AI - Základné pojmy

Praktický slovník základných pojmov v AI. Zoznam je rozdelený do tematických blokov, aby sa dal rýchlo skenovať.

1. Základné pojmy a oblasti

Artificial Intelligence (AI) - Odbor zameraný na systémy, ktoré vykonávajú úlohy vyžadujúce inteligentné správanie.

Machine Learning (ML) - Podoblasť AI, kde sa model učí z dát namiesto explicitného programovania pravidiel.

Deep Learning - Metóda ML založená na viacvrstvových neurónových sieťach.

Generative AI - Modely, ktoré vytvárajú nový obsah (text, obraz, audio, video).

Natural Language Processing (NLP) - Spracovanie, porozumenie a generovanie ľudského jazyka.

Computer Vision - Metódy, ktoré spracúvajú obrazové a video dáta.

2. Modely a architektúry

Neural Network - Výpočtový model inšpirovaný neurónmi, skladá sa z vrstiev a váh.

Transformer - Architektúra postavená na attention mechanizme; základ moderných LLM.

Large Language Model (LLM) - Veľký jazykový model trénovaný na rozsiahlych textových dátach.

Convolutional Neural Network (CNN) - Sieť vhodná najmä pre obrazové úlohy.

Recurrent Neural Network (RNN) - Sieť pre sekvenčné dáta; dnes ju vo veľkej miere nahradil transformer.

GAN (Generative Adversarial Network) - Dvojica modelov (generátor a diskriminátor), ktoré sa učia v súťaži.

3. Tréning a optimalizácia

Model Training - Proces učenia modelu na trénovacích dátach.

Backpropagation - Algoritmus výpočtu gradientov pre aktualizáciu váh siete.

Gradient Descent - Optimalizačný postup na minimalizáciu chybovej funkcie.

Hyperparameter - Parameter nastavený pred tréningom (napr. learning rate, batch size).

Fine-tuning - Doladenie už natrénovaného modelu na konkrétnu úlohu/doménu.

Transfer Learning - Prenos poznatkov z jednej úlohy na inú.

AutoML - Automatizácia výberu modelu, tréningu a ladenia.

4. Dáta, evaluácia a generalizácia

Feature Engineering - Výber a transformácia vstupných vlastností pre lepší výkon modelu.

Model Evaluation - Hodnotenie modelu na validačných/testovacích dátach.

Bias (v modeli) - Systematické skreslenie predikcií.

Variance - Citlivosť modelu na zmeny tréningových dát.

Overfitting - Model sa „naučí" tréningové dáta príliš presne a zhorší sa na nových dátach.

Underfitting - Model je príliš jednoduchý a nezachytí dôležité vzory.

Tokenization - Rozdelenie textu na tokeny, s ktorými model pracuje.

Data Mining - Hľadanie vzorov vo veľkých dátových súboroch.

5. Typy učenia

Supervised Learning - Učenie na označených dátach (vstup -> správna odpoveď).

Unsupervised Learning - Hľadanie štruktúry v neoznačených dátach.

Reinforcement Learning - Agent sa učí rozhodovať cez odmenu/trest.

Federated Learning - Tréning prebieha decentralizovane na zariadeniach bez centrálneho zberu surových dát.

6. Bezpečnosť, etika a governance

AI Safety - Prevencia nežiaducich alebo škodlivých dôsledkov AI systémov.

AI Alignment - Snaha, aby ciele AI ostali v súlade s ľudským zámerom.

AI Ethics - Morálne princípy pre návrh a použitie AI.

AI Fairness - Znižovanie diskriminácie a nerovností vo výstupoch modelov.

AI Transparency - Zrozumiteľnosť fungovania systému a rozhodnutí.

AI Interpretability / Explainable AI (XAI) - Schopnosť vysvetliť, prečo model rozhodol konkrétnym spôsobom.

AI Accountability - Zodpovednosť ľudí a organizácií za dôsledky AI systémov.

AI Governance - Pravidlá, procesy a kontrolné mechanizmy pre riadenie AI.

AI Regulation - Právne rámce a regulácie pre vývoj a nasadenie AI.

AI Robustness - Odolnosť modelu voči šumu, útokom a neočakávaným vstupom.

Adversarial Machine Learning - Útoky na modely a obranné techniky proti manipulácii vstupov.

7. Nasadenie a infra

Edge AI - AI bežiaca na zariadeniach s obmedzenými zdrojmi (mobil, IoT, kamera).

Robotic Process Automation (RPA) - Automatizácia opakovaných procesov softvérovými robotmi.

Quantum Machine Learning - Kombinácia kvantového počítania a ML (výskumná oblasť).

Swarm Intelligence - Prístupy inšpirované kolektívnym správaním (mravce, včely, roje).

8. Quick Reference

Oblasť	Kľúčová otázka
ML	Ako sa model učí z dát?
DL	Ako zvyšujeme reprezentáciu cez vrstvy?
Evaluácia	Ako vieme, že model funguje aj na nových dátach?
Safety/ethics	Ako minimalizujeme škody a skreslenie?
Nasadenie	Kde model beží a za aké náklady?

Zhrnutie

Tento článok je orientačný slovník základnej AI terminológie.
Pojmy sú zoskupené podľa praktickej potreby: modely, tréning, evaluácia, bezpečnosť a nasadenie.
Pri pokročilej práci je vhodné každý pojem doplniť o konkrétny benchmark, metódu a obmedzenia.