Machine Learning (ML)

Machine Learning (ML) je prístup, pri ktorom počítač nezíska „pevný návod" pravidiel, ale učí sa z príkladov v dátach. V praxi to znamená, že namiesto ručného programovania každej výnimky necháš systém nájsť vzory sám — a potom ich použije na predikcie alebo rozhodnutia.

Rok 2026 priniesol ML do každého kúta digitálneho sveta: od automatizácie e-mailov až po diagnostiku v medicíne. Objavilo sa nové regulačné prostredie (EU AI Act je v plnej platnosti), nové nástroje (AutoML, MLOps platformy) a nové typy modelov (foundation models, multimodálne siete). Napriek tomu základné princípy ML zostávajú rovnaké — a práve ich pochopenie ti pomôže navigovať tento rýchlo sa meniaci priestor.

1. Čo to je (definícia + analógia)

ML si môžeš predstaviť ako tréning psa: neriešiš v hlave všetky možné situácie, ale opakovane ukazuješ príklady, dávaš spätnú väzbu a postupne sa správanie zlepšuje.

  • Učenie zo vzoriek: systém sa učí z historických príkladov (dáta) a vytvorí si „model" správania.
  • Model: matematická funkcia, ktorá vie z vstupu (napr. text, obrázok, čísla) vyprodukovať výstup (napr. triedu, skóre, odporúčanie).
  • Generalizácia: cieľom nie je pamätať si tréningové dáta, ale fungovať aj na nových prípadoch, ktoré ešte nevidel.
  • ML vs. pravidlá: pri pravidlách píšeš „ak–tak", pri ML nastavíš cieľ a model sa k nemu dopracuje učením.

Iná analógia: predstav si, že chceš systém, ktorý rozpozná podvodnú transakciu. Pri prístupe „pravidlá" by si musel napísať tisíce podmienok — a podvodníci ich rýchlo obídu. ML systém sa naučí z miliónov príkladov podvodov a legitímnych transakcií a sám odhalí vzory, ktoré ľudia pri písaní pravidiel prehliadli.

2. Ako to funguje

V jadre ML ide o optimalizáciu: model skúša predpovedať, dostáva „pokutu" za chyby a postupne si upravuje vnútorné parametre, aby chýb robil menej.

  • Dáta (vstupy): to, z čoho sa učíš (napr. transakcie, fotky produktov, logy z webu).
  • Label/odpoveď: pri niektorých úlohách máš správny výsledok (napr. „spam/nespam", „cena bytu", „čo je na obrázku").
  • Loss (chybová funkcia): číslo, ktoré vyjadruje, ako veľmi sa model mýli (nižšie je lepšie).
  • Tréning: proces, kde model opakovane prechádza dáta a upravuje parametre tak, aby loss klesal.
  • Validácia a test: kontrola, či model funguje aj na dátach, ktoré nevidel (inak riskuješ, že sa len „naučil naspamäť").
  • Overfitting: model je „premúdry" na tréningové dáta, ale v reálnom svete zlyháva.
  • Feature engineering: pri klasickom ML často ručne vytváraš užitočné vstupné znaky (napr. „počet nákupov za 30 dní").
  • Deep learning: podmnožina ML, kde sa veľká časť „znakov" učí automaticky cez neurónové siete (najčastejšie pri obraze, zvuku, texte).

Z praktického pohľadu sa ML delí podľa typu učenia:

  • Supervised learning: máš príklady + správne odpovede (klasifikácia, regresia).
  • Unsupervised learning: nemáš odpovede, hľadáš štruktúru (zhlukovanie, redukcia rozmeru).
  • Reinforcement learning: učenie cez odmeny/tresty v prostredí (napr. riadenie, hry, optimalizácia postupov).
  • Semi-supervised a self-supervised: hybridné prístupy, kde máš málo labeled dát, ale veľa unlabeled — dnes bežné pri veľkých jazykových modeloch a multimodálnych sieťach.

3. Prečo je to dôležité / kde sa to používa

ML je užitočné všade tam, kde je príliš veľa kombinácií na ručné pravidlá a zároveň máš dáta, ktoré reprezentujú realitu.

  • Odporúčania: produkty, videá, hudba — model odhaduje, čo ťa bude zaujímať na základe správania podobných ľudí.
  • Detekcia podvodov: transakcie sa hodnotia skóre rizikovosti; ML hľadá anomálie a podozrivé vzory.
  • Filtrovanie a moderácia: spam, toxický obsah, phishing — model sa učí z príkladov zakázaných a povolených správ.
  • Počítačové videnie: rozpoznávanie objektov, kontrola kvality vo výrobe, čítanie dokumentov, autonómne systémy.
  • Audio a reč: prepis reči, identifikácia hovoriaceho, odstránenie šumu, real-time preklad.
  • Predikcie a plánovanie: dopyt, spotreba, poruchovosť, logistika — často kombinácia ML a klasickej štatistiky.
  • Medicína a veda: diagnostika zo snímok, objavovanie nových liekov, predikcia štruktúry proteínov (nadviazanie na AlphaFold), personalizovaná liečba.
  • Generatívne AI: jazykové modely (LLM), obrazové generátory, syntetické dáta, kód — tieto systémy stoja na ML základoch.

V bežnom živote to spoznáš podľa toho, že systém nerobí „tvrdé pravidlá", ale pracuje so skóre pravdepodobnosti, rebríčkami alebo odhadmi.

4. Výhody a obmedzenia

ML vie byť veľmi presné, ale nie je to kúzlo. Najčastejšie vyhráva vtedy, keď máš kvalitné dáta a jasnú metriku úspechu.

Oblasť Výhody Obmedzenia
Presnosť na komplexných úlohách Nájde vzory, ktoré by si ručne neodhalil Závisí od dát: „garbage in, garbage out"
Adaptabilita Dá sa pretrénovať na nové dáta Drift: svet sa mení, model starne
Automatizácia rozhodnutí Škáluje sa na milióny prípadov Vysvetliteľnosť môže byť slabá (hlavne pri DL)
Rýchlosť v prevádzke Predikcia býva rýchla Tréning môže byť drahý (čas, výpočty, ľudia)
Generalizácia Funguje na nevidených prípadoch Zlyhá pri distribučnom posune (out-of-distribution)
Dostupnosť (2026) AutoML a cloud platformy znížili bariéru vstupu Regulačné požiadavky (EU AI Act) pridávajú overhead

Praktické „pasce", ktoré sa v projektoch opakujú:

  • Bias (predpojatosť): ak sú dáta historicky skreslené, model to len zopakuje — napr. model prijímania zamestnancov trénovaný na minulých rozhodnutiach môže diskriminovať.
  • Data leakage: model sa nevedomky „pozerá" na informáciu, ktorú v realite pri predikcii mať nebude — výsledky v teste vyzerajú fantasticky, v praxi zlyhajú.
  • Chybná metrika: optimalizuješ číslo, ktoré neodráža realitu (napr. celková presnosť pri silne nevyvážených triedach klamlivo vyzerá dobre).
  • Súkromie: tréningové dáta môžu niesť citlivé informácie — modely si ich dokážu „zapamätať" spôsobmi, ktoré nie sú viditeľné na prvý pohľad.
  • Model confidence vs. realita: modely bývajú priveľmi sebaisté aj pri zlých predpovediach — kalibrácia pravdepodobností je samostatná disciplína.

5. ML v roku 2026: čo sa zmenilo

Oproti predchádzajúcim rokom nastalo niekoľko zásadných posunov, ktoré ovplyvňujú, ako sa ML používa v praxi.

Foundation models a transfer learning ako štandard Väčšina nových ML projektov dnes nezačína od nuly. Namiesto toho sa berie veľký predtrénovaný model (jazykový, obrazový, multimodálny) a dotrénuje sa na špecifickú úlohu. Fine-tuning a prompt engineering nahradili klasický tréning od základov pre väčšinu bežných úloh. Tréning od nuly je výnimočná záležitosť pre firmy s obrovskými zdrojmi — Google, Meta, Anthropic, OpenAI.

AutoML a no-code nástroje Platformy ako Google Vertex AI, AWS SageMaker, Azure ML a ďalšie výrazne znížili technickú bariéru. Analytik bez hlbokého ML know-how vie postaviť funkčný model na predikciu dopytu za niekoľko hodín. To neznamená, že odbornosť stratila cenu — ale zmenila sa: dnes je cennejšie vedieť, čo sa má modelovať a ako výsledky vyhodnotiť, než mať hlboké znalosti matematiky za gradientovým zostupom.

MLOps ako nevyhnutnosť Nasadiť model je ľahké; udržať ho funkčný je ťažké. MLOps (Machine Learning Operations) — monitorovanie v produkcii, versioning modelov, automatizované pretrénovanie, sledovanie driftu a reprodukovateľnosť experimentov — sa stalo štandardnou súčasťou každého seriózneho ML projektu. Bez MLOps sa modely ticho zhoršujú, kým to niekto náhodne nezistí.

Syntetické dáta Nedostatok kvalitných labeled dát bol dlho najväčšou prekážkou ML projektov. V roku 2026 je bežné doplniť tréningové dáta synteticky generovanými príkladmi — buď pomocou generatívnych modelov, alebo simulátorov. Medicínske snímky, vzácne chyby vo výrobe, okrajové prípady v autonómnom riadení — všetko sa dá dnes čiastočne generovať.

EU AI Act (plná platnosť 2025–2026) Pre firmy pôsobiace v Európskej únii priniesol EU AI Act novú realitu: vysokorizikové ML systémy (v medicíne, HR, kritickej infraštruktúre, bankovníctve) musia spĺňať požiadavky na transparentnosť, dokumentáciu, ľudský dohľad a testovanie na bias. Regulácia nemení základy ML, ale pridáva vrstvu zodpovednosti a procesných požiadaviek — a pokuty za porušenie sú vysoké.

6. Praktické použitie (čo to znamená pre teba)

Aj keď nie si programátor, ML sa ťa týka. Dá sa naň pozerať ako na „motor rozhodovania" v produktoch, ktoré používaš — a je dobré vedieť, čo od neho čakať.

  • Očakávaj pravdepodobnosti, nie istotu: ML často pracuje so skóre („na 78 % je to spam"), nie s absolútnou pravdou.
  • Sleduj spätnú väzbu: keď ti služba umožní označiť „toto nie je spam" alebo „nezaujíma ma", práve tým pomáhaš modelu.
  • Pozor na zmeny dát: ak zmeníš správanie (napr. nový typ zákazníkov), model sa môže dočasne zhoršiť — to je bežné a treba to sledovať.
  • Pýtaj sa na dáta: pri firemných riešeniach je kľúčové „z čoho sa to učilo?" a „ako často to aktualizujete?"
  • Keď to vyzerá „múdre", overuj okraje: modely zvyknú zlyhať na výnimkách — nové trendy, raritné prípady, neštandardné vstupy.

Ak chceš ML využiť v malom projekte (napr. v biznise), dáva zmysel začať takto:

  1. Jasný cieľ: „znížiť počet podvodov o 20 %" je lepšie než „spraviť AI".
  2. Jednoduchý baseline: aj jednoduchý model môže priniesť veľký efekt a ukáže, či má problém dostatok dát.
  3. Meranie v praxi: nestačí, že model vyjde dobre v teste — dôležitý je dopad v reálnom procese.
  4. Monitorovanie: po nasadení sleduj, či sa nezhoršuje (drift), a priprav si plán aktualizácie.
  5. Zodpovednosť: pri citlivých aplikáciách overiť, či výstupy modelu nie sú diskriminačné alebo zavádzajúce — najmä ak sa na ne zakladajú reálne rozhodnutia o ľuďoch.

7. Tri typy učenia v kóde (mini-ukážka)

Rozdiel medzi typmi učenia je hlavne v tom, čo dáš modelu k dispozícii. Od roku 2025 je k nim bežne pridaný aj transfer learning:

# Supervised: máš vstupy X aj správne odpovede y
model.fit(X_train, y_train)
pred = model.predict(X_test)

# Unsupervised: nemáš y, hľadáš štruktúru
clusters = KMeans(n_clusters=3).fit_predict(X)

# Reinforcement: učenie cez odmenu z prostredia
action = agent.act(state)
reward = env.step(action)

# Transfer learning (dnes štandard): dotrénuj predtrénovaný model
model = AutoModel.from_pretrained("bert-base-multilingual-cased")
model.fine_tune(my_labeled_dataset, epochs=3)

8. Kde ML zapadá do širšieho obrazu

  • Deep Learning: podmnožina ML, kde sa znaky učia automaticky cez neurónové siete — základná technológia za LLM aj počítačovým videním.
  • Overfitting: najčastejšia pasca — model si zapamätá tréning namiesto generalizácie.
  • Transfer learning: ako začať z predtrénovaného modelu namiesto od nuly — dnes dominantný prístup.
  • Inductive bias: predpoklady zabudované v architektúre modelu, ktoré rozhodujú, či model generalizuje správne.
  • MLOps: disciplína, ktorá rieši nasadenie, monitorovanie a údržbu ML modelov v produkcii — bez nej modely ticho degradujú.

Zhrnutie

  • Machine Learning učí model rozhodovať podľa dát, nie podľa ručne napísaných pravidiel, a najviac sa hodí na komplexné a škálované úlohy.
  • Základný princíp je jednoduchý: model predpovie, spočíta sa chyba a parametre sa upravia tak, aby ďalšia predikcia bola lepšia.
  • Najväčšie riziká nie sú „magické", ale praktické: kvalita dát, bias, overfitting, drift a slabšia vysvetliteľnosť pri zložitejších modeloch.
  • V roku 2026 je ML bežne dostupné cez AutoML platformy a foundation models — technická bariéra klesla, no zodpovednosť za výsledky a regulačné požiadavky (EU AI Act) zostávajú na pleciach tímu, ktorý systém nasadzuje.
  • V praxi ti pomôže myslieť na ML ako na systém, ktorý dáva pravdepodobnosti — a ktorý potrebuje dobré dáta, spätnú väzbu, priebežnú údržbu a jasné pravidlá zodpovednosti.