľadávanie (RAG) znamená hodnotenie dokumentov kontrolu nájdených úryvkov, či zodpovedajú otázke a môžu podporiť odpoveď. Jazykovému modelu sa odovzdajú len úryvky hodnotené ako relevantné; nevhodné výsledky sa zahodia alebo spustia nové vyhľadávanie. To znižuje riziko vymyslených alebo nesprávne podložených odpovedí, napríklad keď sa na otázku o aktuálnych cenách objaví zastaraný dokument.
Horovod je open-source framework na distribuované trénovanie modelov hlbokého učenia na mnohých GPU alebo strojoch. Pôvodne ho vyvinula spoločnosť Uber, podporuje TensorFlow, Keras, PyTorch a MXNet a synchronizuje gradienty vypočítané zúčastnenými strojmi pomocou ring-allreduce, bez centrálneho parametrového servera. Projekt zastrešuje LF AI & Data Foundation; posledné stabilné vydanie, 0.28.1, pochádza z roku 2023 (stav k októbru 2026).
Hranica znalostí (knowledge cutoff) je časový bod, po ktorý siahajú trénovacie dáta jazykového modelu. Model nemá vlastné znalosti o udalostiach, cenách, zákonoch alebo produktoch, ktoré vznikli neskôr, a môže poskytovať zastarané informácie, ak mu nie sú dodané aktuálne dáta. Dá sa to riešiť metódami, ktoré počas behu zapájajú vlastné dokumenty alebo aktuálny webový obsah.
Hugging Face Transformers je open-source knižnica v jazyku Python, ktorá poskytuje prístup k vopred natrénovaným modelom pre text, obrázky a zvuk cez jedno, jednotné rozhranie. Vývojári ju používajú na sťahovanie modelov z Hugging Face Hub, ich vyskúšanie, prispôsobenie vlastným údajom alebo lokálne spúšťanie. Od verzie 5 sa knižnica zameriava predovšetkým na PyTorch (stav k októbru 2026). Príklad: tím otestuje model analýzy sentimentu len niekoľkými riadkami kódu.
Identifikácia jazyka automaticky zisťuje, v akom jazyku je text napísaný, napríklad v nemčine, taliančine alebo španielčine. Klasické metódy analyzujú charakteristické postupnosti písmen, kým veľké jazykové modely rozpoznajú jazyk ako vedľajší produkt. Používa sa na smerovanie dopytov správnemu tímu, spustenie vhodných prekladov alebo odpovedanie v jazyku druhej strany. Veľmi krátke texty a zmesi viacerých jazykov sú náročné.
Ideogram je služba AI, ktorá generuje obrázky z textových opisov a ktorú vyvíja rovnomenná spoločnosť založená v roku 2022. Je najznámejšia vykresľovaním čitateľného textu v obrázkoch, vďaka čomu je užitočná pre plagáty, pozvánky alebo grafiky pre sociálne siete. Je dostupná ako webová aplikácia a cez API; verzie modelov a licenčné podmienky sa pravidelne menia (stav k októbru 2026). Pred komerčným použitím by sa mali skontrolovať práva na použitie.
LIX (läsbarhetsindex) je miera čitateľnosti vyvinutá vo Švédsku Carlom-Hugom Björnssonom. Sčíta priemernú dĺžku vety v slovách a percentuálny podiel dlhých slov s viac ako šiestimi písmenami. Príklad: 15 slov vo vete a 30 % dlhých slov dá LIX 45. Keďže si nevyžaduje počítanie slabík, dá sa použiť na mnohé jazyky vrátane nemčiny; nízke hodnoty označujú ľahké texty a hodnoty od približne 60 veľmi ťažké.
Insight engine je forma podnikového vyhľadávania, ktorá spája informácie z mnohých zdrojov, ako sú dokumenty, e-maily, databázy a aplikácie, a analyzuje ich technikami AI. Namiesto prostých zoznamov nájdených položiek poskytuje pripravené odpovede, súvislosti alebo odporúčania, často v kontexte aktuálnej úlohy. Pojem rozšírili najmä analytici z odvetvia. Príklad: pred stretnutím s klientom vidí predajný tím všetky relevantné zmluvy, tikety a poznámky na jednom mieste.
Ladenie podľa pokynov (instruction tuning) je forma dolaďovania, pri ktorej sa vopred natrénovaný jazykový model ďalej trénuje na mnohých dvojiciach pokynov a požadovaných odpovedí. Model sa tak naučí plniť úlohy formulované v prirodzenom jazyku, a nielen pokračovať v texte. Je to kľúčový krok pri premene základného modelu na asistenta a často sa kombinuje s metódami, ako je RLHF. Príklad: pokyn „Zhrň tento text do troch viet“ sa vykoná spoľahlivo.
Inštančná segmentácia je technika počítačového videnia, ktorá na obrázku odhalí každý jednotlivý objekt a vyznačí jeho obrys po jednotlivých pixeloch. Na rozdiel od sémantickej segmentácie rozlišuje aj objekty tej istej triedy: tri osoby dostanú tri samostatné masky, nie jednu spoločnú plochu. Používa sa napríklad pri kontrole kvality, v lekárskom zobrazovaní, robotike alebo pri počítaní produktov v regáli.
Inteligentné spracovanie dokumentov (IDP, intelligent document processing) automaticky číta dokumenty, ako sú faktúry, zmluvy alebo formuláre, určí ich typ a relevantné údaje premení na štruktúrované dáta. Spája rozpoznávanie textu v skenoch, spracovanie prirodzeného jazyka a validačné pravidlá. Organizácie ušetria ručné zadávanie údajov a urýchlia procesy, ako je spracovanie došlých faktúr alebo pošty. Neisté polia by mali skontrolovať ľudia.
Inteligentný agent je systém, ktorý vníma svoje prostredie, spracúva informácie a samostatne vyberá akcie na dosiahnutie cieľa. Dnes tento pojem zvyčajne označuje softvér postavený na veľkých jazykových modeloch, ktorý plní pokyny, čerpá zo znalostí a volá nástroje, ako je funkcia vyhľadávania alebo API. O tom, koľko smie agent robiť samostatne, by sa malo rozhodnúť premyslene. Príklad: agent odpovedá na otázky zákazníkov na základe produktovej dokumentácie.
Interpretovateľnosť modelu popisuje, nakoľko dobre ľudia dokážu pochopiť, ako model AI dospel k svojim výsledkom. Jednoduché modely, napríklad rozhodovacie stromy, sú zo svojej podstaty ľahko čitateľné; pri zložitých neurónových sieťach môžu pomôcť techniky, ktoré odhaľujú vplyv jednotlivých príznakov. Interpretovateľnosť je dôležitá pre ladenie, dôveru a regulačné požiadavky, napríklad keď treba odôvodniť zamietnutie úveru.
Inžinierstvo príznakov (feature engineering) znamená výber, transformáciu a vytváranie atribútov (príznakov) zo surových údajov, aby algoritmus učenia ľahšie rozpoznal vzorce. Extrakcia príznakov odvodzuje stručné, zmysluplné hodnoty zo zložitých údajov, ako sú texty, obrázky alebo signály. Príklad: z jednotlivých záznamov o nákupoch sa vytvoria príznaky ako „dni od posledného nákupu“ alebo „priemerná hodnota objednávky“, ktoré môžu výrazne zlepšiť predpoveď odchodu zákazníkov.
Jailbreaking označuje pokusy obísť bezpečnostné pravidlá modelu AI šikovne formulovanými vstupmi tak, aby vytvoril obsah alebo vykonal akcie, ktoré má odmietnuť. Pre organizácie je to riziko, pretože chatbot by mohol napríklad prezradiť dôverné pokyny alebo reagovať nevhodne. Ochranné opatrenia zahŕňajú jasné systémové pokyny, kontrolu vstupov a výstupov, obmedzené oprávnenia, protokolovanie a pravidelné bezpečnostné testy (red teaming).
Jasper je platforma AI pre marketingové tímy od spoločnosti Jasper AI, americkej firmy založenej v roku 2021. Pomáha vytvárať texty, ako sú blogové príspevky, reklamy alebo príspevky na sociálnych sieťach, a dokáže zohľadniť uložené pravidlá značky a štýl komunikácie. Poskytovateľ sa dnes pozicionuje okolo špecializovaných agentov a automatizovaných pracovných postupov pre obsah (stav k októbru 2026). Ako pri každom generátore textu by sa fakty a tvrdenia mali pred zverejnením skontrolovať.
Jupyter Notebook je open-source aplikácia bežiaca v prehliadači od projektu Jupyter, ktorá v jednom dokumente spája spustiteľný kód, výsledky, grafy a vysvetľujúci text. Notebooky sa široko používajú v analýze údajov, strojovom učení, výskume a vzdelávaní, pretože každý krok možno zdokumentovať a zdieľať dohľadateľným spôsobom. Najčastejším jazykom je Python. Príklad: analytik načíta údaje o predaji, vyčistí ich a výsledky zobrazí ako graf priamo pod kódom.
K najbližších susedov (k-NN, k-nearest neighbours) je jednoduchá metóda učenia s učiteľom. Na klasifikáciu nového dátového bodu hľadá k najpodobnejších známych príkladov a preberie ich najčastejšiu triedu alebo pri číselných hodnotách ich priemer. Nepotrebuje skutočnú fázu trénovania, no pri veľkých súboroch údajov sa stáva pomalou a je citlivá na to, ako sa škálujú znaky. Príklad: odporúčania produktov na základe podobných zákazníkov.
Kaggle je online platforma pre dátovú vedu a strojové učenie, ktorú od roku 2017 vlastní Google. Ponúka verejné súbory údajov, súťaže založené na reálnych problémoch, notebooky v prehliadači s výpočtovými zdrojmi a vzdelávacie kurzy. Organizáciám a študentom je užitočná na vyskúšanie metód, porovnanie prístupov alebo vyhľadávanie talentov. Licenciu a pôvod každého súboru údajov by ste mali pred použitím skontrolovať.
Kauzálna inferencia zahŕňa metódy na odvodzovanie vzťahov príčiny a následku z údajov, namiesto toho, aby sa len zisťovali korelácie. Odpovedá na otázky ako „Čo by sa stalo, keby sme toto opatrenie neurobili?“. Medzi nástroje patria randomizované experimenty, ako sú A/B testy, kauzálne grafy a štatistické techniky pre observačné údaje. Príklad: zistenie, či zľavová kampaň skutočne zvýšila predaj, alebo či by predaj z sezónnych dôvodov vzrástol aj tak.
Keras je open-source knižnica v jazyku Python na tvorbu a trénovanie neurónových sietí, ktorú pôvodne vyvinul François Chollet. Ponúka prístupné, vysokoúrovňové rozhranie na skladanie modelov z vrstiev. Od verzie 3 môže Keras ako výpočtový backend bežať na JAX, TensorFlow alebo PyTorch. Príklad: tím vytvorí prototyp modelu na klasifikáciu obrázkov len niekoľkými riadkami kódu.
Klasifikácia textu automaticky priraďuje texty k vopred definovaným kategóriám, napríklad e-maily podľa typu požiadavky, recenzie podľa sentimentu alebo dokumenty podľa témy. Predtým to vyžadovalo trénovanie vlastných modelov na označených príkladoch; dnes veľké jazykové modely často dokážu priradiť kategórie už len na základe popisu. Umožňuje to predtriediť dopyty a rýchlejšie ich smerovať správnemu tímu.
Klasifikátor je model alebo metóda, ktorá priraďuje vstupy do jednej z viacerých vopred určených kategórií. Klasické varianty, ako sú rozhodovacie stromy alebo naivný Bayes, sa trénujú na označených príkladoch; jazykové modely dokážu texty triediť aj na základe opisu kategórií. Typické použitie zahŕňa detekciu spamu, triedenie dopytov zákazníkov podľa tém a kategorizáciu dokladov. Kvalita sa meria metrikami, ako sú správnosť, presnosť a úplnosť.
Tajný kód, ktorý iným programom umožňuje volať KI.ordo.
KNIME je softvér na analýzu údajov, v ktorom sa pracovné postupy skladajú vizuálne z blokov („uzlov“) namiesto programovania. Open-source platforma KNIME Analytics Platform pokrýva import údajov, čistenie, analýzu, strojové učenie a reporting, zatiaľ čo komerčné ponuky poskytovateľa pridávajú spoluprácu a prevádzku v organizáciách. Typickým príkladom je pracovný postup, ktorý zlúči mesačné údaje o predaji z viacerých súborov Excel, vyčistí ich a vytvorí predpoveď.
Kognitívna mapa je pôvodne pojem z psychológie, ktorý opisuje mentálnu reprezentáciu, ktorú si ľudia alebo zvieratá vytvárajú o svojom okolí. V manažmente a AI označuje aj grafické modely, ktoré zobrazujú pojmy ako uzly a ich vzťahy príčiny a následku ako vážené šípky, napríklad „fuzzy kognitívne mapy“. Takéto mapy pomáhajú štruktúrovať odborné znalosti a skúmať scenáre, napríklad ako zmeny cien ovplyvňujú dopyt a stav zásob.
Kognitívne počítanie (cognitive computing) je zastrešujúci pojem pre systémy, ktoré majú napodobňovať ľudské myšlienkové procesy, ako je porozumenie jazyku, usudzovanie a učenie sa zo skúseností, s cieľom podporovať rozhodovanie ľudí. Pojem sa široko rozšíril v 2010-tych rokoch, najmä vďaka IBM Watson. Spája metódy, ako sú spracovanie prirodzeného jazyka, strojové učenie a reprezentácia znalostí; dnes sa častejšie hovorí o asistentoch AI alebo jazykových modeloch.
Kolaboratívne roboty, alebo cobots, sú priemyselné roboty navrhnuté na prácu priamo popri ľuďoch bez oddeľujúceho bezpečnostného oplotenia. Senzory, obmedzené sily a rýchlosti a bezpečnostné funkcie zabezpečujú, že sa pri kontakte zastavia alebo odsunú; požiadavky stanovujú normy, ako je rad ISO 10218. Cobots zvládajú úlohy, ako je zakladanie do strojov, skrutkovanie alebo balenie, zatiaľ čo zamestnanci sa starajú o kontrolu a zvláštne prípady.
Kolaps modelu je strata kvality, ktorá môže nastať, keď sa generatívne modely opakovane trénujú na dátach, ktoré samy vytvorila AI. Postupne sa strácajú zriedkavé obsahy a okrajové prípady a výstupy sú jednotvárnejšie a náchylnejšie na chyby. Problém nadobúda na význame, pretože podiel textov a obrázkov vytvorených AI na internete rastie. Pomáhajú starostlivo vybrané dáta vytvorené ľuďmi.
Priekopa (moat) je trvalá konkurenčná výhoda, ktorá chráni firmu pred napodobňovateľmi, napríklad sieťové efekty, náklady na prechod inam, silná značka, exkluzívne dáta alebo hlboká integrácia do zákazníckych procesov. Otázka je obzvlášť relevantná pri ponukách s AI, pretože mnohé produkty stavajú na rovnakých dostupných modeloch. Výhody potom pochádzajú skôr z odbornej znalosti oblasti, blízkosti k zákazníkom, dobrých procesov a dôvery než len z technológie.
Konštitučná AI (Constitutional AI) je metóda trénovania jazykových modelov, ktorú v roku 2022 zverejnila spoločnosť Anthropic; s ústavným právom nemá nič spoločné. Vychádza zo spísaného súboru zásad, „konštitúcie“: model kritizuje a prepracúva vlastné odpovede podľa týchto zásad, potom AI porovnáva dvojice odpovedí a táto spätná väzba slúži ako odmeňovací signál pre posilňované učenie (RLAIF). Znižuje to potrebu ľudského označovania škodlivého obsahu; v januári 2026 Anthropic zverejnil revidovanú konštitúciu pre Claude.
Pri kontrole právnych dokumentov s podporou AI jazykový model analyzuje zmluvy, obchodné podmienky alebo právne podania: zhrnie kľúčové body, ako sú trvanie, výpoveď a zodpovednosť, označí neobvyklé doložky a upozorní na chýbajúce ustanovenia. Úvodná kontrola sa tým výrazne urýchli, no nenahrádza právne poradenstvo; posúdenie a zodpovednosť zostávajú na kvalifikovaných ľuďoch.
V strojovom učení konvergencia znamená, že sa trénovací postup blíži k stabilnému stavu: strata už takmer neklesá a parametre modelu sa menia len minimálne. Či a ako rýchlo model skonverguje, závisí od faktorov, ako sú rýchlosť učenia, kvalita údajov a architektúra modelu. Ak je rýchlosť učenia príliš vysoká, strata poskakuje; ak je príliš nízka, trénovanie trvá zbytočne dlho. Konvergencia nezaručuje dobrý model, pretože môže byť stále preučený.
Konverzačná AI zahŕňa technológie, ktoré počítačom umožňujú viesť dialógy v prirodzenom jazyku, písomne cez chat alebo hovorene cez hlasových asistentov. Moderné systémy zvyčajne vychádzajú z veľkých jazykových modelov, ktoré rozumejú požiadavkám, zohľadňujú históriu konverzácie a formulujú vhodné odpovede. Organizácie ich využívajú v zákazníckom servise, pri rezervácii termínov alebo pre interné helpdesky. Nevyhnutné sú spoľahlivé znalosti, jasné hranice a odovzdanie ľuďom, keď AI nemôže pomôcť.
Konvolučná neurónová sieť (CNN) je architektúra neurónovej siete, ktorá sa hodí najmä na obrazové údaje. Vstup prechádza malými filtrami, pričom v prvých vrstvách rozpoznáva jednoduché znaky, ako sú hrany, a v hlbších vrstvách zložitejšie tvary. CNN dlhé roky formovali rozpoznávanie obrazu a využívajú sa napríklad na odhaľovanie chýb na produktových fotografiách alebo v analýze medicínskych snímok.
Konzultant pre AI pomáha organizáciám využívať AI zmysluplne a zodpovedne. Typické úlohy zahŕňajú posúdenie potenciálu, výber vhodných prípadov použitia a nástrojov, ich začlenenie do existujúcich procesov a zodpovedností, otázky ochrany údajov a compliance a školenia. Dobré poradenstvo triezvo váži prínosy a riziká a zohľadňuje ľudí, ktorí so systémami pracujú. Príklad: stredne veľká firma si ujasní, ktoré dopyty zákazníkov možno spoľahlivo automatizovať.
Korektúra je kontrola textu z hľadiska pravopisu, gramatiky a interpunkcie, často spolu s jednotným používaním; redakčná úprava ide ďalej a rieši aj štýl, štruktúru a obsah. AI dokáže rýchlo označiť chyby a navrhnúť opravy, napríklad v ponukách, newsletteroch alebo webových stránkach. Odporúča sa všetky zmeny transparentne vypísať a nechať človeka vykonať záverovú kontrolu odborných výrazov, vlastných mien a významu.
Korpus je štruktúrovaná zbierka textov alebo jazykových údajov zostavená na analýzu, výskum alebo trénovanie jazykových modelov. Môže byť všeobecný, napríklad spravodajské texty z mnohých rokov, alebo doménovo špecifický, napríklad všetky zmluvy a príručky firmy. Veľkosť, vyváženosť, aktuálnosť a práva k textom určujú, nakoľko sú výsledné zistenia užitočné.
Krivka ROC (receiver operating characteristic) ukazuje, nakoľko dobre klasifikačný model oddeľuje dve triedy. Pre každý možný rozhodovací prah zobrazuje mieru skutočne pozitívnych (recall) voči miere falošne pozitívnych. Čím viac sa krivka blíži k ľavému hornému rohu, tým lepšie; uhlopriečka zodpovedá čistému hádaniu. Plocha pod ňou (AUC) zhŕňa krivku do jediného čísla a pomáha napríklad pri porovnávaní rôznych modelov na odhaľovanie podvodov.
Krížová entropia je miera z teórie informácie, ktorá udáva, nakoľko sa predpovedané rozdelenie pravdepodobnosti odchyľuje od skutočného. V strojovom učení je to najbežnejšia stratová funkcia pre úlohy klasifikácie a tiež pre jazykové modely, ktoré predpovedajú nasledujúci token. Obzvlášť prísne penalizuje sebavedomé nesprávne predpovede: priradenie 99 % nesprávnej triede vedie k oveľa vyššej strate než priradenie 60 %.
Krížová validácia je metóda na kontrolu, nakoľko dobre model zovšeobecňuje na nové, nevidené údaje. Pri k-násobnej krížovej validácii sa údaje rozdelia na k častí; model sa k-krát trénuje na k−1 častiach a vždy sa testuje na zvyšnej časti, potom sa výsledky spriemerujú. Pomáha to odhaliť preučenie a spravodlivo porovnať modely alebo nastavenia, najmä keď je k dispozícii málo údajov.
Kubeflow je open-source platforma na spúšťanie pracovných postupov strojového učenia na Kubernetes, od prípravy údajov cez trénovanie a hľadanie hyperparametrov až po poskytovanie modelov. Projekt pôvodne inicioval Google a patrí pod Cloud Native Computing Foundation, kde v auguste 2026 dosiahol štatút „graduated“ (stav k októbru 2026). Je určený hlavne tímom, ktoré vo veľkom trénujú vlastné modely na vlastnej alebo cloudovej infraštruktúre.
Kvantové počítanie využíva javy kvantovej fyziky, ako sú superpozícia a previazanosť, a počíta s qubitmi namiesto klasických bitov. Veľké zrýchlenie sa očakáva pri niektorých úlohách, ako je simulácia molekúl, niektoré optimalizačné problémy alebo prelamovanie dnešných šifrovacích metód. Stroje sú však stále náchylné na chyby a používajú sa väčšinou vo výskume a v pilotných projektoch (stav k októbru 2026). Pre dnešné aplikácie AI zatiaľ kvantové počítanie prakticky nehrá žiadnu úlohu.
LangGraph je open-source framework z ekosystému LangChain na modelovanie agentov AI a viackrokových procesov ako grafu uzlov a hrán. Zdieľaný stav sa odovzdáva z kroku do kroku a sú v ňom zabudované cykly, vetvenia, kontrolné body a prerušenia na ľudské schválenie. Verzia 1.0 vyšla v októbri 2025. Príkladom je agent, ktorý preskúma tému, napíše návrh a pred odoslaním počká na schválenie.
LangChain je open-source framework pre Python a JavaScript, ktorý vývojári používajú na tvorbu aplikácií založených na jazykových modeloch. Poskytuje jednotné rozhrania k mnohým poskytovateľom modelov, ako aj stavebné bloky pre volanie nástrojov, agentov, spracovanie dokumentov a generovanie rozšírené o vyhľadávanie (RAG). Od verzie 1.0 (október 2025) sú agenti LangChain postavení na LangGraph. Typické použitie zahŕňa chatboty, ktoré prehľadávajú interné dokumenty, a agentov, ktorí volajú externé služby.
LazyGraphRAG je prístup ku grafovému generovaniu rozšírenému o vyhľadávanie (RAG), ktorý v roku 2024 predstavil Microsoft Research. Na rozdiel od GraphRAG nenecháva jazykový model vytvárať zhrnutia počas indexovania; namiesto toho identifikuje pojmy a ich spoločný výskyt klasickým spracovaním prirodzeného jazyka a jazykový model sa používa až pri dopyte. Podľa Microsoftu to znižuje náklady na indexovanie na úroveň základného vektorového RAG. Hodí sa najmä na otázky, ktoré si vyžadujú prehľad veľkých zbierok dokumentov.
Lead scraper je nástroj, ktorý automaticky zbiera kontaktné údaje potenciálnych zákazníkov z webových stránok, adresárov alebo sociálnych sietí. V Nemecku a v EÚ je to právne citlivé: mená a e-mailové adresy kontaktných osôb sú osobné údaje, takže ich spracúvanie vyžaduje právny základ a informovanie dotknutých osôb podľa GDPR, a podľa nemeckého zákona proti nekalej súťaži (UWG, § 7) reklamné e-maily vo všeobecnosti vyžadujú predchádzajúci výslovný súhlas, a to aj voči podnikom. Lepšou cestou sú prichádzajúce dopyty cez váš web, obsah a odporúčania (nejde o právne poradenstvo).
Lexile Framework for Reading je systém vyvinutý americkou spoločnosťou MetaMetrics, ktorý na jednej stupnici meria čitateľské schopnosti osoby aj obtiažnosť textu. Hodnoty sa uvádzajú s „L“, napríklad 850L; text je vhodný, keď je jeho hodnota blízka hodnote čitateľa. Vychádza najmä z dĺžky viet a frekvencie slov. Systém sa široko používa v školách a vydavateľstvách, najmä v anglicky hovoriacich krajinách.
LightGBM je open-source knižnica na gradientné posilňovanie s rozhodovacími stromami, ktorú pôvodne vyvinul Microsoft. Je navrhnutá na rýchlosť a nízku spotrebu pamäte, okrem iného vďaka trénovaniu založenému na histogramoch a stromom, ktoré rastú po listoch v najperspektívnejšom liste. LightGBM sa hodí najmä na veľké tabuľkové súbory údajov, napríklad predpovede predaja, predikciu odchodu zákazníkov alebo odhaľovanie podvodov, a často sa porovnáva s XGBoost.
Mesačný strop spotreby AI v pracovnom priestore.
Lineárna regresia je štatistická metóda, ktorá opisuje vzťah medzi cieľovou premennou a jedným alebo viacerými prediktormi pomocou priamky alebo roviny. Koeficienty sa zvyčajne volia tak, aby sa minimalizoval súčet štvorcov odchýlok. Metóda sa dobre chápe a interpretuje: dokáže napríklad odhadnúť, o koľko vzrastú tržby, keď sa reklamný rozpočet zvýši o 1 000 €. Pri nelineárnych vzťahoch narazí na svoje hranice.
LLaMA, dnes zvyčajne písaná „Llama“, je rodina veľkých jazykových modelov od spoločnosti Meta. Mnohé verzie vyšli so sťahovateľnými váhami pod vlastnou licenciou spoločnosti Meta, čo organizáciám umožňuje spúšťať ich a prispôsobovať na vlastnej infraštruktúre. Najnovšou veľkou generáciou je Llama 4 (2025); v roku 2026 Meta predstavila aj sériu modelov Muse, z ktorej je otvorene vydaná len časť (stav k októbru 2026).
llms.txt je textový súbor vo formáte Markdown umiestnený v koreňovom adresári webu, ktorý jazykovým modelom poskytuje stručný prehľad najdôležitejšieho obsahu s odkazmi. Myšlienku v septembri 2024 predložil Jeremy Howard (Answer.AI). Ide o návrh, nie o oficiálny štandard; veľkí poskytovatelia AI sa nezaviazali ho čítať (stav k októbru 2026). Dopĺňa robots.txt a sitemap, ale nenahrádza ich.
Log loss (logaritmická strata) meria, nakoľko dobre predpovedané pravdepodobnosti klasifikačného modelu zodpovedajú skutočným výsledkom. Sebavedomé, ale nesprávne predpovede sa penalizujú obzvlášť prísne; hodnota blízka nule ukazuje dobre kalibrované predpovede. Príklad: ak model dá zákazníkovi, ktorý zostane, 95 % pravdepodobnosť odchodu, log loss prudko vzrastie. Matematicky je to to isté ako binárna krížová entropia.
Logistická regresia je štatistická metóda, ktorá predpovedá pravdepodobnosť jedného z dvoch výsledkov, ako je „kúpi“ alebo „nekúpi“. Váhuje vstupné znaky a ich súčet pomocou funkcie v tvare písmena S prevedie na hodnotu medzi 0 a 1. Keďže váhy sa dajú ľahko interpretovať, široko sa používa v kreditnom skóringu, medicíne a marketingu, často ako solídny základ pre zložitejšie modely.
Long Short-Term Memory (LSTM) je typ rekurentnej neurónovej siete, ktorá si dokáže zachovať informácie naprieč dlhými postupnosťami. Takzvané brány rozhodujú v každom kroku, čo uložiť, zabudnúť alebo odovzdať, čím zmierňujú problém miznúceho gradientu. Mnoho rokov LSTM formovali rozpoznávanie reči, preklad a predpovedanie časových radov. Pri spracovaní jazyka ich z veľkej časti nahradili transformery, no pri údajoch zo senzorov zostávajú bežné.
Manipulácia kontextového okna označuje útoky, ktoré zámerne ovplyvňujú text, ktorý jazykový model spracúva naraz, napríklad skrytými pokynmi v dokumentoch, vymyslenými skoršími časťami konverzácie alebo veľkým množstvom výplne, ktorá odsunie pôvodné pravidlá do pozadia. Ochranu zabezpečuje jasné oddelenie dôveryhodných pokynov od externého obsahu, limity dĺžky, kontroly vstupov a udeľovanie čo najmenšieho počtu oprávnení agentom.
Prehľad kľúčových procesov firmy a toho, ako na seba nadväzujú.
Marketing poháňaný AI využíva techniky AI na lepšie pochopenie cieľových skupín, tvorbu obsahu a riadenie kampaní. Typické aplikácie zahŕňajú segmentáciu, personalizované posolstvá, predpovede pravdepodobnosti nákupu, analýzu spätnej väzby od zákazníkov a optimalizáciu reklám. Opiera sa o legálne získané údaje a jasné ciele a výsledky by sa mali overovať testovaním. Príklad: internetový obchodník posiela newslettre s odporúčaniami produktov, ktoré zodpovedajú predchádzajúcemu nákupnému správaniu.
Matica zámen (confusion matrix) je tabuľka, ktorá porovnáva predpovede klasifikátora so skutočnými triedami. Pri dvoch triedach ukazuje skutočne pozitívne, falošne pozitívne, skutočne negatívne a falošne negatívne prípady. Z nej možno vypočítať metriky, ako sú presnosť, úplnosť a skóre F1, a je jasné, aké chyby sa vyskytujú. Príklad: filter spamu, ktorý označí veľa skutočných e-mailov ako spam, má veľa falošne pozitívnych výsledkov, čo je často drahšie než prehliadnutá spamová správa.
Tabuľka, ktorá pre každú úlohu určuje, kto ju vykonáva (R), kto za ňu zodpovedá (A), s kým sa konzultuje (C) a kto je informovaný (I). Nazýva sa aj RACI.
Otázka, ku ktorej agent vo svojich znalostiach nič nenašiel. KI.ordo ich zbiera, aby ste mohli medzery vyplniť.
Metaprompt je pokyn, ktorým jazykový model požiadate, aby sám navrhol alebo vylepšil prompty či systémové pokyny. Opíšete cieľ, cieľovú skupinu a požadovaný tón a pridáte príklady; model potom vytvorí štruktúrované pokyny s rolou, pravidlami a hranicami. Vďaka tomu vzniknú dobré prvé verzie rýchlejšie, ktoré ľudia následne otestujú a doladia. Príklad: z „zákazníckeho servisu pre predajňu bicyklov“ vznikne kompletný návrh pokynov.
Metódy Monte Carlo sú výpočtové techniky, ktoré využívajú obrovské množstvo náhodných vzoriek na približné určenie výsledkov, ktoré sa analyticky počítajú ťažko. Systém sa tisíckrát simuluje s náhodne meniacimi sa predpokladmi a analyzuje sa rozdelenie výsledkov. Organizácie ich využívajú na analýzu rizík, plánovanie projektov alebo oceňovanie portfólií. V oblasti AI sa metódy používajú okrem iného pri posilňovanom učení a pri prehľadávaní stromov v hrách.
Miera zavádzania AI udáva, aký podiel firiem, zamestnancov alebo domácností používa AI, a slúži ako miera rozšírenia tejto technológie. Podľa Spolkového štatistického úradu Nemecka (Destatis) používalo AI v roku 2024 20 % nemeckých firiem s desiatimi a viac zamestnancami (2023: 12 %). Digitálne združenie Bitkom zistilo v roku 2025 podiel 36 % medzi firmami s 20 a viac zamestnancami. Odlišné definície a vzorky znamenajú, že štúdie sú porovnateľné len čiastočne.
Mistral AI je spoločnosť zameraná na umelú inteligenciu so sídlom v Paríži, ktorú v roku 2023 založili Arthur Mensch, Guillaume Lample a Timothée Lacroix. Vyvíja veľké jazykové modely a ponúka modely s verejne dostupnými váhami, niektoré pod licenciou Apache 2.0, aj komerčné modely cez vlastnú platformu. Pre európske organizácie sa Mistral AI často spomína v diskusiách o digitálnej suverenite údajov a o prevádzke modelov na vlastnej infraštruktúre.
MLflow je open-source platforma na správu celého životného cyklu modelov strojového učenia, ktorú pôvodne v roku 2018 predstavila spoločnosť Databricks. Zaznamenáva experimenty s ich parametrami a metrikami, spravuje verzie modelov v registri a zjednodušuje nasadenie. Novšie verzie podporujú aj sledovanie a vyhodnocovanie aplikácií postavených na jazykových modeloch. Tímy tak vedia dohľadať, ktorý model vznikol s akými dátami a nastaveniami.
Flux je rodina modelov AI, ktoré generujú a upravujú obrázky z textových opisov. Vyvíja ho spoločnosť Black Forest Labs so sídlom vo Freiburgu im Breisgau v Nemecku. Prvá generácia vyšla v auguste 2024 a FLUX.2 v novembri 2025 spolu s variantmi na úpravu obrázkov textovým pokynom. Niektoré verzie sú dostupné s otvorenými váhami, čiastočne len na nekomerčné použitie, iné sa ponúkajú výlučne cez API (stav k októbru 2026).
Model Context Protocol (MCP) je otvorený štandard, ktorý umožňuje aplikáciám s AI jednotne pristupovať k externým nástrojom, zdrojom dát a službám. Server MCP poskytuje funkcie a klient MCP, napríklad asistent s AI, ich môže volať. Protokol MCP predstavila spoločnosť Anthropic v novembri 2024; od decembra 2025 sa rozvíja pod záštitou Agentic AI Foundation v rámci Linux Foundation (stav k októbru 2026). Nie je tak potrebné vytvárať každú integráciu zvlášť.
Model drift je postupný pokles kvality predikcií modelu počas prevádzky, pretože sa realita oproti trénovacím dátam mení. Rozlišujeme zmeny vo vstupných dátach (data drift) a zmeny vzťahu medzi vstupmi a výsledkami (concept drift). Príklad: model na odhaľovanie podvodov prehliadne nové podvodné schémy. Nápravou je priebežné monitorovanie metrík a pravidelné pretrénovanie.
Modelovanie sekvencií zahŕňa metódy, ktoré spracúvajú a predpovedajú dáta v pevnom poradí, kde záleží na pozícii každého prvku. Typickými sekvenciami sú text, hovorený jazyk, časové rady, ako sú predaje alebo hodnoty zo senzorov, a úseky DNA. Použitia siahajú od prekladu a generovania textu až po rozpoznávanie reči a predpovedanie predaja. Na to sa používali skryté Markovove modely a rekurentné siete; dnes v oblasti jazyka dominujú modely transformer.
Apache MXNet bol open-source framework na hlboké učenie, ktorý dokázal efektívne trénovať modely na viacerých GPU a strojoch, s rozhraniami pre Python, C++, R, Scalu a ďalšie jazyky. Amazon Web Services ho niekoľko rokov podporoval ako preferovaný framework. Apache Software Foundation projekt v septembri 2023 ukončila a do februára 2024 ho presunula do Apache Attic; už sa nevyvíja. Existujúce modely sa zvyčajne migrujú do iných frameworkov.
„Mysleli ste“ (DYM, did you mean) je funkcia vyhľadávania, ktorá navrhne opravený dopyt, keď sa vstup javí ako preklep alebo nezvyčajný. Spolieha sa na miery podobnosti medzi slovami, jazykové modely a analýzu častých vyhľadávaní. Príklad: kto do internetového obchodu napíše „kavovra“, uvidí „Mysleli ste: kávovar?“. Funkcia znižuje počet prázdnych stránok s výsledkami, a tak zlepšuje zážitok z vyhľadávania.
Naive Bayes je rodina jednoduchých klasifikačných metód založených na Bayesovej vete. Nazývajú sa „naivné“, pretože predpokladajú, že všetky príznaky sú navzájom nezávislé, čo sa v praxi len zriedka naplní, no výsledky bývajú napriek tomu dobré. Metódy sú rýchle, potrebujú málo trénovacích dát a sú obzvlášť vhodné na texty. Klasickým príkladom je spamový filter, ktorý triedi e-maily podľa typických slov.
Náklady na veľké jazykové modely sa zvyčajne účtujú za token, teda textové jednotky veľké zhruba ako slabika až slovo; vstupné a výstupné tokeny sa oceňujú osobitne, pričom výstup je spravidla drahší. Väčšie modely stoja na token viac než malé, rýchle modely, ako je Claude Haiku, ktoré na jednoduché úlohy často stačia. Prompt caching znižuje náklady, keď sa opakovane posiela ten istý dlhý kontext. Pomáhajú aj stručné pokyny a starostlivo vybrané znalosti.
Nedostatok údajov nastáva, keď je pre úlohu AI príliš málo vhodných alebo označených údajov na spoľahlivé trénovanie alebo testovanie modelu. Týka sa to napríklad zriedkavých typov chýb vo výrobe, málo rozšírených jazykov alebo nových produktov bez histórie predaja. Riešením sú prenosové učenie (transfer learning), syntetické údaje, augmentácia údajov alebo vopred natrénované jazykové modely, ktoré poskytnú použiteľné výsledky už z niekoľkých príkladov.
Negatívny prompt určuje, čo model AI výslovne nemá generovať ani robiť. Pri generovaní obrázkov, napríklad so Stable Diffusion, je to samostatné vstupné pole pre nežiaduce prvky, ako „rozmazané“ alebo „text v obraze“. Pri jazykových modeloch má podobu pravidiel v pokynoch, napríklad „Nevymýšľaj ceny“ alebo „Neposkytuj právne poradenstvo“. Takéto hranice robia výsledky predvídateľnejšími, no nenahrádzajú kontrolu.
Pri nepriamej prompt injection nie sú manipulatívne pokyny vo vstupe používateľa, ale skryté v obsahu, ktorý systém AI popri tom spracúva, napríklad na webových stránkach, v e-mailoch alebo dokumentoch. Keď agent takýto obsah prečíta, môže skryté príkazy pokladať za skutočné úlohy a napríklad prezradiť údaje. Ochrana zahŕňa striktné zaobchádzanie s externým obsahom ako s údajmi, obmedzenie oprávnení, kontrolu vstupov a vyžadovanie ľudského schválenia pri kritických akciách.
Pri neriadenom učení model dostane dáta bez vopred daných správnych odpovedí a sám hľadá štruktúry. Typickými metódami sú zhlukovanie, ktoré zoskupuje podobné záznamy, a redukcia dimenzionality, ktorá zhustí mnoho príznakov do niekoľkých podstatných. Organizácie ju využívajú na objavovanie zákazníckych segmentov alebo odhaľovanie nezvyčajných transakcií; nájdené skupiny musia následne interpretovať odborníci z danej oblasti.
Neštruktúrované dáta sa neriadia pevnou tabuľkovou schémou: e-maily, zmluvy, príručky, webové stránky, prezentácie, obrázky alebo zvukové nahrávky. Tvoria veľkú časť znalostí organizácií, no dlho sa ťažko analyzovali automaticky. Jazykové modely dokážu takýto obsah čítať a prehľadávať a premeniť ho na štruktúrované informácie, napríklad vytiahnuť z zmluvy lehoty a sumy do tabuľky.
Neuromorfné počítanie je prístup k hardvéru a softvéru, ktorého vzorom je štruktúra mozgu. Namiesto presúvania dát medzi oddelenou pamäťou a procesorom v taktoch pracujú umelé neuróny a synapsie paralelne a reagujú len na udalosti nazývané spiky. To sľubuje veľmi nízku spotrebu energie, napríklad v senzoroch alebo robotoch. Známymi výskumnými čipmi sú Intel Loihi a IBM TrueNorth; široké komerčné využitie je zatiaľ v počiatočnej fáze.
NLTK (Natural Language Toolkit) je open-source knižnica Pythonu na spracovanie prirodzeného jazyka, ktorá vznikla na Pensylvánskej univerzite začiatkom 2000. rokov. Poskytuje nástroje na tokenizáciu, stemming, určovanie slovných druhov a jednoduchú klasifikáciu, ako aj prístup k mnohým textovým korpusom. NLTK sa používa najmä vo výučbe a výskume; produkčné aplikácie sa často opierajú o knižnice, ako je spaCy, alebo o modely transformer.
No-code označuje nástroje, ktoré umožňujú vytvárať aplikácie, automatizácie alebo webové stránky cez grafické rozhrania bez písania programového kódu. Odborné tímy môžu procesy realizovať a testovať samy, namiesto čakania na vývoj v IT. Hranice sa ukážu pri veľmi špecializovaných požiadavkách, veľkých objemoch dát alebo hlbokých integráciách. Príklad: obchodný tím pomocou presúvania myšou vytvorí postup, ktorý triedi a zhŕňa nové dopyty.
NumPy je základná open-source knižnica Pythonu na numerické výpočty. Poskytuje viacrozmerné polia a rýchle funkcie pre lineárnu algebru, štatistiku a náhodné čísla, pričom jej jadro beží v kompilovanom kóde. Na NumPy je postavených mnoho nástrojov na analýzu dát a strojové učenie, ako pandas, scikit-learn a početné knižnice na vizualizáciu. Kto pracuje s dátami v Pythone, používa ju preto takmer vždy, priamo alebo nepriamo.
Obohacovanie B2B údajov dopĺňa existujúce záznamy o firmách – napríklad v CRM – o informácie, ako je odvetvie, ponuka, sídlo, veľkosť firmy alebo webová stránka. Uľahčuje to segmentáciu, hodnotenie potenciálnych zákazníkov (lead scoring) a cielené oslovovanie v obchode. Zdrojmi sú verejné webové stránky, registre a špecializovaní poskytovatelia údajov. Osobné údaje kontaktných osôb podliehajú GDPR a mali by sa spracúvať striedmo a len na základe právneho základu.
Obohacovanie obsahu znamená pridanie štruktúry a doplňujúcich informácií k existujúcemu textu, ako sú nadpisy, osnova, zhrnutie, kľúčové slová alebo metadáta. Modely AI to dokážu rýchlo a konzistentne, vďaka čomu sa obsah lepšie hľadá, číta a opätovne využíva. Kľúčovým pravidlom je usporiadať to, čo už existuje, a nevymýšľať nové fakty. Príklad: hrubé poznámky zo stretnutia sa zmenia na štruktúrovanú zápisnicu so zhrnutím.
Obojsmerná LSTM (BiLSTM) je rekurentná neurónová sieť, ktorá číta sekvenciu dopredu aj dozadu a oba pohľady spája. Zohľadňuje sa tak aj kontext, ktorý po každom slove nasleduje. Predtým, ako ich nahradili transformery, bola štandardnou voľbou pre úlohy ako určovanie slovných druhov, rozpoznávanie pomenovaných entít a rozpoznávanie reči. Pri veľmi dlhých textoch a veľkých súboroch údajov dnes zvyčajne dosahujú lepšie výsledky transformery.
Odhad hĺbky z obrázkov určuje, ako ďaleko sú objekty alebo jednotlivé pixely od kamery. Dá sa to urobiť dvoma kamerami (stereo), hĺbkovými senzormi alebo pomocou neurónových sietí dokonca z jedinej fotografie (monokulárny odhad hĺbky). Potrebuje sa v robotike, asistenčných systémoch vodiča, rozšírenej realite a 3D modeloch miestností.
Odhad pózy je technika počítačového videnia, ktorá v obrázkoch alebo videu určuje postoj ľudí alebo polohu a orientáciu objektov. Model spravidla deteguje kľúčové body, ako ramená, lakte a kolená, a spojí ich do kostry. Využíva sa napríklad vo fitnes aplikáciách, ktoré kontrolujú cvičenia, pri analýze ergonómie na pracovisku, v športovej analytike a v robotike.
Odhaľovanie finančných podvodov zahŕňa metódy, ktoré odhaľujú podvodnú činnosť pri platbách, kreditných kartách, poistení alebo účtovníctve. Modely AI sa učia typické vzorce legitímnych transakcií a označujú odchýlky – napríklad nezvyčajné sumy, miesta alebo časy – často v reálnom čase. Zásadné je nájsť správnu rovnováhu medzi odhalenými podvodmi a falošnými poplachmi. Podozrivé prípady by mali ľudia skontrolovať skôr, než sa zablokujú účty alebo zamietnu platby.
Odhaľovanie podvodov zahŕňa metódy, ktoré včas identifikujú podozrivé transakcie, objednávky, účty alebo žiadosti. Pravidlá a učiace sa modely hľadajú varovné signály, ako sú odlišné dodacie a fakturačné adresy, nezvyčajné množstvá, nápadný časový tlak alebo jednorazové e-mailové adresy. Využíva sa v e-commerce, bankovníctve, poisťovníctve a platobných službách. Keďže falošné poplachy môžu postihnúť skutočných zákazníkov, zistenia by mali posúdiť ľudia, nie ich automaticky zamietať.
Odpovedanie na otázky (QA, question answering) je oblasť spracovania prirodzeného jazyka, v ktorej systém odpovedá priamo na otázky položené bežným jazykom, namiesto toho, aby vrátil zoznam výsledkov vyhľadávania. Moderné systémy hľadajú relevantné úryvky v báze znalostí a zostavia z nich odpoveď, ideálne s odkazom na zdroj. Typické použitie je zákaznícky servis, interné bázy znalostí a príručky – napríklad otázka v príručke pre zamestnancov: „Koľko dní dovolenky mám v prvom roku?“
V informatike je ontológia formálny model určitej oblasti poznania, ktorý jasne definuje pojmy, ich vlastnosti a vzťahy medzi nimi. Ľudia aj stroje tak môžu dáta jednotne interpretovať a vyvodzovať z nich závery. Ontológie sú základom mnohých znalostných grafov, sémantických vyhľadávacích systémov a projektov integrácie dát. Príklad: ontológia produktov uvádza, že „elektrobicykel“ je „bicykel“ a má „batériu“.
Open Neural Network Exchange (ONNX) je otvorený formát súborov pre modely strojového učenia, ktorý v roku 2017 predstavili Microsoft a Facebook (dnes Meta) a dnes ho zastrešuje LF AI & Data Foundation. Model natrénovaný napríklad v PyTorch je možné exportovať do ONNX a spúšťať ho v iných nástrojoch alebo prostrediach, ako je ONNX Runtime. Uľahčuje to prechod medzi frameworkmi a nasadenie na rôznom hardvéri.
OpenAI je spoločnosť zameraná na umelú inteligenciu so sídlom v San Franciscu, založená v roku 2015 ako nezisková organizácia. Od reštrukturalizácie v októbri 2025 ju tvorí nezisková OpenAI Foundation, ktorá riadi ziskovú spoločnosť OpenAI Group PBC (stav k októbru 2026). OpenAI je najznámejšia vďaka ChatGPT a jazykovým modelom GPT, ako aj generátoru obrázkov DALL·E a modelu na rozpoznávanie reči Whisper. Jej modely sa ponúkajú cez aplikácie a API.
OpenCV (Open Source Computer Vision Library) je open-source softvérová knižnica na spracovanie obrazu a počítačové videnie, ktorej vývoj sa začal okolo roku 2000 v spoločnosti Intel. Ponúka tisíce funkcií, napríklad na filtrovanie obrázkov, detekciu hrán a tvárí, sledovanie objektov vo videu alebo kalibráciu kamier. OpenCV je napísaná v C++, ale často sa používa cez Python, napríklad pri kontrole kvality, v robotike a vo výskume.
Optické rozpoznávanie znakov (OCR) premieňa text obsiahnutý v obrázkoch, ako sú skeny, fotografie alebo faxy, na strojovo čitateľný text. Až potom možno dokumenty vyhľadávať, kopírovať alebo automaticky spracúvať. Moderné OCR využíva neurónové siete a dokáže rozpoznať aj tabuľky, rozloženie a v niektorých prípadoch aj rukopis. Typické použitia zahŕňajú spracovanie faktúr, digitalizáciu archívov a čítanie formulárov; kvalita výrazne závisí od kvality obrazu.
Hyperparametre sú nastavenia určené pred trénovaním modelu, ako je rýchlosť učenia, počet vrstiev alebo sila regularizácie. Optimalizácia hyperparametrov systematicky hľadá kombináciu, ktorá dosahuje najlepšie výsledky na validačných údajoch, napríklad pomocou mriežkového hľadania, náhodného hľadania alebo bayesovskej optimalizácie. Dobre zvolené hodnoty zlepšujú presnosť a znižujú nadmerné alebo nedostatočné prispôsobenie, no hľadanie stojí výpočtový čas.
Optimalizácia pre generatívne vyhľadávače (GEO, generative engine optimisation) zahŕňa opatrenia, vďaka ktorým je obsah viditeľný vo vyhľadávacích systémoch poháňaných AI, ako sú ChatGPT, Perplexity alebo prehľady AI vo vyhľadávačoch, a je v nich citovaný ako zdroj. Pojem pochádza z výskumnej štúdie z roku 2023. Medzi kľúčové faktory patria jasné, priamo citovateľné odpovede, prehľadná štruktúra, doložené fakty, aktuálne informácie a identifikovateľní autori. GEO dopĺňa klasickú optimalizáciu pre vyhľadávače (SEO), nenahrádza ju.
Schéma štruktúry firmy: oddelenia, roly a kto je komu podriadený.
Account-based marketing (ABM) zameriava marketing a obchod na vybranú skupinu firemných zákazníkov namiesto širokého publika. Orchestrácia znamená koordináciu všetkých kontaktných bodov: ktorý člen nákupného tímu dostane akú správu, akým kanálom a kedy. AI pomáha zjednotiť informácie o cieľových firmách, pripraviť správy pre jednotlivé roly a naplánovať sekvencie naprieč e-mailom, telefónom, podujatiami a sociálnymi sieťami.
Preučenie (overfitting) nastáva, keď si model zapamätá trénovacie dáta vrátane náhodných zvláštností a šumu, namiesto toho, aby zachytil všeobecne platné vzory. Na známych dátach potom pôsobí veľmi presne, no na nových dátach podáva slabý výkon. Typickým znakom je veľký rozdiel medzi chybou na trénovacích a testovacích dátach. Protiopatrenia zahŕňajú viac či rozmanitejšie dát, jednoduchšie modely, regularizáciu, dropout a krížovú validáciu.
OWASP Top 10 pre aplikácie s LLM je zoznam najdôležitejších bezpečnostných rizík v aplikáciách postavených na veľkých jazykových modeloch, ktorý zverejňuje projekt OWASP GenAI Security Project. Aktuálne vydanie 2026 vyšlo v auguste 2026 (stav k októbru 2026) a zahŕňa: prompt injection, zverejnenie citlivých informácií, nadmernú autonómiu (excessive agency), dodávateľský reťazec, otrávenie dát a modelov, neobmedzenú spotrebu, dezinformácie, odhalenie skrytého kontextu, slabiny vektorov a embeddingov a nesprávne spracovanie výstupov. Slúži ako kontrolný zoznam pre vývoj a audity.
pandas je open-source knižnica Pythonu na analýzu a úpravu tabuľkových dát, ktorú od roku 2008 vyvíja Wes McKinney. Jej centrálny objekt DataFrame pripomína tabuľku s pomenovanými stĺpcami. Dá sa použiť na načítanie dát zo súborov CSV, Excelu alebo databáz a na ich čistenie, filtrovanie, zoskupovanie a spájanie. pandas je postavená na NumPy a je štandardným nástrojom pri analýze dát, reportingu a príprave trénovacích dát.
Parafrázovanie znamená zopakovať, čo niekto povedal, vlastnými slovami bez zmeny významu. V rozhovore ide o techniku aktívneho počúvania: overíte si, či ste správne porozumeli, a prejavíte pozornosť, napríklad: „Ak vám správne rozumiem, najdôležitejšia je pre vás dodacia lehota?“ V písanom prejave parafrázovanie pomáha urobiť obsah jasnejším, kratším alebo lepšie prispôsobeným určitej cieľovej skupine.
Parametricky efektívne dolaďovanie (PEFT) zahŕňa techniky, ktoré veľký predtrénovaný model prispôsobia úlohe tak, že trénujú iba malú časť jeho parametrov alebo pridajú niekoľko nových. Medzi známe metódy patria LoRA, QLoRA, adaptéry a prefix tuning. Výrazne tým klesajú nároky na výpočtový výkon a pamäť a namiesto úplných kópií modelu sa pre viaceré úlohy dajú uložiť malé doplnkové moduly. Príklad: jazykový model sa prispôsobí štýlu interných technických dokumentov.
Partnerstvo v oblasti AI je spolupráca medzi organizáciami na spoločnom vývoji, zavádzaní alebo zodpovednom formovaní riešení AI, napríklad medzi firmami a technologickými poskytovateľmi, univerzitami alebo výskumnými ústavmi. Partneri zdieľajú odborné znalosti, údaje, infraštruktúru alebo náklady. Nevyhnutné sú jasné dohody o používaní údajov, duševnom vlastníctve, zodpovednosti a možnostiach ukončenia. Pojem označuje aj iniciatívy, ako je Partnership on AI, nezisková organizácia založená v roku 2016.
PaLM je veľký jazykový model od spoločnosti Google, predstavený v roku 2022 s 540 miliardami parametrov a trénovaný súčasne na mnohých čipoch TPU pomocou trénovacieho systému Google Pathways. V roku 2023 nasledoval PaLM 2, ktorý okrem iného poháňal chatbot Bard. Google medzitým PaLM nahradil modelmi Gemini a vývojárske API PaLM bolo v auguste 2024 vypnuté. Dnes je PaLM dôležitý najmä ako medzník vo vývoji veľkých jazykových modelov.
Penetračný test AI je objednané, kontrolované bezpečnostné posúdenie, pri ktorom odborníci zámerne skúmajú systém AI na slabé miesta, ako sú prompt injection, únik dôverných údajov alebo agent s nadmernými oprávneniami. Na rozdiel od širšieho red teamingu sa zameriava na jasne vymedzený rozsah so zdokumentovanými zisteniami a nápravami. Oplatí sa vykonať ho pred spustením chatbota a po väčších zmenách.
Perplexity AI je spoločnosť zo San Francisca založená v roku 2022, ktorá prevádzkuje vyhľadávač poháňaný AI. Namiesto zoznamu odkazov vracia napísanú odpoveď, ktorá zhŕňa aktuálny obsah z webu a uvádza použité zdroje. Popri bezplatnej verzii existujú platené tarify s výberom jazykových modelov a prehliadač Comet s AI (stav k októbru 2026). Pre firmy je Perplexity relevantný aj preto, že mení spôsob, akým sa obsah na webe nachádza.
Personalizovaný marketing znamená prispôsobovať správy, ponuky a načasovanie jednotlivým zákazníkom alebo malým skupinám, namiesto toho, aby sa všetci oslovovali rovnako. Vychádza z informácií, ako sú minulé nákupy, záujmy alebo dôvod kontaktu. AI z nich dokáže vytvoriť vhodný text, napríklad e-mail, ktorý odkazuje na nedávno kúpený produkt. Dôležité je používať len údaje, na ktoré existuje súhlas, a vynechať citlivé detaily.
Pipeline strojového učenia je definovaná postupnosť krokov, ktorá mení surové údaje na nasaditeľný model: zber a čistenie údajov, príprava príznakov, trénovanie, vyhodnotenie, nasadenie a monitorovanie. Automatizácia týchto krokov robí výsledky reprodukovateľnými a umožňuje spracovať nové údaje s malou námahou. Maloobchodník môže napríklad každý týždeň znova natrénovať a otestovať model predpovede predaja s najnovšími číslami.
Spúšťa postup automaticky, napríklad každú hodinu, denne, v pracovné dni alebo týždenne.
Plocha pod krivkou (AUC, area under the curve) je metrika pre klasifikačné modely, ktorá sa zvyčajne vzťahuje na krivku ROC. Udáva, ako dobre model oddeľuje pozitívne a negatívne prípady, nezávisle od konkrétnej prahovej hodnoty. Hodnota 1 znamená dokonalé oddelenie; 0,5 nie je lepšie než hádanie. Príklad: model odchodu zákazníkov s AUC 0,85 zaradí náhodne vybraného zákazníka, ktorý odíde, ako rizikovejšieho než verného v 85 % prípadov.
Počítačové videnie je oblasť AI, v ktorej počítače interpretujú obrázky a video. Typickými úlohami sú rozpoznávanie a lokalizácia objektov, čítanie textu na obrázkoch a meranie súčiastok. Technológia sa využíva napríklad pri kontrole kvality vo výrobe, v asistenčných systémoch vodiča, v logistike a v medicínskom zobrazovaní.
Pevné zadanie pre agenta: rola, tón, hranice. Často sa nazýva „prompt“.
Porozumenie prirodzenému jazyku je časť spracovania jazyka, ktorá zachytáva význam výpovede: aký zámer za ňou stojí, aké osoby, miesta alebo dátumy sa spomínajú a aký je jej tón? Spolu s generovaním prirodzeného jazyka (NLG) tvorí NLU jednu z dvoch strán NLP. Príkladom je systém zákazníckeho servisu, ktorý vetu „Môj balík ešte nedorazil“ rozpozná ako dopyt na doručenie.
Posilňované učenie je odvetvie strojového učenia, v ktorom sa agent učí metódou pokus–omyl. Koná v prostredí, za dobré výsledky dostáva odmeny a za zlé tresty a takto vyvíja stratégiu, ktorá maximalizuje jeho celkovú odmenu. Medzi známe príklady patria programy, ktoré ovládli stolové hry, ako je Go, riadenie robotov a dolaďovanie jazykových modelov na základe ľudského hodnotenia.
RLHF je trénovacia metóda, vďaka ktorej sú jazykové modely užitočnejšie a bezpečnejšie. Ľudia porovnávajú a hodnotia viaceré odpovede modelu; z týchto posudkov sa trénuje model odmien, ktorý potom prostredníctvom posilňovaného učenia ďalej trénuje samotný jazykový model. Učí ho to napríklad odpovedať jasnejšie alebo odmietať problematické požiadavky. RLHF prebieha u poskytovateľa modelu pred jeho vydaním – nie u jednotlivých používateľov.
Sled prepojených krokov, ktorý sa opakovane vykonáva, napríklad „roztriediť požiadavku a odpovedať na ňu“.
Prediktívna analytika využíva historické dáta, štatistiku a strojové učenie na odhad pravdepodobných budúcich udalostí. Odpovedá na otázky ako: Ktorí zákazníci sa chystajú odísť? Koľko zásob bude potrebných budúci mesiac? Kedy sa pravdepodobne pokazí stroj? Výsledkom sú pravdepodobnosti, nie istoty. Ich hodnota výrazne závisí od kvality dát a od toho, či sa predpovede skutočne premietnu do rozhodnutí a procesov.
Prediktívne modelovanie je technické jadro prediktívnej analytiky: z príkladových dát so známymi výsledkami sa vytvorí model, ktorý predpovedá hodnotu alebo triedu pre nové prípady. Medzi bežné metódy patria regresia, rozhodovacie stromy, náhodné lesy a neurónové siete. Model môže napríklad odhadnúť cenu nehnuteľnosti podľa podlahovej plochy, polohy a roku výstavby. Pred nasadením sa testuje na zadržaných dátach, aby sa odhalilo preučenie.
Predpisy o ochrane údajov sú právne pravidlá upravujúce nakladanie s osobnými údajmi. V EÚ je kľúčovým rámcom Všeobecné nariadenie o ochrane údajov (GDPR); okrem iného vyžaduje právny základ pre každé spracúvanie, minimalizáciu údajov, transparentnosť voči dotknutým osobám a zmluvy o spracúvaní osobných údajov s poskytovateľmi služieb. Pri používaní AI musia organizácie objasniť, aké údaje sa dostanú do vstupov, zdrojov znalostí a protokolov a kde sa spracúvajú.
Nástroj na preformulovanie odsekov je AI nástroj, ktorý prepíše existujúcu pasáž bez toho, aby zmenil jej obsah. Bežnými cieľmi sú iný tón, kratšia verzia, jednoduchší jazyk alebo menej opakovaní. Hodí sa napríklad vtedy, keď má byť interný odborný text pre zákazníkov zrozumiteľnejší. Obsah a fakty by sa však mali potom skontrolovať, pretože preformulovanie môže posunúť nuansy.
Brag book je priebežne aktualizovaný prehľad vlastných pracovných úspechov: dokončených projektov, ukazovateľov, pozitívnej spätnej väzby, ocenení a vzdelávania. Slúži ako podklad pre hodnotiace pohovory, rokovania o mzde, žiadosti o prácu alebo povýšenie. Osvedčenou štruktúrou je situácia, úloha, postup a výsledok. Uvádzať by sa mali len overiteľné informácie a čísla by sa nemali prikrášľovať.
Prehodnotenie poradia dokumentov (reranking) je druhý krok triedenia vo vyhľadávacích systémoch a systémoch RAG: rýchle úvodné vyhľadávanie vráti množinu kandidátskych výsledkov, ktoré potom presnejšia, ale nákladnejšia metóda zoradí podľa relevantnosti. Často to robí takzvaný cross-encoder, ktorý posudzuje otázku a úryvok spoločne. Vďaka tomu sú najrelevantnejšie úryvky navrchu skôr, než z nich jazykový model sformuluje odpoveď.
Prepis zvuku premieňa hovorenú reč z nahrávok na písaný text. Moderné systémy automatického rozpoznávania reči dopĺňajú aj interpunkciu, rozlišujú hovoriacich a niekedy poskytujú časové značky. Využíva sa na zápisnice zo stretnutí, rozhovory, titulky a dokumentáciu zákazníckych hovorov. Kvalita veľmi závisí od kvality zvuku, prízvuku a odbornej slovnej zásoby; pri rozhovoroch s osobnými údajmi treba myslieť na súhlas a ochranu údajov.
Prepisovač viet preformuluje jednotlivé vety alebo krátke pasáže bez zmeny ich významu. Dokáže vetu zjednodušiť, urobiť ju formálnejšou alebo priateľskejšou, skrátiť ju alebo sa vyhnúť opakovaniu. Hodí sa to napríklad pri odpovediach zákazníkom, produktových textoch alebo keď veta znie neohrabane. Rýchla kontrola je aj tak dôležitá, aby odborné pojmy, čísla a tvrdenia po preformulovaní zostali presné.
Presnosť opisuje, ako často model AI vytvára správne výsledky; stabilita opisuje, nakoľko spoľahlivo si tento výkon udrží – pri mierne zmenených vstupoch, nových údajoch alebo v čase. Model môže byť pri testovaní veľmi presný, no nestabilný, ak už samotné preformulovanie otázky vedie k inej odpovedi. Pre reálne nasadenie sa obe vlastnosti overujú pevnými testovacími prípadmi, krížovou validáciou a priebežným monitorovaním.
Presnosť Top-k meria, ako často sa správna odpoveď nachádza medzi k najpravdepodobnejšími návrhmi modelu. Pri top-1 sa počíta len prvá predikcia; pri top-5 stačí, aby bola správna trieda medzi piatimi najlepšími, čo je známa metrika z benchmarkov rozpoznávania obrazu, ako je ImageNet. Je užitočná všade, kde používatelia vidia viacero návrhov, napríklad pri odporúčaniach produktov alebo automatickom dopĺňaní.
Priemerná absolútna chyba (MAE) ukazuje, o koľko sa predpovede modelu v priemere odchyľujú od skutočných hodnôt, bez ohľadu na smer. Vyjadruje sa v jednotke cieľovej premennej, vďaka čomu je ľahko zrozumiteľná. Príklad: MAE 12 pri predpovedi dennotržieb znamená, že sa model v priemere mýli o 12 jednotiek. Odľahlým hodnotám prikladá menšiu váhu než miery založené na druhých mocninách chýb.
Prieskumná analýza údajov (EDA, exploratory data analysis) je prvý, otvorený pohľad na súbor údajov: vypočítate súhrnné ukazovatele, preskúmate rozdelenia a grafy a hľadáte vzorce, odľahlé hodnoty a chýbajúce hodnoty – zatiaľ bez pevnej hypotézy. Pomáha posúdiť kvalitu údajov a nájsť zmysluplné otázky pre ďalšiu analýzu alebo modelovanie. Príklad: pred predpoveďou predaja EDA odhalí, že jeden mesiac bol kvôli migrácii systému zaznamenaný neúplne.
Prompt je vstup, ktorý modelu AI hovorí, čo má robiť – otázka, úloha alebo pokyn, často doplnené o kontext, príklady a požadovaný formát. Kvalita odpovede výrazne závisí od toho, aký jasný a úplný prompt je. Napríklad namiesto „Napíš niečo o našom produkte“ použite „Napíš tri krátke výhody produktu X pre remeselnícke firmy vo vecnom tóne“.
Prompt leaking označuje neúmyselné prezradenie interných pokynov systému AI, napríklad keď chatbot na šikovne formulovanú požiadavku vyzradí svoj systémový prompt. Problémom sa to stáva, ak tieto pokyny obsahujú obchodnú logiku, interné informácie alebo dokonca prístupové údaje. Zoznam OWASP pre aplikácie s LLM toto riziko výslovne uvádza. Najúčinnejšou ochranou je písať pokyny tak, akoby sa mohli stať verejnými, nikdy do nich neukladať tajomstvá a kontrolovať aj výstupy.
PyTorch je open-source framework na strojové učenie a hlboké učenie v programovacom jazyku Python. Pôvodne ho vyvinula spoločnosť Meta (vtedy Facebook) a od roku 2022 ho spravuje PyTorch Foundation pod záštitou Linux Foundation. PyTorch sa široko používa vo výskume aj v praxi, pretože vývojárom umožňuje flexibilne vytvárať modely, trénovať ich na GPU a testovať krok za krokom; vznikli v ňom mnohé známe jazykové a obrazové modely.
Q-learning je základná metóda posilňovaného učenia. Agent sa metódou pokus–omyl učí, akú dlhodobú hodnotu („hodnota Q“) má určitá akcia v určitej situácii, a postupne volí najperspektívnejšie akcie. Nepotrebuje k tomu model svojho prostredia. V kombinácii s neurónovými sieťami (deep Q-learning) sa systém DeepMind týmto prístupom naučil hrať mnohé videohry Atari len z pixelov obrazovky.
Recall (nazývaný aj senzitivita alebo miera skutočne pozitívnych) meria, aký podiel skutočných pozitívnych prípadov model odhalí: správne identifikované pozitívne prípady vydelené všetkými skutočnými pozitívnymi. Ak filter podvodov zachytí 80 zo 100 skutočných podvodov, jeho recall je 0,8. Vysoký recall je dôležitý tam, kde je premeškaný prípad nákladný, napríklad pri lekárskej diagnostike. Keďže ignoruje falošné poplachy, zvyčajne sa posudzuje spolu s presnosťou (precision), napríklad v skóre F.
Redukcia dimenzionality znižuje počet znakov v súbore údajov bez straty podstatných informácií. Medzi známe metódy patrí analýza hlavných komponentov (PCA) a tiež t-SNE a UMAP, ktoré sa často používajú na vizualizáciu. Urýchľuje výpočty, znižuje riziko preučenia a uľahčuje pochopenie údajov – napríklad keď sa stovky atribútov zákazníkov zobrazia na dvojrozmernom grafe, kde sú podobní zákazníci blízko seba.
Regresia náhodným lesom predpovedá číselné hodnoty kombináciou mnohých rozhodovacích stromov. Každý strom sa trénuje na náhodnej vzorke dát a náhodnom výbere príznakov; výsledkom je priemer predpovedí všetkých stromov. Metóda je vďaka tomu robustnejšia a menej náchylná na preučenie než jediný strom. Používa sa napríklad na predpovede predaja, odhady cien alebo energetických potrieb – často ako solídny východiskový bod pre tabuľkové dáta.
Regulačný rámec pre AI tvoria zákony, normy a dozorné štruktúry, ktoré upravujú vývoj a používanie AI. V EÚ je ústredným zákonom akt o umelej inteligencii (AI Act, nariadenie (EÚ) 2024/1689), ktorý uplatňuje prístup založený na riziku: zákazy platia od februára 2025, povinnosti pre modely AI na všeobecné účely od augusta 2025 a povinnosti transparentnosti od augusta 2026. Po „Digitálnom omnibuse“ (nariadenie (EÚ) 2026/1744) sa povinnosti pre vysokorizikové systémy uplatňujú od 2. decembra 2027 alebo 2. augusta 2028 (stav k októbru 2026; nejde o právne poradenstvo).
Regularizácia zahŕňa techniky, ktoré bránia tomu, aby sa model počas trénovania príliš tesne prispôsobil trénovacím dátam (preučenie). Patrí sem penalizácia veľkých váh (regularizácia L1 alebo L2), náhodné vypínanie neurónov (dropout) alebo zastavenie trénovania v správnom okamihu (early stopping). Cieľom je jednoduchší model, ktorý na nových, nevidených dátach funguje spoľahlivejšie, aj keď na trénovacích dátach dosahuje o niečo nižšie skóre.
Rekurentná neurónová sieť spracúva dáta po poradí a z každého kroku odovzdáva vnútorný stav do ďalšieho – akúsi krátkodobú pamäť. Vďaka tomu je vhodná na postupnosti, ako sú text, reč alebo časové rady, napríklad na predpoveď ďalšieho slova alebo ďalšej hodnoty zo senzora. Jednoduché siete RNN ľahko zabúdajú informácie z ďaleka; varianty ako LSTM a GRU to zmierňujú. V jazykových modeloch boli siete RNN z veľkej časti nahradené transformermi.
Rekurzívny prompting označuje techniky, pri ktorých sa výstup jazykového modelu vracia ako nový vstup – napríklad aby sa nechal skontrolovať a prepracovať návrh, alebo aby sa veľká úloha postupne rozdelila na čiastkové úlohy. Najprv sa napríklad vytvorí návrh ponuky, model ju potom posúdi podľa kontrolného zoznamu a nakoniec sa vylepší. Často to zvyšuje kvalitu, ale stojí to čas spracovania navyše a vyžaduje jasné kritérium ukončenia.
Remote MCP označuje server MCP, ktorý nebeží lokálne na vlastnom počítači, ale je dostupný cez internet prostredníctvom HTTP. Model Context Protocol je otvorený štandard, ktorý aplikáciám s AI umožňuje používať externé nástroje a dáta; pre vzdialené servery špecifikácia ponúka transport „Streamable HTTP“ a autentifikáciu, napríklad cez OAuth alebo kľúč API. Výhodou je, že centrálne prevádzkovaná služba je dostupná mnohým používateľom a programom s AI bez lokálnej inštalácie.
Reportovanie súladu je pravidelná, dohľadateľná dokumentácia toho, či organizácia spĺňa zákonné požiadavky, normy a interné smernice. Typická správa uvádza obdobie a rozsah, stav každej požiadavky, odchýlky a opatrenia so zodpovednými osobami a termínmi. Slúži vedeniu, dozorným radám, audítorom alebo úradom ako dôkaz, napríklad v oblasti ochrany údajov alebo informačnej bezpečnosti.
Reťazenie modelov znamená, že sa viaceré modely AI alebo kroky AI spájajú za sebou tak, aby sa výstup jedného kroku stal vstupom nasledujúceho. Zložité úlohy sa tak dajú rozdeliť na zvládnuteľné čiastkové úlohy, ktoré možno jednotlivo kontrolovať a zlepšovať. Príklad: jeden krok zhrnie zákaznícku požiadavku, druhý ju priradí oddeleniu a tretí navrhne odpoveď.
Retrieval pipeline je postupnosť spracovateľských krokov, ktorými systém nájde správne informácie na zodpovedanie otázky. Typické kroky sú: načítanie a vyčistenie dokumentov, ich rozdelenie na úseky (chunky), vytvorenie vyhľadávacieho indexu, prípadne preformulovanie dopytu, vyhľadanie zhôd, ich zoradenie (reranking) a odovzdanie tých najlepších jazykovému modelu. Je základom každej aplikácie RAG a jej kvalita vo veľkej miere určuje, aké dobré budú výsledné odpovede.
Retrieval-augmented generation spája vyhľadávanie s generovaním textu: pred odpoveďou systém vyhľadá relevantné pasáže v zbierke znalostí – napríklad v príručkách, smerniciach alebo FAQ – a odovzdá ich jazykovému modelu ako kontext. Odpoveď tak vychádza z aktuálneho obsahu špecifického pre firmu, a nielen z trénovacích znalostí modelu. Znižuje to vymyslené tvrdenia, zviditeľňuje zdroje a umožňuje aktualizácie bez pretrénovania.
Return on AI popisuje ekonomickú návratnosť nasadenia AI vzhľadom na jeho náklady. Jednoduchý hrubý výpočet je: ušetrené hodiny za mesiac × hodinová sadzba mínus náklady na licencie, využívanie modelov, zavedenie a podporu. Ak tím, ktorý vybavuje 200 požiadaviek, potrebuje na jednu požiadavku 4 namiesto 10 minút, ušetrí 20 hodín mesačne. Takéto výpočty zostávajú odhadmi; treba zohľadniť aj kvalitu, chybovosť a čas zaškolenia.
Pri riadenom učení sa model učí z príkladov, pri ktorých je správna odpoveď už známa, napríklad e-maily označené ako „spam“ alebo „nie spam“. Z nich odvodzuje pravidlá na klasifikáciu nových, nevidených prípadov alebo na predpovedanie hodnôt. Typickými úlohami sú klasifikácia a regresia; väčšina úsilia sa vynakladá na vytvorenie čisto označených dát.
Riadenie projektov AI vo výskume a vývoji zahŕňa dve veci: riadenie projektov, v ktorých sa AI vytvára, a využívanie AI na podporu projektov výskumu a vývoja. Typické úlohy zahŕňajú zhrnutie literatúry, štruktúrovanie plánov experimentov, sledovanie míľnikov a dokumentovanie výsledkov. Odborné rozhodnutia a schválenia by mali zostať na ľuďoch.
Riešenie koreferencií je úloha spracovania prirodzeného jazyka, ktorá zisťuje, ktoré výrazy v texte odkazujú na tú istú osobu, vec alebo záležitosť. Vo vete „Pani Weberová volala. Zavolajte jej, prosím, späť.“ musí systém pochopiť, že „jej“ znamená pani Weberovú. Je to dôležité pre zhrnutia, extrakciu informácií a chatboty, ktoré musia sledovať odkazy naprieč niekoľkými vetami alebo ťahmi konverzácie.
Robustnosť modelu popisuje, nakoľko spoľahlivo model AI funguje, keď sú vstupy zašumené, neúplné, nezvyčajné alebo zámerne zmanipulované. Robustný model stále dodáva stabilné výsledky, napríklad rozpoznávanie obrazu pri zlom osvetlení alebo jazykový model, ktorý si poradí s preklepmi. Robustnosť sa posudzuje záťažovými testami, rozmanitými trénovacími dátami a testami proti zámerným pokusom o oklamanie, a je mimoriadne dôležitá v aplikáciách kritických pre bezpečnosť.
Vo výskume čitateľnosti je ročníková úroveň mierou školského ročníka, od ktorého sa text vo všeobecnosti chápe. Známym príkladom je Flesch–Kincaid Grade Level, ktorý z dĺžky viet a počtu slabík na slovo vypočíta americký školský ročník; skóre 8 zhruba zodpovedá ôsmemu ročníku. Takéto skóre sa na iné jazyky prenáša len čiastočne, preto sa pre nemčinu často používajú upravené vzorce, ako je Amstadova verzia Flescha alebo LIX.
Rozhodovací strom je model, ktorý znázorňuje rozhodnutie ako postupnosť jednoduchých otázok s odpoveďou áno/nie: každá vetva testuje jeden znak a každý list udáva výsledok. V strojovom učení sa takéto stromy učia automaticky z údajov a používajú sa na klasifikáciu alebo predpovede. Ich hlavnou silou je transparentnosť – napríklad ukazujú, prečo bola žiadosť o úver označená na základe príjmu, doby splácania a platobnej histórie.
Rozpoznávanie obrazu je oblasť počítačového videnia, v ktorej softvér identifikuje, čo obrázok zobrazuje – objekty, osoby, text, logá alebo scény. Zvyčajne je založené na neurónových sieťach natrénovaných na veľkom množstve označených obrázkov. Uplatnenie siaha od kontroly kvality vo výrobe a triedenia produktových fotografií až po podporu medicínskeho zobrazovania. Pri obrázkoch osôb si osobitnú pozornosť vyžaduje ochrana údajov a možné skreslenie.
Rozpoznávanie pomenovaných entít (NER, named entity recognition) je technika spracovania prirodzeného jazyka, ktorá v texte nájde mená osôb, firiem a miest, ako aj dátumy alebo sumy, a každej priradí kategóriu. Mení voľný text na štruktúrované údaje. Príklad: z e-mailu sa automaticky vyberie firma odosielateľa, kontaktná osoba, dátum dodania a suma faktúry a prenesú sa do CRM.
Rozpoznávanie reči, nazývané aj ASR (automatic speech recognition), automaticky premieňa hovorený jazyk na písaný text. Moderné systémy využívajú neurónové siete trénované na veľkom množstve zvukových nahrávok a primerane si poradia s prízvukmi a okolitým hlukom. Použitia zahŕňajú diktovanie, titulky, hlasových asistentov a prepis stretnutí a telefonátov so zákazníkmi. Odborné pojmy, vlastné mená a zlá kvalita zvuku zostávajú častými zdrojmi chýb.
Rozpoznávanie textu v scéne číta text, ktorý sa objavuje na fotografiách a videách reálneho prostredia, napríklad na dopravných značkách, obaloch alebo evidenčných číslach vozidiel. Na rozdiel od klasického OCR pre naskenované dokumenty si musí poradiť so skreslenou perspektívou, meniacim sa svetlom, nezvyčajnými písmami a neprehľadným pozadím. Typický postup má dve fázy: najprv sa lokalizujú oblasti s textom a potom sa v nich rozpoznajú znaky.
Rozpoznávanie vzorov je automatická identifikácia pravidelností, štruktúr alebo opakujúcich sa znakov v dátach, ako sú obrázky, zvuky, texty alebo namerané hodnoty. Systémy priraďujú nové pozorovania k známym kategóriám alebo objavujú skupiny bez vopred daných označení. Medzi použitia patrí rozpoznávanie tvárí, rozpoznávanie rukopisu, kontrola kvality vo výrobe a odhaľovanie nezvyčajných transakcií. Disciplína je dôležitým základom strojového učenia.
Rozšírenie dopytu automaticky pridáva k vyhľadávaciemu dopytu súvisiace pojmy, aby sa našli aj relevantné dokumenty, ktoré používajú iné formulácie. Typickými doplnkami sú synonymá, skratky, tvary slov alebo preklady: vyhľadávanie „storno“ tak môže nájsť aj texty o „vypovedaní zmluvy“. Je to užitočné najmä pri vyhľadávaní podľa kľúčových slov, no môže to znížiť presnosť, ak sa pridá priveľa alebo nevhodné pojmy. Dnes sa na tvorbu rozšírených dopytov často používajú jazykové modely.
Rozšíriteľnosť je schopnosť softvéru prijať nové funkcie, zdroje údajov alebo prepojenia bez prestavby jadra. Typickými prostriedkami sú aplikačné rozhrania (API), webhooky, zásuvné moduly a otvorené štandardy, ako je Model Context Protocol (MCP). Pre firmy rozšíriteľné riešenie s AI funguje spolu s existujúcimi systémami, ako sú CRM alebo e-shop, a môže rásť s meniacimi sa požiadavkami.
Rytr je asistent na písanie s AI dostupný od roku 2021, ktorý vytvára krátke marketingové a bežné texty. Používatelia si vyberú prípad použitia – napríklad e-mail, popis produktu, príspevok na sociálne siete alebo osnovu blogu –, tón a jeden z viac než 30 jazykov; editor pomáha s preformulovaním, skracovaním alebo rozširovaním. Popri bezplatnej verzii s obmedzeným počtom znakov existujú platené tarify (stav k októbru 2026). Rovnako ako pri všetkých takýchto nástrojoch treba výsledky pred zverejnením skontrolovať.
Scikit-learn je open-source knižnica Pythonu na klasické strojové učenie. Poskytuje jednotné nástroje na klasifikáciu, regresiu, zhlukovanie, redukciu dimenzionality, predspracovanie dát a vyhodnotenie modelov, napríklad krížovú validáciu. Je postavená na NumPy a SciPy a vďaka jednoduchému, jednotnému rozhraniu sa široko používa vo vzdelávaní, výskume aj praxi. Pre hlboké neurónové siete sa zvyčajne volia frameworky ako PyTorch alebo TensorFlow.
Seed je východiskové číslo generátora náhodných čísel obrazového modelu. Difúzne modely začínajú s náhodným obrazovým šumom, z ktorého postupne vzniká obraz; seed určuje, ako tento počiatočný šum vyzerá. Pri rovnakom seede, prompte a nastaveniach možno obrázok v rovnakom modeli do veľkej miery reprodukovať. Pomáha to, keď chcete v prompte zmeniť len jeden detail alebo neskôr znovu vytvoriť úspešnú variantu obrázka.
Segmentácia trhu pomocou AI využíva AI na rozdelenie trhu alebo zákazníckej základne do skupín s podobnými vlastnosťami, potrebami alebo správaním. Tradične sa to robí metódami zhlukovania na zákazníckych údajoch; jazykové modely môžu navyše odvodzovať segmenty z opisov, prieskumov alebo dopytov a navrhovať posolstvá a kanály. Výsledky sú hypotézy, ktoré by sa mali overiť na reálnych údajoch. Príklad: poskytovateľ softvéru rozlišuje začiatočníkov citlivých na cenu a tímy orientované na rast.
Sémantická analýza skúma význam jazyka – nielen to, ktoré slová sa vyskytujú, ale čo sa tým myslí. Patrí sem správna interpretácia viacvýznamových slov v kontexte (napríklad „strela“ ako projektil alebo ako rýchla akcia), rozpoznávanie vzťahov medzi pojmami a zaraďovanie výpovedí podľa obsahu. Je základom aplikácií, ako sú analýza spätnej väzby od zákazníkov, odpovedanie na otázky alebo vyhľadávacie systémy, ktoré majú rozumieť aj inak formulovaným dopytom s rovnakým významom.
Sémantická segmentácia priraďuje triedu každému jednotlivému pixelu na obrázku, napríklad cesta, vozidlo, osoba alebo obloha. Výsledkom je akási farebne kódovaná mapa obsahu obrazu. Na rozdiel od segmentácie inštancií sa objekty rovnakého druhu nerozlišujú: tri autá sa spoločne chápu ako „auto“. Využíva sa napríklad v autonómnej doprave, v lekárskom zobrazovaní na vymedzenie tkaniva a pri analýze leteckých a satelitných snímok.
Siete hlbokého presvedčenia (DBN, deep belief networks) sú neurónové siete zložené z viacerých vrstiev nad sebou, ktoré sa najprv vrstvu po vrstve predtrénujú bez dohľadu, zvyčajne ako takzvané obmedzené Boltzmannove stroje. Geoffrey Hinton a jeho kolegovia predstavili túto metódu v roku 2006; ukázala, že hlboké siete možno trénovať efektívne, a prispela tak k vzostupu hlbokého učenia. V praxi boli DBN medzičasom z veľkej časti nahradené inými architektúrami.
Technologická singularita je teoretická predstava: bod, v ktorom sa umelá inteligencia zlepšuje tak rýchlo, že ľudia už nedokážu technologický pokrok predvídať ani riadiť. Pojem spopularizovali autor Vernor Vinge a futurista Ray Kurzweil. Či a kedy by sa to mohlo stať, je vedecky otvorené a sporné. Napriek tomu táto myšlienka ovplyvňuje diskusie o bezpečnosti AI, regulácii a dlhodobých rizikách.
Skóre BLEU (Bilingual Evaluation Understudy) je metrika vyvinutá v roku 2002 v IBM na automatické hodnotenie strojových prekladov. Meria, koľko slovných sekvencií z prekladu sa vyskytuje aj v jednom alebo viacerých ľudských referenčných prekladoch, a udáva hodnotu medzi 0 a 1 (často zobrazenú ako 0 – 100). BLEU je rýchle a porovnateľné, ale nezachytáva dobre význam ani štýl – dobré parafrázy môžu dosiahnuť nízke skóre.
Skóre F je metrika na hodnotenie klasifikačných modelov. Bežné skóre F1 je harmonický priemer presnosti (koľko predpovedaných zásahov je správnych) a úplnosti (koľko skutočných zásahov sa našlo) a pohybuje sa od 0 do 1. Je užitočné najmä pri nevyvážených údajoch: filter spamu, ktorý spam takmer nikdy neoznačí, môže mať vysokú správnosť, ale nízke skóre F1.
ROUGE (Recall-Oriented Understudy for Gisting Evaluation) je rodina metrík na porovnávanie automaticky generovaných textov – najmä zhrnutí – s referenčnými textami napísanými ľuďmi. Meria, koľko slov alebo postupností slov sa prekrýva, napríklad jednotlivé slová v ROUGE-1 alebo najdlhšia spoločná podpostupnosť v ROUGE-L. Skóre sa počíta rýchlo, no nespoľahlivo zachytáva parafrázy s rovnakým významom ani vecnú správnosť.
Skóre SEO je metrika, ktorou analytické nástroje hodnotia, ako dobre je webová stránka optimalizovaná pre vyhľadávače – zvyčajne na stupnici od 0 do 100. Medzi faktory môžu patriť titulky a popisy, štruktúra nadpisov, rýchlosť načítania, vhodnosť pre mobilné zariadenia, interné odkazy a štruktúrované dáta. Každý nástroj skóre počíta inak; nejde o oficiálne hodnotenie Google. Skóre je preto užitočné ako kontrolný zoznam pre vylepšenia, nie ako záruka dobrého umiestnenia.
Skrytý Markovov model (HMM, hidden Markov model) je štatistický model pre postupnosti, v ktorom sú skutočné stavy skryté a dajú sa odvodiť len z pozorovateľných signálov. Opisuje pravdepodobnosť, že po jednom stave nasleduje iný, a že každý stav vytvorí dané pozorovanie. HMM boli dlho štandardom v rozpoznávaní reči a priraďovaní slovných druhov; dnes sa ešte používajú napríklad v bioinformatike a analýze časových radov.
Smerovanie leadov (lead routing) je automatické priraďovanie prichádzajúcich dopytov zodpovednej osobe, oddeleniu alebo regiónu. Kritériá môžu zahŕňať tému, produkt, veľkosť firmy, jazyk alebo naliehavosť. AI dokáže porozumieť voľnému textu dopytu a zaradiť ho, napríklad či sa týka novej ponuky, problému s podporou alebo žiadosti o zamestnanie. Rýchle a presné smerovanie skracuje čas odpovede a bráni tomu, aby dopyty zostali bez odpovede.
spaCy je open-source knižnica Pythonu na spracovanie prirodzeného jazyka, ktorú vyvíja berlínska spoločnosť Explosion. Rozdeľuje texty na slová a vety, určuje slovné druhy a základné tvary, analyzuje stavbu viet a rozpoznáva pomenované entity, ako sú osoby, firmy alebo miesta. Predtrénované modely sú dostupné pre mnohé jazyky vrátane nemčiny. spaCy je navrhnutá na rýchlosť a použitie v reálnych aplikáciách, napríklad na predspracovanie veľkých objemov dokumentov.
Spätná väzba pre študentov s AI označuje komentáre k esejám, zadaniam alebo projektom, ktoré systém AI vytvára podľa definovaných kritérií. Študenti rýchlejšie dostanú upozornenia na silné stránky, štruktúru, argumentáciu alebo jazyk a učitelia sú odbremenení od opakujúceho sa hodnotenia. Hodnotenie by malo byť transparentné a založené na kritériách; známky a rozhodnutia o výkone zostávajú v zodpovednosti učiteľov. Príklad: návrh eseje dostane pred odovzdaním podnety na zlepšenie.
Spracovanie prirodzeného jazyka je odvetvie AI, ktoré počítačom umožňuje analyzovať, chápať a generovať ľudský jazyk v texte alebo reči. Zahŕňa úlohy, ako sú preklad, klasifikácia, sumarizácia, analýza sentimentu a odpovedanie na otázky. Kedysi dominovali pravidlá a štatistické metódy; dnes oblasť formujú veľké jazykové modely.
Správa údajov (data governance) zahŕňa pravidlá, roly a procesy, ktorými organizácia určuje, kto smie zbierať, používať, meniť a mazať ktoré údaje. Pokrýva zodpovednosť za kvalitu údajov, prístupové práva, doby uchovávania a dodržiavanie požiadaviek na ochranu údajov. Je dôležitá najmä pre projekty s AI, pretože modely a agenti sú také spoľahlivé, ako údaje, z ktorých čerpajú.
Stable Diffusion je rodina modelov na generovanie obrázkov, ktoré vytvárajú obrázky z textového popisu. Prvá verzia vyšla v roku 2022 a vznikla pod vedením Stability AI spolu s výskumnými partnermi. Technicky ide o latentný difúzny model, ktorý postupne mení obrazový šum na obrázok. Keďže váhy modelu sú zverejnené, možno ho prevádzkovať a prispôsobovať lokálne; komerčné použitie novších verzií upravuje vlastná licencia Stability AI (stav k októbru 2026).
Startup poháňaný AI je mladá firma, ktorej produkt alebo obchodný model zásadne vychádza z umelej inteligencie, napríklad špecializovaní asistenti pre dané odvetvie, analytické nástroje alebo automatizované služby. Takéto startupy často stavajú na existujúcich základných modeloch a odlišujú sa odbornými znalosťami z oblasti, údajmi, použiteľnosťou a integráciou. K výzvam patrí závislosť od poskytovateľov modelov, náklady na jeden dopyt a regulácia. Príklad: startup, ktorý automaticky pripravuje správy z kontrol pre remeselné firmy.
Stredná priemerná presnosť (mAP, mean average precision) je metrika, ktorá hodnotí, nakoľko dobre systém nachádza relevantné výsledky a radí ich navrch. Priemerná presnosť sa vypočíta naprieč zoznamom výsledkov pre každý dopyt alebo triedu objektov; mAP je priemer cez všetky. Je to štandardná miera pre vyhľadávače, odporúčacie systémy a detekciu objektov v obrázkoch, kde závisí aj od požadovaného prekrytia ohraničujúcich rámov.
Strojové učenie je odvetvie umelej inteligencie, v ktorom počítače odvodzujú vzorce z údajov namiesto toho, aby sa každé pravidlo explicitne programovalo. Podľa úlohy sa modely učia z označených príkladov (s učiteľom), z neoznačených údajov (bez učiteľa) alebo prostredníctvom odmien (posilňované učenie). Aplikácie siahajú od filtrov spamu a predpovedí dopytu až po odporúčania produktov. Kvalita výrazne závisí od množstva a kvality trénovacích údajov.
Pri automatickej sumarizácii textu AI zhustí dlhé texty na ich kľúčové body. Extraktívne metódy doslovne kopírujú dôležité vety, kým abstraktívne metódy obsah preformulujú; veľké jazykové modely pracujú najmä abstraktívne. Je to užitočné pri zápisniciach, správach alebo dlhých e-mailových vláknach; pri dôležitých rozhodnutiach by sa zhrnutie malo skontrolovať voči originálu.
Syntetické dáta sa generujú umelo, a nie zhromažďujú v reálnom svete, ale napodobňujú vzory a vlastnosti skutočných dát. Pomáhajú, keď sú skutočné dáta vzácne, drahé alebo citlivé z hľadiska ochrany údajov – napríklad pri testovaní softvéru, trénovaní modelov alebo kontrole chatbota pomocou realistických vzorových dopytov. Dôležité je, aby dostatočne verne odrážali realitu a neumožňovali závery o skutočných osobách.
Systém automatizácie s AI spája tradičnú automatizáciu procesov so schopnosťami AI, ako je porozumenie textu, klasifikácia alebo podpora rozhodovania. Vďaka tomu možno automatizovať aj pracovné postupy s nestruktúrovanými vstupmi, ako sú e-maily, formuláre alebo dopyty. Typické nastavenie je reťazec spúšťača, krokov spracovania, podmienok a výstupu s ľudským schválením v kritických bodoch. Príklad: prichádzajúce dopyty sa automaticky zaradia do kategórií, zhrnú a pošlú správnemu oddeleniu.
Systémový inžinier AI navrhuje a prevádzkuje aplikácie AI ako kompletný systém: prepája modely so zdrojmi údajov, rozhraniami a existujúcim softvérom, zaisťuje bezpečnosť, monitorovanie a kontrolu nákladov a presúva prototypy do stabilnej prevádzky. Na rozdiel od čistého vývoja modelov je dôraz na integrácii. Príkladom je prepojenie agenta podpory so systémom tiketov vrátane protokolovania a prístupových práv.
Špecialista na zabezpečenie kvality AI kontroluje, či aplikácie AI fungujú spoľahlivo, správne a vhodne. Rola zahŕňa testovacie otázky a benchmarky, porovnávanie rôznych modelov, analýzu hodnotení používateľov a odhaľovanie halucinácií a zhoršovania v čase. Napríklad pred prechodom na nový model sa na 50 typických dopytov zákazníkov odpovie oboma modelmi a porovná sa to podľa pevných kritérií.
Štruktúrované dáta sa riadia pevnou schémou s jasne pomenovanými poľami, ako sú tabuľky, databázy alebo objekty JSON s údajmi, napríklad názov, cena a dátum. Stroje ich dokážu spoľahlivo čítať, filtrovať a spracúvať – na rozdiel od voľného textu alebo obrázkov. Na webových stránkach značkovanie schema.org opisuje napríklad produkty, udalosti alebo FAQ, aby vyhľadávače a systémy AI obsahu jednoznačne porozumeli. AI vie získať štruktúrované dáta aj z neštruktúrovaného textu.
TensorFlow je open-source framework na strojové učenie, ktorý vyvinul Google a vydal v roku 2015. Používa sa na vytváranie, trénovanie a nasadzovanie neurónových sietí v aplikáciách, na serveroch alebo na mobilných zariadeniach. Keras poskytuje prístupné rozhranie vyššej úrovne; typické použitia zahŕňajú klasifikáciu obrázkov, predpovedanie a odporúčacie systémy.
Text-to-speech (syntéza reči) premieňa písaný text na hovorený jazyk, a je tak protikladom rozpoznávania reči (speech-to-text). Moderné systémy využívajú neurónové siete na vytváranie prirodzene znejúcich hlasov s primeranou intonáciou. TTS sa používa v telefónnych oznamoch, navigačných zariadeniach, funkciách čítania nahlas pre bezbariérové webové stránky a hlasových asistentoch.
Jednotka, v ktorej jazykové modely počítajú text. Token je zhruba časť slova; podľa neho sa počítajú náklady na AI.
Token je najmenšia jednotka textu, ktorú jazykový model spracúva, zvyčajne časť slova, krátke slovo alebo interpunkčné znamienko. Modely čítajú vstupy a generujú odpovede token po tokene a aj veľkosť kontextového okna sa meria v tokenoch. Keďže poskytovatelia účtujú vstupné a výstupné tokeny, tokeny priamo určujú náklady a limity: dlhé pokyny a rozsiahle podkladové znalosti zvyšujú spotrebu.
Token smuggling je forma jailbreakingu, pri ktorej sa nežiaduce pokyny maskujú, napríklad rozdelením na fragmenty, prekódovaním alebo zápisom podobne vyzerajúcimi znakmi, takže jednoduché filtre kľúčových slov ich prehliadnu, no jazykový model ich význam napriek tomu pochopí. Ochrana zahŕňa normalizáciu vstupov pred ich posúdením, kontroly založené na obsahu, a nie čisto na slovách, kontrolu výstupov a udeľovanie čo najmenšieho počtu oprávnení agentom AI.
Torch je open-source framework na strojové učenie založený na skriptovacom jazyku Lua; jeho verzia Torch7 sa v 2010. rokoch široko používala vo výskume aj v priemysle. Považuje sa za predchodcu PyTorch, ktorý prevzal myšlienky a časti knižníc C z Torch, ale používa Python. Podľa oficiálneho repozitára sa Torch aktívne nevyvíja a pre nové projekty je dnes málo relevantný.
Pri transfer learningu slúži ako východisko pre novú, špecializovanú úlohu model, ktorý sa už naučil veľkú všeobecnú úlohu. Namiesto začínania od nuly sa prispôsobí, napríklad dolaďovaním, pomocou pomerne malého množstva vlastných dát. Šetrí to výpočtový čas aj dáta, napríklad keď sa má všeobecný obrazový model naučiť odhaľovať výrobné chyby na fotografiách.
Transformer je architektúra neurónových sietí, ktorá bola predstavená v roku 2017 vo výskumnej práci „Attention Is All You Need“. Jej jadrom je mechanizmus pozornosti: každé slovo sa váži vo vzťahu ku všetkým ostatným slovám v texte a výpočet sa dá efektívne paralelizovať. Transformery tvoria základ dnešných jazykových modelov, ako sú GPT, Claude a BERT, a používajú sa aj pri obrázkoch a zvuku.
Transparentnosť AI znamená zverejniť, kedy sa zapája AI, na akých údajoch a zdrojoch sú jej výsledky založené a ako sa dospelo k rozhodnutiam. Patrí sem označovanie obsahu AI, dohľadateľné odkazy na zdroje, protokoly a zdokumentované zmeny. Transparentnosť buduje dôveru, uľahčuje hľadanie chýb a čiastočne ju vyžaduje zákon, napríklad povinnosti transparentnosti podľa aktu EÚ o umelej inteligencii, podľa ktorých by ľudia mali vedieť rozpoznať, že komunikujú s AI.
Stav k októbru 2026. Z technického hľadiska sa pozornosť presúva od chatbotov k agentom AI, ktorí zvládajú viackrokové úlohy a používajú nástroje prostredníctvom štandardov, ako je Model Context Protocol. Podľa údajov Crunchbase smerovalo približne 64 % globálneho rizikového financovania v 3. štvrťroku 2026 do startupov zameraných na AI. V EÚ sa povinnosti pre modely AI na všeobecné účely uplatňujú od augusta 2025; lehoty pre vysokorizikové systémy boli posunuté na december 2027 a august 2028.
Trénovacia chyba udáva, o koľko sa predpovede modelu odchyľujú od správnych hodnôt práve na dátach, na ktorých bol trénovaný. Sama o sebe vypovedá málo: dôležité je porovnanie s generalizačnou chybou na nových dátach. Vysoká trénovacia chyba poukazuje na nedoučenie; veľmi nízka trénovacia chyba spojená s vysokou chybou na testovacích dátach zvyčajne signalizuje preučenie.
Trénovacie dáta sú príklady, z ktorých sa model AI učí vzory: rozsiahle zbierky textov pre jazykové modely, označené obrázky pre obrazové modely. Ich kvalita, rozmanitosť a aktuálnosť vo veľkej miere určujú, nakoľko je model spoľahlivý a férový a nakoľko aktuálne budú jeho znalosti. Pre organizácie je dôležité aj to, či poskytovateľ používa zadané zákaznícke dáta na ďalšie trénovanie.
Turingov test pochádza od matematika Alana Turinga, ktorý ho v roku 1950 opísal ako „hru na imitáciu“. Človek vedie písomné rozhovory s človekom a strojom; ak nedokáže spoľahlivo určiť, ktorý je stroj, test sa považuje za zvládnutý. Dnešné jazykové modely často vedú veľmi ľudsky znejúce rozhovory, no test vypovedá len o presvedčivom jazyku, nie o porozumení či spoľahlivosti.
Tvorba obsahu s pomocou AI znamená vytváranie textov, obrázkov alebo iného obsahu s pomocou generatívnej AI, napríklad pre weby, newslettre, popisy produktov alebo sociálne siete. AI rýchlo dodá návrhy, varianty a preklady, zatiaľ čo odborné znalosti, hlas značky a overovanie faktov zostávajú úlohou ľudí. Pomáha jasné zadanie cieľovej skupiny, tónu a zdrojov. Príklad: heslá o novej ponuke sa zmenia na návrh blogového príspevku a tri príspevky na sociálne siete.
V strojovom učení je učebná krivka graf, ktorý ukazuje výkon alebo chybu modelu v závislosti od času trénovania alebo množstva trénovacích údajov, zvyčajne osobitne pre trénovacie a validačné údaje. Jej tvar prezrádza, či je model nedostatočne alebo nadmerne prispôsobený a či viac údajov pravdepodobne pomôže. Ak napríklad validačná chyba zostáva výrazne nad trénovacou chybou, ukazuje to na preučenie. V bežnom jazyku pojem označuje aj to, ako rýchlo si ľudia osvoja novú technológiu.
Umelá superinteligencia (ASI, artificial superintelligence) je teoretický koncept AI, ktorá by takmer vo všetkých intelektuálnych schopnostiach výrazne prekonala ľudí, vrátane výskumu, plánovania a sociálneho úsudku. Žiadny takýto systém neexistuje. Pojem sa používa najmä vo filozofii a výskume bezpečnosti AI na diskusiu o otázkach kontroly a zosúladenia budúcich systémov s ľudskými hodnotami.
Umelá všeobecná inteligencia (AGI, artificial general intelligence) označuje hypotetický systém AI, ktorý dokáže zvládať široké spektrum intelektuálnych úloh na ľudskej úrovni a flexibilne prenášať naučené do nových oblastí. Dnešné systémy podávajú dobrý výkon pri mnohých úlohách, no stále vykazujú obmedzenia, napríklad v spoľahlivosti. Neexistuje všeobecne akceptovaná definícia ani spôsob merania a o tom, či a kedy sa AGI dosiahne, sa odborníci sporia.
Umelé neurónové siete (ANN, artificial neural networks) sú výpočtové modely zložené z mnohých prepojených jednotiek („neurónov“) usporiadaných do vrstiev, ktoré spracúvajú vstupy cez vážené spojenia. Počas trénovania sa váhy krok za krokom upravujú pomocou príkladov, zvyčajne spätným šírením chyby (backpropagation). ANN sú základom hlbokého učenia a poháňajú rozpoznávanie obrazu, rozpoznávanie reči a veľké jazykové modely. Napriek biologickej inšpirácii fungujú oveľa jednoduchšie než ľudský mozog.
Nedoučenie (underfitting) nastáva, keď je model príliš jednoduchý na to, aby zachytil vzťahy v dátach. Robí potom veľa chýb na trénovacích dátach aj na nových dátach, napríklad keď sa na zobrazenie jasne zakriveného vzoru použije priamka. Nápravou je výkonnejší model, informatívnejšie príznaky, dlhšie trénovanie alebo slabšia regularizácia; opačným problémom je preučenie.
Upravený koeficient determinácie meria, ako dobre regresný model vysvetľuje variabilitu údajov, pričom zohľadňuje počet použitých prediktorov. Obyčajný koeficient R² rastie s každou ďalšou premennou, aj keď nič neprináša; upravená verzia nepotrebné premenné penalizuje. To umožňuje spravodlivejšie porovnanie modelov rôznej veľkosti, napríklad predpovede predaja s tromi namiesto desiatich faktorov.
Určovanie slovných druhov automaticky priraďuje každému slovu vo vete jeho gramatickú kategóriu, ako je podstatné meno, sloveso, prídavné meno alebo predložka. Keďže mnohé slová sú viacvýznamové („pila“ ako podstatné meno alebo ako tvar slovesa piť, „žila“ ako podstatné meno alebo ako tvar slovesa žiť), metódy zohľadňujú kontext vety. POS tagging je klasickým predspracovateľským krokom pre syntaktickú analýzu, extrakciu informácií alebo kontrolu pravopisu a ponúkajú ho knižnice ako spaCy a NLTK.
Úroveň čítania udáva stupeň čitateľských schopností, ktorý text vyžaduje alebo ktorý osoba dosiahla. V závislosti od systému sa vyjadruje ako školský ročník, hodnota na stupnici, ako je Lexile, alebo úroveň v učebných osnovách a jazykových rámcoch, napríklad A2 alebo B1 v Spoločnom európskom referenčnom rámci pre jazyky. V praxi pomáha prispôsobiť texty zamýšľanému publiku, napríklad zákaznícke informácie v jednoduchom jazyku.
Validácia údajov kontroluje, či sú údaje úplné, správne naformátované a vierohodné, skôr než sa spracujú ďalej. Typické kontroly sa týkajú povinných polí, formátu e-mailových adries, PSČ alebo dátumov a logických rozporov – napríklad dátumu dodania pred dátumom objednávky. Chyby sa tak zachytia včas a neprenesú sa do reportov, faktúr ani analýz s AI.
Vektor vnorenia (embedding) je zoznam čísel, ktorý reprezentuje význam slova, vety alebo dokumentu tak, že texty s podobným obsahom ležia blízko seba. Vďaka tomu možno napríklad rozpoznať, že „výpoveď“ a „ukončenie zmluvy“ spolu súvisia, hoci nemajú spoločné slová. Vnorenia sú základom mnohých systémov sémantického vyhľadávania, odporúčacích služieb a aplikácií RAG; vypočítavajú ich špeciálne natrénované modely.
Veľký jazykový model (LLM, large language model) je neurónová sieť natrénovaná na veľmi veľkom množstve textu, vďaka čomu rozumie jazyku a dokáže ho tvoriť. Funguje tak, že krok za krokom vypočítava najpravdepodobnejší nasledujúci token. LLM píšu, zhŕňajú, prekladajú, odpovedajú na otázky a generujú kód; známymi príkladmi sú Claude, GPT, Gemini a Llama. Bez prístupu k aktuálnym zdrojom vedia len to, čo bolo v ich trénovacích údajoch.
Vertikálny agent AI je prispôsobený konkrétnemu odvetviu alebo odbornej úlohe, ako je zákaznícka podpora v e-commerce, rezervácia termínov v lekárskych ordináciách alebo obchodné dopyty v strojárstve. Na rozdiel od asistentov na všeobecné použitie pozná terminológiu, procesy a pravidlá svojej oblasti, pretože je vybavený vhodnými pokynmi, znalosťami a nástrojmi. Vďaka tomu zvyčajne podáva v rámci svojej oblasti presnejšie a spoľahlivejšie výsledky.
Viackrokové usudzovanie je schopnosť systému AI odpovedať na otázku prostredníctvom viacerých po sebe idúcich úsudkov, často s kombinovaním informácií z rôznych zdrojov. Príklad: „Ktoré oddelenie vedie osoba zodpovedná za projekt X?“ najprv vyžaduje zistiť zodpovednú osobu a potom jej oddelenie. Takéto otázky sú pre systémy vyhľadávania a RAG náročné, pretože každý medzikrok sa musí správne nájsť a prepojiť.
Vibe coding označuje spôsob práce, pri ktorom softvér vzniká najmä prostredníctvom opisov v prirodzenom jazyku a kód generovaný AI sa prijíma do veľkej miery bez kontroly. Pojem vytvoril výskumník AI Andrej Karpathy vo februári 2025. Môže byť užitočný pri rýchlych prototypoch, ale v produkcii hrozia neodhalené bezpečnostné zraniteľnosti, ťažko udržiavateľný kód a závislosti, ktorým v tíme nikto skutočne nerozumie, preto kontrola kódu a testovanie zostávajú nevyhnutné.
Vtelení agenti AI majú fyzické alebo simulované telo, prostredníctvom ktorého vnímajú okolie pomocou senzorov a pôsobia naň pohybom. Medzi príklady patria skladové a domáce roboty, humanoidné roboty a postavy v simuláciách, v ktorých sa roboty trénujú pred reálnym nasadením. Výzvou je skĺbiť vnímanie, plánovanie a bezpečné konanie v nepredvídateľnom svete.
Vyhľadávanie bez kliknutia (zero-click) nastáva, keď používatelia dostanú odpoveď priamo na stránke s výsledkami, napríklad prostredníctvom zvýraznených odpoveďových polí alebo súhrnov generovaných AI, a už neprejdú na webovú stránku. Firmám to znižuje návštevnosť, aj keď ich obsah slúži ako zdroj. Preto je dôležitejšia viditeľnosť ako citovaný zdroj: s jasnými odpoveďami, podloženými faktami a dobre štruktúrovanými stránkami.
Vyhľadávanie informácií (information retrieval) zahŕňa metódy, ktoré vo veľkom súbore textov nájdu dokumenty alebo úryvky zodpovedajúce dopytu a zoradia ich podľa relevantnosti. Klasické prístupy, ako je BM25, váhujú hľadané výrazy podľa toho, ako často a ako zriedka sa vyskytujú; novšie pridávajú sémantickú podobnosť. Tvorí základ vyhľadávačov, podnikového vyhľadávania a generovania rozšíreného o vyhľadávanie (RAG), pri ktorom jazykový model používa nájdené úryvky ako základ svojej odpovede.
Vyhľadávanie s AI označuje metódy vyhľadávania, ktoré pomocou AI pochopia zámer dopytu, váhujú výsledky a často vygenerujú zhrnutú odpoveď so zdrojmi namiesto prostého zoznamu odkazov. Technicky využívajú kľúčové vyhľadávanie, vektorové vyhľadávanie nad vnoreniami alebo ich kombináciu, často s následným jazykovým modelom. Príkladom sú odpoveďové vyhľadávače na webe a interné vyhľadávanie znalostí, ktoré zamestnancom pomáha nájsť potrebné informácie v príručkách a smerniciach.
Vyhľadávanie v dokumentoch pomocou NLP využíva techniky spracovania prirodzeného jazyka na hľadanie informácií v zbierkach dokumentov na základe voľne formulovanej otázky. Takéto systémy nezohľadňujú len presné zhody slovných spojení, ale aj tvary slov, váhu zriedkavých výrazov alebo podobnosť významu. Kto napríklad napíše „Ako požiadam o dovolenku?“, dostane príslušnú časť príručky pre zamestnancov, aj keď sa v nej hovorí o „žiadosti o voľno“.
Vysvetliteľnosť (explainable AI, XAI) opisuje, nakoľko možno pochopiť, prečo systém AI dospel ku konkrétnemu výsledku. Zahŕňa metódy, ktoré ukazujú, ktoré vstupy ovplyvnili rozhodnutie najviac, ako aj praktické pomôcky, napríklad odkazy na zdroje a protokoly. Vysvetliteľnosť je dôležitá pre dôveru, hľadanie chýb a reguláciu – napríklad keď banka musí odôvodniť, prečo žiadosť zamietla.
Prototyp AI je raná, funkčná verzia aplikácie s AI, ktorá tímu umožní rýchlo a s malými nákladmi otestovať nápad. Namiesto mesiacov plánovania ho vyskúšate so skutočnými údajmi a používateľmi, aby ste zistili, či AI rieši úlohu dostatočne spoľahlivo, aké údaje chýbajú a akú hodnotu prináša. Príklad: asistent, ktorý predtriedi dopyty zákazníkov, sa dva týždne testuje na časti doručenej pošty, než sa rozhodne o širšom nasadení.
Internetová adresa, ktorá spustí postup, len čo jej iný program pošle údaje.
Whisper je model automatického rozpoznávania reči, ktorý vydala spoločnosť OpenAI v septembri 2022. Premieňa hovorený jazyk v mnohých jazykoch na text a nahrávky dokáže aj prekladať do angličtiny. Jeho kód a váhy modelu sú dostupné pod open-source licenciou MIT, takže Whisper môže bežať aj na vlastnom hardvéri, čo je výhoda, keď zvukové dáta nemajú opustiť organizáciu. Typické použitia zahŕňajú prepisy stretnutí, rozhovorov a titulky.
Windowing znamená rozdelenie dlhých dát na úseky („okná“) pevnej dĺžky, ktoré sa často prekrývajú. V aplikáciách AI sa tak dlhé dokumenty delia na vyhľadávateľné časti; prekrytie zaručuje, že veta na hranici úseku nestratí svoj kontext. Posuvné okná sa používajú aj pri časových radoch a zvukových signáloch na analýzu dát po častiach.
Word embeddings reprezentujú slová ako číselné vektory tak, aby slová s podobným významom ležali vo vektorovom priestore blízko seba, napríklad „auto“ a „vozidlo“. Metódy ako Word2Vec alebo GloVe sa tieto vektory učia z veľkého množstva textu. Boli dôležitým krokom v spracovaní jazyka, napríklad pri vyhľadávaní alebo klasifikácii; dnešné jazykové modely používajú kontextové embeddingy, v ktorých je slovo reprezentované inak podľa vety.
Writer (writer.com) je americká spoločnosť založená v roku 2020, ktorá ponúka platformu pre generatívnu AI vo firmách. Vyvíja vlastnú rodinu jazykových modelov s názvom Palmyra a poskytuje nástroje, pomocou ktorých firmy môžu vytvárať agentov AI, prepájať ich s vlastnými znalosťami a riadiť ich pravidlami pre hlas značky a schvaľovanie (stav k októbru 2026). Používa sa najmä na obsah a pracovné postupy v marketingu, predaji a komunikácii so zákazníkmi.
Writesonic je služba s AI, ktorá sa najprv preslávila ako nástroj na tvorbu marketingových textov. Poskytovateľ sa dnes pozicionuje ako platforma pre viditeľnosť v tradičnom aj AI vyhľadávaní: má merať, ako často sa značka spomína v odpovediach asistentov AI, a vylepšovať obsah pre SEO a generative engine optimisation (GEO) (stav k októbru 2026). Cieľovou skupinou sú predovšetkým marketingové tímy a agentúry.
XGBoost (Extreme Gradient Boosting) je open-source knižnica, ktorá obzvlášť efektívne implementuje gradient boosting s rozhodovacími stromami. Postupne sa trénuje mnoho malých stromov, z ktorých každý opravuje chyby predchádzajúcich, pričom regularizácia pomáha predchádzať preučeniu. XGBoost sa považuje za osvedčenú voľbu pre tabuľkové dáta, napríklad pri hodnotení úverového rizika, predpovedaní odchodu zákazníkov alebo predpovedaní predaja.
Základný model (foundation model) je veľký model AI vopred natrénovaný na veľmi rozsiahlych a rôznorodých údajoch, ktorý sa potom dá použiť na mnoho rôznych úloh. Pojem vznikol na Stanfordskej univerzite v roku 2021. Známymi príkladmi sú veľké jazykové modely, ako Claude alebo GPT, a tiež modely obrázkov. Firmy zvyčajne stavajú svoje aplikácie na takýchto modeloch, namiesto toho, aby od základu trénovali vlastné; akt EÚ o umelej inteligencii hovorí o modeloch AI na všeobecné účely.
Závislostná syntaktická analýza (dependency parsing) je technika spracovania prirodzeného jazyka, ktorá zobrazuje gramatickú štruktúru vety ako závislosti medzi slovami. Každé slovo je prepojené s nadradeným slovom, napríklad podmet a predmet so slovesom: vo vete „Zákazník objednáva dve lampy“ závisia „zákazník“ a „lampy“ od slovesa „objednáva“. To pomáha pri extrakcii informácií, napríklad pri zistení, kto čo urobil.
Text, ktorý KI.ordo rozdelí na časti a sprístupní agentom na vyhľadávanie.
Zero-shot learning znamená, že model dokáže vyriešiť úlohu bez toho, aby predtým videl konkrétne príklady. Veľké jazykové modely napríklad zvládnu preklad alebo klasifikáciu len na základe popisu v prompte. Ak kvalita nestačí, často pomôže few-shot learning: pridáte niekoľko príkladov požadovanej odpovede.
K-means je metóda učenia bez učiteľa, ktorá rozdeľuje dátové body do vopred stanoveného počtu k skupín. Každý bod priradí k najbližšiemu stredu skupiny a tieto stredy posúva dovtedy, kým sa priradenia takmer nemenia. Metóda je rýchla a ľahko pochopiteľná, vyžaduje však rozumnú voľbu k a znaky v porovnateľných mierkach. Príklad: zoskupenie zákazníkov podľa frekvencie nákupov a hodnoty košíka.
Poskytovateľ služieb spracúva osobné údaje v mene firmy. Vyžaduje sa na to zmluva podľa čl. 28 GDPR.
Znalostné inžinierstvo zahŕňa zachytávanie, usporadúvanie a prípravu odborných znalostí tak, aby ich mohli využívať systémy IT. Pôvodne sa zameriavalo na pravidlá pre expertné systémy; dnes je často prioritou zdokumentovať roztrúsené znalosti z príručiek, popisov procesov a hláv ľudí tak, aby z nich agenti AI mohli spoľahlivo odpovedať. Zahŕňa to jasné štruktúry, aktuálne zdroje, definované zodpovednosti a zaplnenie identifikovaných medzier.
3D rekonštrukcia zahŕňa metódy, ktoré z fotografií, videa alebo údajov zo senzorov vypočítajú trojrozmerný model objektu alebo priestoru. Typické postupy porovnávajú viacero snímok z rôznych uhlov alebo vyhodnocujú hĺbkové údaje z laserových a hĺbkových senzorov. Využíva sa v geodézii, ochrane pamiatok, medicíne, robotike a e-commerce – napríklad keď sa zo skenu smartfónom vytvorí otočný 3D model produktu.
Vyberte si tarif alebo sa s nami porozprávajte o svojom projekte.
