AI - Základné pojmy

Praktický slovník základných pojmov v oblasti umelej inteligencie. Zoznam je rozdelený do tematických blokov pre rýchle skenovanie aj hĺbkové štúdium. Vydanie jún 2026 rozširuje pôvodný slovník o agentické systémy, moderné architektúry a prácu s jazykovými modelmi.

1. Základné pojmy a oblasti

Artificial Intelligence (AI) — Odbor informatiky zameraný na systémy vykonávajúce úlohy, ktoré by si inak vyžadovali ľudskú inteligenciu: vnímanie, uvažovanie, rozhodovanie, učenie.

Machine Learning (ML) — Podoblasť AI, kde sa model učí z dát namiesto explicitného programovania pravidiel. Výkon sa zlepšuje s množstvom a kvalitou dát.

Deep Learning — Metóda ML využívajúca viacvrstvové neurónové siete. Dominuje v úlohách rozpoznávania obrazu, spracovania textu a generatívnych modeloch.

Generative AI — Modely vytvárajúce nový obsah: text, obraz, audio, video, kód alebo 3D objekty. Príklady: ChatGPT, Midjourney, Sora, Claude.

Natural Language Processing (NLP) — Spracovanie, porozumenie a generovanie ľudského jazyka strojmi. Základ chatbotov, prekladačov a LLM.

Computer Vision — Metódy spracovania obrazových a video dát: detekcia objektov, segmentácia, rozpoznávanie tvárí, generovanie obrazu.

Foundation Model — Veľký model predtrénovaný na obrovských dátach, adaptovateľný na rôzne downstream úlohy bez trénovania od nuly. Príklady: GPT-4, Gemini 2.5, Claude 3.7, Llama 4.

Multimodal AI — Systémy spracúvajúce viaceré typy vstupov naraz: text + obraz + zvuk + video. V roku 2026 štandard u všetkých hlavných LLM.

AGI (Artificial General Intelligence) — Hypotetická AI schopná vykonávať ľubovoľnú intelektuálnu úlohu na ľudskej alebo vyššej úrovni. Presná definícia je predmetom diskusie; niektoré laboratóriá tvrdia, že sa k nej blížia alebo ju dosiahli.

Embodied AI — AI integrovaná do fyzického tela (robot, dron), ktorá sa učí interakciou s reálnym prostredím.

2. Modely a architektúry

Neural Network (Neurónová sieť) — Výpočtový model inšpirovaný biologickými neurónmi. Skladá sa z vrstiev uzlov a váh, ktoré sa tréningom nastavujú.

Transformer — Architektúra postavená na attention mechanizme; základ takmer všetkých moderných LLM od roku 2017 (Vaswani et al., „Attention Is All You Need") až po súčasnosť.

Large Language Model (LLM) — Veľký jazykový model trénovaný na stovkách miliárd tokenov textu. Predikuje nasledujúci token; z toho vyplývajú schopnosti pre otázky, kód, analýzu aj kreatívnu tvorbu.

Convolutional Neural Network (CNN) — Sieť optimalizovaná pre obrazové úlohy; využíva konvolučné filtre na detekciu lokálnych vzorov. Stále relevantná pre efektívne nasadenie na hrane.

Recurrent Neural Network (RNN) / LSTM — Sieť pre sekvenčné dáta; vo veľkej miere nahradená transformerom, ale stále používaná pre niektoré časové rady a úlohy s obmedzenou pamäťou.

GAN (Generative Adversarial Network) — Dvojica modelov v súťaži: generátor vytvára vzorky, diskriminátor ich rozlišuje od reálnych. Historicky základ generatívnych modelov obrazu; dnes prekonaný difúznymi modelmi.

Diffusion Model — Generatívna architektúra učiaca sa odstraňovať šum z dát. Základ Stable Diffusion, DALL·E 3, Sora; v roku 2026 dominuje generovaniu obrazu a videa.

Mixture of Experts (MoE) — Architektúra aktivujúca pre každý vstup len podmnožinu špecializovaných „expertných" sietí. Zvyšuje kapacitu modelu bez proporcionálneho nárastu výpočtových nárokov (GPT-4, Mixtral, Gemini 1.5/2.0).

Vision-Language Model (VLM) — Model kombinujúci porozumenie obrazu a textu. Príklady: LLaVA, PaliGemma, Claude 3.7, GPT-4o.

State Space Model (SSM / Mamba) — Alternatívna architektúra k transformeru; efektívnejšia pre extrémne dlhé sekvencie vďaka lineárnej zložitosti. Aktívna výskumná oblasť; v roku 2026 sa objavujú hybridné architektúry kombinujúce SSM s attention.

3. Tréning a optimalizácia

Pretraining — Prvá fáza trénovania na obrovskom korpuse dát bez špecifickej úlohy; model sa naučí všeobecné jazykové alebo vizuálne reprezentácie.

Fine-tuning — Doladenie predtrénovaného modelu na konkrétnu úlohu alebo doménu s menším, cielenýmcieľovým datasetom.

PEFT (Parameter-Efficient Fine-Tuning) — Metódy dolaďovania len malej časti parametrov (adapterov alebo nízkohradových matíc) namiesto celého modelu. Výrazne znižujú výpočtové a pamäťové nároky.

LoRA / QLoRA — Konkrétna PEFT technika vkladajúca dvojicu nízkohradových matíc; trénujú sa len tie, nie pôvodné váhy. QLoRA kombinuje LoRA s kvantizovanými váhami pre ešte nižšie nároky na VRAM.

RLHF (Reinforcement Learning from Human Feedback) — Tréning modelu pomocou odmien odvodených z ľudských hodnotení odpovedí. Kľúčový krok pri vytváraní modelov ako ChatGPT a Claude.

DPO (Direct Preference Optimization) — Jednoduchšia alternatíva RLHF: model sa trénuje priamo na pároch preferovaných a nepreferovaných odpovedí bez explicitného reward modelu.

Backpropagation — Algoritmus výpočtu gradientov pre aktualizáciu váh siete pomocou reťazového pravidla derivácií.

Gradient Descent — Optimalizačný postup minimalizujúci stratovú funkciu postupným pohybom v smere najväčšieho klesania gradientu. Varianty: SGD, Adam, AdamW.

Hyperparameter — Parameter nastavený pred tréningom (learning rate, batch size, počet vrstiev). Na rozdiel od váh sa neoptimalizuje automaticky počas trénovania.

Transfer Learning — Prenos poznatkov natrénovaných na jednej úlohe na inú, zvyčajne príbuznú. Základ moderného fine-tuningu; výrazne šetrí dáta aj výpočtový čas.

Quantization (kvantizácia) — Redukcia presnosti váh (napr. z 32-bitových floatov na 4-bitové). Zrýchľuje inferenciu a znižuje pamäťové nároky pri miernej strate výkonu.

Knowledge Distillation (destilácia) — Tréning menšieho „žiaka" napodobňujúceho správanie väčšieho „učiteľa". Výsledok: kompaktný model s podobným výkonom pri zlomku nákladov.

AutoML — Automatizácia výberu modelu, dizajnu architektúry a ladenia hyperparametrov.

4. Dáta, evaluácia a benchmarky

Feature Engineering — Výber, transformácia a kombinovanie vstupných premenných pre lepší výkon klasického ML modelu. Pri hlbokom učení čiastočne nahradené automatickým extrahovaním príznakov.

Embedding — Hustá vektorová reprezentácia textu, obrazu alebo iného objektu v n-dimenzionálnom priestore. Sémanticky podobné objekty majú blízke vektory. Základ vyhľadávania, odporúčacích systémov aj RAG.

Vector Database — Databáza optimalizovaná pre ukladanie a rýchle vyhľadávanie embeddingov pomocou metrík vzdialenosti (kosinusová podobnosť, L2). Príklady: Pinecone, Weaviate, pgvector, Chroma. Kľúčová infraštruktúra pre RAG.

Tokenization — Rozdelenie textu na tokeny (celé slová, čiastočné slová alebo znaky), s ktorými model pracuje. BPE (Byte-Pair Encoding) je najrozšírenejší algoritmus v moderných LLM.

Model Evaluation — Hodnotenie modelu na oddelených validačných alebo testovacích dátach pomocou metrík (accuracy, F1, BLEU, ROUGE, perplexita).

Benchmark — Štandardizovaná sada testov pre porovnanie modelov. Príklady: MMLU (znalosti), HumanEval (kód), HELM, LMSYS Chatbot Arena (ľudské hodnotenia). V roku 2026 existujú stovky domainovo špecifických benchmarkov, no saturácia mnohých z nich vedie k tvorbe nových.

Bias (zaujatosť) — Systematické skreslenie predikcií spôsobené chybami v dátach, architektúre alebo procese trénovania.

Overfitting — Model sa prispôsobí tréningovým dátam natoľko, že zlyháva na nových vzorkách. Riešenie: regularizácia, dropout, väčší dataset, early stopping.

Underfitting — Model je príliš jednoduchý na zachytenie relevantných vzorov. Riešenie: väčší model, dlhší tréning, lepší feature engineering.

Synthetic Data — Umelé dáta generované algoritmicky alebo LLM na doplnenie alebo nahradenie reálnych dát. V roku 2026 hrá kľúčovú rolu v predtrénovaní aj RLHF pipeline.

5. Typy učenia

Supervised Learning — Učenie na označených dátach: každý vstup má správnu odpoveď. Príklady: klasifikácia spamu, predikcia cien, detekcia objektov.

Unsupervised Learning — Hľadanie štruktúry v neoznačených dátach. Príklady: zhlukovanie zákazníkov (k-means), redukcia dimenzionality (PCA, t-SNE).

Self-supervised Learning — Model si generuje vlastné supervízie z neoznačených dát (napr. maskované predikcie tokenov). Základ predtrénovania moderných LLM aj Vision Transformerov.

Reinforcement Learning (RL) — Agent sa učí rozhodovať interakciou s prostredím; za správne správanie dostáva odmenu, za nesprávne trest. Základ herných AI (AlphaGo) a RLHF pri dolaďovaní LLM.

RLAIF (RL from AI Feedback) — Variácia RLHF, kde ľudské hodnotenia čiastočne alebo úplne nahrádza AI hodnotiaci model. Umožňuje škálovanie bez rastúcich nákladov na ľudskú anotáciu.

Federated Learning — Tréning prebieha decentralizovane na zariadeniach (mobil, nemocničný server) bez odosielania surových dát na centrálny server. Dôležité pre súkromie a GDPR.

6. Práca s jazykovými modelmi

Context Window (kontextové okno) — Maximálny počet tokenov, ktoré model vidí naraz (vstup + výstup). V roku 2026 bežné LLM zvládajú 128 000 až 2 000 000 tokenov; rástorast kontextového okna je jedným z hlavných trendov.

Prompt — Vstupný text (otázka, inštrukcia, príklady) odoslaný modelu. Kvalita promptu zásadne ovplyvňuje kvalitu výstupu.

System Prompt — Špeciálna inštrukcia definujúca rolu, správanie a obmedzenia modelu, zvyčajne skrytá pred koncovým užívateľom.

Zero-shot Prompting — Model dostane úlohu bez príkladov a musí sa s ňou vysporiadať len na základe tréningových znalostí.

Few-shot Prompting — Do promptu sa vložia 2–5 príkladov (vstup → výstup), ktoré modelu ukážu požadovaný formát alebo štýl odpovede.

Chain-of-Thought (CoT) — Technika vyzývajúca model, aby postup riešenia opísal krok za krokom pred zodpovedaním. Výrazne zvyšuje presnosť pri logických a matematických úlohách.

Temperature — Parameter riadiaci náhodnosť výstupu (0 = deterministický, 1–2 = kreatívny). Vyššia teplota produkuje rozmanitejšie, ale menej presné odpovede.

Top-p (nucleus sampling) — Alternatíva k temperature: model vyberá len z tokenov pokrývajúcich top p % kumulatívnej pravdepodobnosti distribúcie.

Hallucination / Konfabulácia — Model generuje fakticky nesprávny alebo vymyslený obsah s istotou. Hlavná výzva LLM v produkčných aplikáciách; mitigácia zahŕňa RAG, grounding a verifikáciu.

Grounding — Techniky pripájania modelu na overiteľné zdroje (webové vyhľadávanie, databázy, dokumenty) s cieľom znížiť konfabuláciu.

In-context Learning — Schopnosť modelu prispôsobiť sa novej úlohe len na základe príkladov priamo v prompte, bez akejkoľvek zmeny váh.

7. Agentické systémy

AI Agent — Systém, kde LLM autonómne plánuje a vykonáva viacstupňové úlohy pomocou nástrojov, pričom každý krok informuje nasledujúci.

Tool Use / Function Calling — Schopnosť LLM volať externé funkcie alebo API (vyhľadávač, kalkulačka, databáza, kód) a spracovať ich výsledky v rámci generovania.

RAG (Retrieval-Augmented Generation) — Architektúra kombinujúca LLM s vyhľadávaním: pred generovaním sa z vektorovej databázy načítajú relevantné dokumenty a vložia do kontextu. Redukuje konfabuláciu a umožňuje prácu s aktuálnymi alebo proprietárnymi dátami.

Agentic Loop — Iteratívny cyklus: plánovanie → akcia (tool call) → pozorovanie výsledku → plánovanie → … Model opakuje, kým nedosiahne cieľ alebo neprekročí limit krokov.

ReAct (Reasoning + Acting) — Prompting vzor striedajúci generovanie uvažovania (Thought) a konkrétnych akcií (Action). Štruktúruje agentic loop a zlepšuje sledovateľnosť rozhodnutí.

Orchestrátor / Subagent — V multi-agentných systémoch orchestrátor riadi celkovú stratégiu a deleguje čiastkové úlohy na špecializovaných subagentov. Príklad: jeden agent píše kód, druhý ho testuje, tretí spravuje dokumentáciu.

Multi-agent System — Viacero AI agentov spolupracujúcich alebo súperiacich na splnení úlohy presahujúcej schopnosti jedného agenta.

MCP (Model Context Protocol) — Otvorený protokol od Anthropic (2024) umožňujúci štandardizované prepojenie LLM s externými nástrojmi, databázami a službami. V roku 2026 adoptovaný naprieč ekosystémom (VS Code, Cursor, rôzne AI platformy).

Memory (pamäť agenta) — Krátkodobá pamäť (aktívny kontext konverzácie) vs. dlhodobá pamäť (externé úložisko, napr. vektorová databáza). Agenty si môžu ukladať a vyhľadávať poznatky medzi jednotlivými seansami.

8. Bezpečnosť, etika a governance

AI Safety — Prevencia nežiaducich alebo škodlivých dôsledkov AI systémov vrátane neúmyselného správania pri škálovaní kapacity alebo autonómie.

AI Alignment — Snaha, aby ciele a hodnoty AI systémov ostali v súlade s ľudskými zámermi aj pri zvyšujúcej sa autonómii a schopnostiach.

AI Ethics — Morálne princípy aplikované na dizajn, tréning a nasadenie AI: férovosť, súkromie, transparentnosť, nepoškodenie.

AI Fairness — Znižovanie diskriminácie a nerovností vo výstupoch modelov voči chráneným skupinám (pohlavie, etnikum, vek, zdravotný stav).

Explainable AI (XAI) — Metódy vysvetľujúce rozhodnutia modelu: SHAP hodnoty, LIME, attention vizualizácie. Kritické pre regulované odvetvia (zdravotníctvo, financie, justícia).

AI Accountability — Zodpovednosť ľudí a organizácií za dôsledky AI systémov. Kľúčová otázka pri nasadzovaní autonómnych agentov s prístupom k nástrojom.

AI Governance — Rámce, procesy a kontrolné mechanizmy riadiace vývoj a nasadenie AI v organizácii alebo na celospoločenskej úrovni.

EU AI Act — Nariadenie EÚ platné od augusta 2024 (plne účinné od roku 2026), klasifikujúce AI systémy podľa úrovne rizika. Vysokorizikové systémy (HR, zdravotníctvo, kritická infraštruktúra) podliehajú prísnym požiadavkám na transparentnosť, audit a ľudský dohľad.

Red Teaming — Systematické napádanie AI systému s cieľom nájsť bezpečnostné slabiny a nežiaduce správanie pred nasadením. Štandardná prax u veľkých AI laboratórií.

Jailbreak — Pokus obísť bezpečnostné obmedzenia modelu pomocou manipulatívnych promptov. Trvajúci súboj medzi útočníkmi a výskumníkmi v oblasti AI bezpečnosti.

Prompt Injection — Útok, kde škodlivý text vo vstupe (napr. na spracovávanej webstránke) presmeruje agenta na neautorizované akcie. Kritická hrozba pri agentic systémoch s prístupom k nástrojom a externým zdrojom.

Adversarial Machine Learning — Štúdium útokov na modely (adversariálne príklady, otrava dát) a obrán proti nim.

AI Robustness — Odolnosť modelu voči šumu, distribučnému posunu a adversariálnym vstupom v produkčných podmienkach.

9. Nasadenie a infraštruktúra

MLOps — Prax spájajúca ML a DevOps: správa dátových pipeline, verzonovanie modelov, CI/CD pre ML, monitoring a retraining v produkcii.

Inference (inferencia) — Použitie natrénovaného modelu na generovanie predikcií alebo odpovedí. Výrazne lacnejšia ako tréning, ale pri škálovaní na milióny požiadaviek stále nákladná.

Latency / Throughput — Latency: čas od odoslania promptu po prvý token odpovede (Time to First Token). Throughput: počet requestov alebo tokenov spracovaných za sekundu. Kľúčové metriky pri produkcii LLM.

KV Cache — Optimalizácia inferencie: kešovanie key-value párov z attention mechanizmu zabraňuje opakovanému výpočtu prefixov pri dlhých kontextoch alebo opakovaných systémových promptoch.

Speculative Decoding — Technika zrýchlenia inferencie: malý pomocný model navrhuje viacero tokenov naraz, veľký model ich hromadne overí. Výsledok: viacnásobné zrýchlenie bez straty kvality výstupu.

Test-Time Compute Scaling — Zvyšovanie výkonu modelu viac-krokovým uvažovaním počas inferencie (chain-of-thought, verifikácia, beam search). Alternatíva k nákladnému predtrénovaniu väčšieho modelu; kľúčový trend v roku 2025–2026.

Knowledge Distillation (destilácia) — Tréning menšieho modelu napodobňujúceho väčší. Výsledok: nasaditeľný model s nízkymi nárokmi pri zachovaní podstatnej časti výkonu.

Model Registry — Centrálny katalóg natrénovaných modelov s metadátami (verzia, dataset, metriky, dátum nasadenia). Kľúčová súčasť MLOps infraštruktúry.

A/B Testing — Porovnávanie dvoch verzií modelu, promptu alebo konfigurácie na reálnych užívateľoch. Štandard pri bezpečnom zavádzaní produkčných zmien.

Edge AI — AI bežiaca priamo na zariadeniach (mobil, IoT, kamera) bez závislosti na cloudovom serveri. Výhody: nízka latencia, súkromie, offline prevádzka. Nevýhoda: obmedzené výpočtové zdroje.

Robotic Process Automation (RPA) — Automatizácia opakovaných digitálnych procesov softvérovými robotmi; v roku 2026 sa čoraz viac kombinuje s LLM agentmi pre zvýšenie flexibility.

Quantum Machine Learning — Kombinácia kvantového počítania a ML; sľubná výskumná oblasť, ale v roku 2026 bez prakticky preukázanej prevahy nad klasickými metódami na reálnych úlohách.

10. Quick Reference

Oblasť Kľúčová otázka Hlavné pojmy
Základy ML Ako sa model učí z dát? Supervised, Unsupervised, Self-supervised, RL
Architektúry Akú štruktúru má model? Transformer, MoE, CNN, Diffusion, SSM
Tréning Ako model optimalizujeme? Backprop, Fine-tuning, LoRA, RLHF, DPO
Evaluácia Ako vieme, že model funguje? Benchmark, Overfitting, Bias, Embedding
Prompting Ako s modelom komunikujeme? System Prompt, CoT, Temperature, Few-shot
Agenty Ako model koná autonómne? Tool Use, RAG, MCP, Multi-agent, ReAct
Bezpečnosť Ako minimalizujeme riziká? Alignment, Red Teaming, Prompt Injection, EU AI Act
Nasadenie Kde a ako model beží? MLOps, KV Cache, Edge AI, Test-Time Compute

11. Kam ďalej (detailné články)

Tento slovník je rozcestník — každý kľúčový pojem má (alebo bude mať) samostatný článok do hĺbky:

Zhrnutie

  • Slovník pokrýva kľúčovú AI terminológiu od základov ML až po agentické systémy a regulácie platné v roku 2026.
  • Pojmy sú usporiadané podľa praktickej potreby: od teórie k implementácii, nasadeniu a governance.
  • Každý pojem má alebo bude mať samostatný článok pre hĺbkové štúdium — tento slovník slúži ako orientačný bod a navigácia po téme.