Čo je a čo nie je umelá inteligencia

• Umelá inteligencia je zastrešujúci názov pre systémy a metódy, ktoré z prijatých vstupov odvodzujú výstupy, ako sú predikcie, odporúčania, obsah alebo rozhodnutia.
• Nie každý algoritmus, automatizovaný proces, chatbot, robot či práca s dátami je AI. Rozhoduje spôsob fungovania, nie moderný názov produktu.
• Schopnosť systému podať inteligentne pôsobiaci výkon nie je dôkazom vedomia, emócií, ľudského porozumenia ani všeobecnej inteligencie.

Pojem umelá inteligencia sa používa v troch rozdielnych významoch. Označuje vedecký odbor, konkrétne technické metódy aj hotové systémy, s ktorými sa stretáva používateľ. V bežnom rozhovore sa tieto významy miešajú: „AI“ môže znamenať výskum neurónových sietí, jazykový model, konverzačnú aplikáciu, odporúčací systém aj celú predstavu strojovej inteligencie. Bez spresnenia potom dve strany diskutujú o odlišných veciach.

Neexistuje jedna krátka definícia, ktorá by bez sporných prípadov platila pre všetky technológie a všetky účely. Inú presnosť potrebuje školský úvod, inú výskumník a inú zákon, ktorý musí určiť rozsah povinností. Napriek tomu možno vytvoriť praktický rámec. AI systém prijíma dáta alebo iné vstupy, pomocou modelu či pravidiel z nich odvodzuje výstup a tento výstup môže ovplyvniť digitálne alebo fyzické prostredie. Systém pritom vykonáva úlohu, ktorú by sme pri človeku spájali napríklad s vnímaním, rozpoznávaním vzorov, predpovedaním, prácou s jazykom, tvorbou, plánovaním alebo rozhodovaním.

Táto kapitola sa sústreďuje na hranice pojmu. Neopisuje detailne, ako prebieha tréning - tomu sa venuje kapitola 4 - Ako sa AI učí. Rozdiel medzi strojovým učením a ďalšími metódami rozvinie kapitola 6 - Strojové učenie jednoducho a technickú cestu od dát k nasadenému modelu vysvetlí kapitola 10 - Ako vznikajú AI modely.

Prečo na definícii záleží

• Definícia určuje, o čom sa rozprávame, čo meriame a na ktoré systémy uplatňujeme pravidlá.
• Príliš široké vymedzenie zmení každé spracovanie dát na AI; príliš úzke prehliadne dôležité systémy.
• Pri hodnotení rizika je účel a kontext nasadenia často dôležitejší než marketingová nálepka.

Slovo AI nie je iba odborný termín. Má ekonomickú a politickú hodnotu. Firma môže starší štatistický nástroj označiť za AI, aby pôsobil modernejšie. Médiá môžu rovnakým slovom pomenovať automatické dokončovanie textu aj hypotetický stroj, ktorý by prekonával človeka v každej intelektuálnej oblasti. Zákonodarca zasa potrebuje vedieť, či konkrétny systém patrí do regulovanej kategórie.

Nejasná definícia vedie k dvom protichodným chybám. Pri nadmernom zahrnutí nazveme umelou inteligenciou kalkulačku, pevný formulár alebo databázový filter. Pojem potom stráca vysvetľovaciu hodnotu. Pri nedostatočnom zahrnutí uznáme za AI iba humanoidného robota alebo jazykový model a prehliadneme systémy, ktoré hodnotia žiadosti o úver, odporúčajú obsah, odhaľujú podvody či riadia priemyselný proces.

Definícia však ešte nehovorí, či je technológia dobrá, bezpečná alebo povolená. Dva technicky podobné modely môžu mať úplne odlišný význam. Systém odporúčajúci hudbu ovplyvňuje používateľa inak než systém, ktorý pomáha rozhodovať o prijatí do zamestnania. Aj európsky AI Act preto používa rizikový prístup: najprv vymedzuje AI systém a potom rozlišuje povinnosti podľa spôsobu použitia a možných dôsledkov. Skutočnosť, že nástroj spĺňa definíciu AI, automaticky neznamená, že je vysokorizikový alebo zakázaný.

Neexistuje jedna večná definícia AI

• Význam pojmu sa mení s vývojom techniky aj s účelom definície.
• Staršie vymedzenia zdôrazňovali napodobňovanie ľudského myslenia; novšie sa sústreďujú na fungovanie systému a jeho výstupy.
• Rozdielne definície môžu byť užitočné súčasne, ak jasne povieme, na čo ich používame.

Zakladatelia odboru na Dartmouthskom projekte v roku 1955 vychádzali z predstavy, že aspekty učenia a inteligencie možno opísať tak presne, aby ich dokázal simulovať stroj. Neskoršie učebnice často triedili AI podľa toho, či systém myslí alebo koná a či sa porovnáva s človekom alebo s ideálom racionálneho agenta. Takéto pohľady sú dôležité pre výskum, no pri právnom alebo prevádzkovom rozhodovaní je ťažké merať, či stroj „myslí“.

Medzinárodné organizácie preto vytvorili funkčnejšie definície. OECD v roku 2023 aktualizovala svoje vymedzenie a v vysvetľujúcom memorande ho rozložila na konkrétne prvky. Podľa tejto línie je AI systém strojový systém, ktorý môže fungovať s rôznou mierou autonómnosti a po nasadení vykazovať prispôsobivosť. Pre explicitné alebo implicitné ciele odvodzuje zo vstupov, ako vytvoriť predikcie, obsah, odporúčania či rozhodnutia ovplyvňujúce fyzické alebo virtuálne prostredie.

Takmer rovnaké jadro prevzal článok 3 európskeho AI Actu. Súlad nie je náhodný: spoločný jazyk uľahčuje medzinárodnú diskusiu aj praktickú implementáciu. UNESCO volí ešte širší prístup a AI chápe ako systémy schopné spracúvať dáta spôsobom, ktorý pripomína inteligentné správanie. Odporúčanie UNESCO o etike AI zámerne nepoužíva úzke technologické vymedzenie, pretože konkrétne metódy sa rýchlo menia.

Pre túto vzdelávaciu sériu budeme používať pracovnú definíciu: AI je strojový systém, ktorý zo vstupov odvodzuje výstupy pre určitý cieľ spôsobom, ktorý mu umožňuje vykonávať úlohy spájané s vnímaním, učením, predikciou, jazykom, tvorbou, plánovaním alebo rozhodovaním. Táto formulácia je dostatočne široká pre symbolické aj učiace sa systémy, no nezahŕňa automaticky každý kus softvéru.

Sedem prvkov praktickej definície

• Pri určovaní, či ide o AI, nestačí hľadať jedno kľúčové slovo; treba posúdiť systém ako celok.
• Rozhodujúce sú strojová povaha, určitá autonómnosť, možné prispôsobovanie, cieľ, odvodenie výstupu, typ výstupu a vplyv na prostredie.
• Nie každý prvok musí byť zastúpený rovnako silno a hranice ostávajú závislé od konkrétneho prípadu.

Európska komisia v usmerneniach k definícii AI systému rozlišuje sedem prvkov. Prvým je strojový systém: AI potrebuje hardvér a softvér, hoci jej výstup môže pôsobiť v digitálnom aj fyzickom svete. Druhým je rôzna úroveň autonómnosti. Systém po spustení vykonáva aspoň časť operácií bez toho, aby človek určoval každý jednotlivý krok a výsledok.

Tretím prvkom je možná adaptívnosť po nasadení. Slovo „môže“ je dôležité. Mnohé modely sa počas bežného používania vôbec neučia a ich parametre zostávajú zmrazené. AI preto nemusí priebežne meniť samu seba. Štvrtým prvkom sú explicitné alebo implicitné ciele. Cieľ môže byť priamo určený vývojárom - napríklad minimalizovať chybu klasifikácie - alebo sa prejaviť nepriamo cez tréning, pravidlá, spätnú väzbu a spôsob integrácie.

Piatym, kľúčovým prvkom je odvodzovanie, po anglicky inference. Systém zo vstupov usudzuje, aký výstup má vytvoriť. Pri neurónovej sieti ide o aplikovanie naučených parametrov; pri znalostnom systéme o prácu s reprezentovanými faktmi a logickými pravidlami. Odvodzovanie tu nemusí znamenať ľudské logické uvažovanie ani vysvetliteľný myšlienkový postup.

Šiestym prvkom je výstup. AI Act uvádza štyri typické kategórie: predikcie, obsah, odporúčania a rozhodnutia. Zoznam zahŕňa od odhadu pravdepodobnosti poruchy cez vygenerovaný obrázok až po poradie príspevkov či signál robotickému ramenu. Siedmym prvkom je schopnosť výstupu ovplyvniť fyzické alebo virtuálne prostredie. Vplyv nemusí byť automatický: odporúčanie môže najprv posúdiť človek. Stále však môže zmeniť jeho rozhodnutie.

Usmernenia zároveň upozorňujú, že definíciu nemožno aplikovať mechanicky a neexistuje úplný zoznam všetkých systémov vnútri alebo mimo nej. To je rozumné. Softvérový produkt môže obsahovať klasické komponenty, naučený model, pevné pravidlá aj ľudské schvaľovanie. Treba skúmať jeho konkrétnu architektúru a funkciu, nie iba názov dodávateľa.

Odbor, technika, model a systém nie sú to isté

• AI ako vedecký odbor je širšia než ktorýkoľvek jeden model alebo produkt.
• Model je matematická či symbolická reprezentácia; systém zahŕňa aj dáta, rozhranie, pravidlá, infraštruktúru a ľudí.
• Rovnaký model môže byť súčasťou viacerých aplikácií s rozdielnym účelom a rizikom.

Umelá inteligencia ako odbor skúma, ako vytvárať systémy schopné vnímať, reprezentovať poznatky, učiť sa, plánovať, používať jazyk, tvoriť alebo konať vzhľadom na cieľ. Zahŕňa strojové učenie, symbolické uvažovanie, vyhľadávanie, plánovanie, robotiku, počítačové videnie, spracovanie prirodzeného jazyka a ďalšie oblasti. Tvrdenie, že AI rovná sa veľký jazykový model, by bolo podobné, ako keby sme celú medicínu stotožnili s jedným diagnostickým prístrojom.

Algoritmus je postup alebo súbor krokov na riešenie úlohy. Model je vytvorená reprezentácia vzťahov, podľa ktorej systém produkuje odhady alebo iné výstupy. Pri strojovom učení model vzniká tréningom: algoritmus upravuje jeho parametre podľa dát a cieľa. Pri symbolickej AI môže model sveta pozostávať z faktov, kategórií a pravidiel. Model sám osebe nemusí mať používateľské rozhranie, prístup k aktuálnym informáciám ani oprávnenie konať.

AI systém je širší celok. Zahŕňa model, predspracovanie vstupov, databázy, aplikačnú logiku, bezpečnostné pravidlá, rozhranie, monitorovanie, hardvér a ľudí, ktorí ho vyvíjajú alebo používajú. Chatovacia aplikácia môže napríklad spojiť jazykový model s vyhľadávaním, firemnými dokumentmi, filtrom, pamäťou rozhovoru a nástrojom na vykonanie akcie. Výsledné správanie nemožno vysvetliť iba vlastnosťami základného modelu.

Osobitnou kategóriou je model na všeobecné účely alebo základný model. Trénuje sa na širokých dátach a dá sa prispôsobiť množstvu následných úloh. Správa On the Opportunities and Risks of Foundation Models zdôraznila, že schopnosti aj chyby takého modelu sa môžu preniesť do veľkého množstva aplikácií. Európsky AI Act preto odlišuje všeobecný model od systému, ktorý ho integruje na konkrétny účel.

Vzťah medzi AI, strojovým učením a generatívnou AI

• Strojové učenie je významná podmnožina AI, nie jej synonymum.
• Hlboké učenie je podmnožina strojového učenia založená na viacvrstvových neurónových sieťach.
• Generatívna AI označuje systémy vytvárajúce nový syntetický obsah; nie každá AI je generatívna.

Najprehľadnejšie je predstaviť si vnorené množiny. AI je najširší rámec. Zahŕňa metódy, ktoré sa učia z dát, aj systémy založené na ručne reprezentovaných znalostiach, logike, plánovaní alebo vyhľadávaní. Expertný systém môže byť AI, hoci jeho pravidlá zapísali ľudia a neprebieha v ňom strojové učenie.

Strojové učenie vytvára modely, ktoré sa prispôsobujú na základe dát alebo skúsenosti. NIST ho stručne opisuje ako vývoj a používanie počítačových systémov, ktoré sa učia a prispôsobujú z dát s cieľom zlepšovať presnosť. Učenie môže byť s učiteľom, bez učiteľa, samoučenie z neoznačených dát alebo posilňované učenie podľa odmeny. Každý z týchto režimov má iný zdroj signálu a iné limity.

Hlboké učenie používa neurónové siete s viacerými vrstvami, ktoré sa učia hierarchie reprezentácií. Jednoduchšie vrstvy môžu zachytiť lokálne vzory, vyššie ich skladajú do zložitejších štruktúr. Neznamená to, že systém myslí „hlboko“ v ľudskom zmysle. Slovo opisuje počet a usporiadanie výpočtových vrstiev. Základným odborným zdrojom zostáva otvorená učebnica Deep Learning od Iana Goodfellowa, Yoshuu Bengia a Aarona Courvilla.

Generatívna AI vytvára odvodený syntetický obsah - text, obraz, zvuk, video, kód či iné dáta - na základe vzorov v tréningových vstupoch. NIST ju vo svojom profile rizík generatívnej AI odlišuje od systémov, ktoré iba klasifikujú alebo predpovedajú hodnotu. Filter spamu je AI, ale nie generatívna AI. Generátor obrázkov je generatívna AI; môže pritom používať hlboké učenie a základný model. Praktické možnosti tejto kategórie rozoberá kapitola 7 - Generatívna AI v praxi.

Čo AI v skutočnosti robí

• AI transformuje vstupy na výstupy podľa modelu, cieľa a pravidiel systému.
• Jej základné funkcie možno zoskupiť na vnímanie, klasifikáciu, predikciu, odporúčanie, generovanie, plánovanie a riadenie.
• Výkon je vždy viazaný na určitú úlohu, dáta, metriku a prostredie.

Pri odstránení antropomorfných slov sa činnosť AI dá opísať pomerne vecne. Systém dostane vstup - napríklad obraz, zvuk, text, senzorové údaje alebo tabuľku - a vypočíta výstup. Vnímací systém môže v obraze lokalizovať objekt alebo previesť reč na text. Klasifikátor priradí e-mail ku spamu či legitímnej správe. Prediktívny model odhadne budúci dopyt, riziko poruchy alebo pravdepodobnosť udalosti.

Odporúčací systém zoradí filmy, produkty alebo príspevky podľa odhadovanej relevantnosti. Generatívny model vytvorí text, obrázok alebo zvuk. Plánovací systém vyberá postupnosť krokov vedúcich k cieľu. Riadiaci systém môže upravovať pohyb robota či spotrebu energie. V praxi sa funkcie kombinujú: autonómne vozidlo vníma okolie, predpovedá pohyb objektov, plánuje trasu a riadi vozidlo.

Žiadna z týchto funkcií nie je absolútna. Rozpoznávač objektov nevidí svet tak ako človek; spracúva numerickú reprezentáciu obrazu. Jazykový model nevyhľadáva pri každej odpovedi hotovú vetu v databáze; generuje postupnosť tokenov podľa kontextu a naučených parametrov. Odporúčací systém nepozná „dobrý film“ vo všeobecnosti; optimalizuje konkrétne signály, napríklad pravdepodobnosť kliknutia, sledovania alebo spokojnosti.

Preto musí byť tvrdenie „AI je lepšia než človek“ vždy doplnené otázkou: v akej úlohe, podľa akej metriky, na akých dátach a za akých podmienok? Model môže prekonať priemerného človeka v jednom benchmarku a zlyhať pri mierne odlišnom vstupe. Oblasti silného výkonu a typické zlyhania porovná kapitola 9 - Kde AI funguje a kde zlyháva.

AI nie je synonymom automatizácie

• Automatizácia vykonáva proces bez priebežného ľudského zásahu; AI je iba jeden zo spôsobov, ako ju možno dosiahnuť.
• Pevný pracovný postup môže byť plne automatický a pritom neobsahovať AI.
• AI systém môže iba radiť človeku a nebyť oprávnený konať automaticky.

Automatizácia a AI sa prekrývajú, ale označujú odlišné vlastnosti. Automatizovaný proces vykoná operáciu na základe vopred definovaného postupu. Trvalý príkaz v banke, odoslanie potvrdenia po vyplnení formulára alebo termostat s pevnou hranicou sú automatizácie. Ak sú všetky podmienky a reakcie explicitne určené človekom, netreba hovoriť o umelej inteligencii.

Naopak, AI nemusí mať posledné slovo. Model môže označiť snímku ako podozrivú a rozhodnutie ponechať lekárovi. Môže navrhnúť text, ktorý redaktor prepíše, alebo zoradiť prípady, ktoré preverí pracovník. Systém používa AI na odvodenie odporúčania, no celý proces ostáva čiastočne manuálny.

Rozdiel je prakticky zásadný. Pri pevnom pravidle vieme presne vystopovať, prečo sa vetva aktivovala. Pri naučenom modeli môže byť vzťah medzi tisíckami vstupov a výstupom zložitý a pravdepodobnostný. Automatizácia zvyšuje mieru vykonávania bez človeka; AI mení spôsob, akým sa výstup odvodzuje. Produkt môže mať veľa jedného, oboch alebo ani jedného.

AI nie je každý algoritmus, softvér ani štatistika

• Algoritmus je všeobecný postup; existoval dávno pred modernou AI a používa ho každý program.
• Databáza, tabuľkový procesor či opisný graf spracúvajú informácie, ale samy osebe zvyčajne nie sú AI.
• Hranica so štatistikou a optimalizáciou nie je prirodzený múr; pri právnom posúdení rozhoduje konkrétna funkcia systému.

Každý AI systém používa algoritmy, ale nie každý algoritmus je AI. Postup na zoradenie mien podľa abecedy, výpočet dane alebo kompresiu súboru môže byť sofistikovaný a napriek tomu nejde o inteligentné odvodzovanie. Zložitosť kódu nie je rozhodujúce kritérium. Rovnako platí, že jednoduchý používateľský vzhľad môže skrývať pokročilý model.

Usmernenia Európskej komisie z roku 2025 uvádzajú ako príklady systémov mimo právnej definície AI základné databázové filtrovanie, štandardnú tabuľku bez AI funkcií, výpočet populačného priemeru či dashboard, ktorý iba sumarizuje minulé predaje. Tieto nástroje prezentujú alebo transformujú údaje podľa explicitných operácií. Neodvodzujú komplexnejšie predikcie, odporúčania, obsah ani rozhodnutia.

So štatistikou je hranica menej ostrá. Moderné strojové učenie vo veľkej miere stojí na pravdepodobnosti, štatistickom odhade a optimalizácii. Jednoduchá regresia môže byť v jednom kontexte bežnou analýzou a v inom súčasťou rozhodovacieho systému. Európske usmernenia vylučujú niektoré triviálne prediktory a základné štatistické operácie, no nejde o tvrdenie, že staršia metóda nikdy nemôže byť súčasťou AI. Rozhoduje, ako systém odvodzuje výstup, čo výstup robí a v akom celku je metóda použitá.

To isté platí pre optimalizáciu. Program môže nájsť najkratšiu trasu presným klasickým algoritmom bez učenia. Iný systém sa môže z dát učiť odhadovať dopravnú situáciu a podľa nej odporúčať trasu. Používateľ vidí podobný výsledok, no vnútorný mechanizmus a neistota sú odlišné. Nálepka AI preto nemá nahradiť technický opis.

AI nie je databáza ani internetový vyhľadávač

• Databáza ukladá a vracia záznamy; model odvodzuje výstup zo vzorov alebo reprezentovaných znalostí.
• Vyhľadávanie a generovanie sú rozdielne operácie, hoci moderná aplikácia ich môže spájať.
• Jazykový model bez pripojeného zdroja nemá automaticky aktuálne, úplné ani overené informácie.

Databázový systém odpovedá na dopyt vyhľadaním údajov, ktoré boli uložené v určenej štruktúre. Ak požiadame o objednávku s konkrétnym číslom, správne fungujúca databáza vráti daný záznam. Model strojového učenia pracuje inak: podľa parametrov odhaduje kategóriu, hodnotu alebo pravdepodobný výstup. Jeho odpoveď môže byť nová a nemusí sa doslova nachádzať v tréningových dátach.

Aj tradičný internetový vyhľadávač primárne indexuje dokumenty a zoraďuje odkazy, hoci moderné poradie výsledkov môže používať množstvo AI techník. Generatívny model vytvára odpoveď token po tokene. Ak neuvedie zdroj alebo nie je spojený s vyhľadávaním, jeho plynulá veta nie je dokladom, že načítal aktuálnu webovú stránku. Model môže reprodukovať naučenú informáciu, skombinovať vzory alebo vytvoriť vierohodne znejúcu nepravdu.

V praxi sa hranice spájajú v systéme RAG - generovaní rozšírenom o vyhľadávanie. Aplikácia najprv nájde relevantné dokumenty a vloží ich do kontextu jazykového modelu, ktorý pripraví odpoveď. Ani vtedy nejde o automatickú záruku pravdivosti. Vyhľadávanie môže vybrať nesprávny zdroj, dokument môže byť neaktuálny a model môže kontext skresliť. Treba odlíšiť tri otázky: čo systém našiel, čo z toho model vytvoril a či výsledok overil človek alebo ďalší mechanizmus.

AI nie je robot a robot nie je automaticky AI

• Robot je fyzický stroj schopný vnímať alebo konať; AI je výpočtová schopnosť, ktorá môže existovať bez tela.
• Mnohé priemyselné roboty opakujú pevne naprogramovaný pohyb a nepotrebujú AI.
• Robot môže AI využívať na videnie, plánovanie, adaptáciu alebo komunikáciu.

Filmy spojili umelú inteligenciu s humanoidným telom, no technické pojmy sa neprekrývajú. Softvérový systém odporúčajúci hudbu nemá fyzické telo, ale môže používať AI. Priemyselné robotické rameno môže tisíckrát zopakovať rovnakú dráhu podľa presného programu bez učenia a bez vyhodnocovania neznámeho prostredia. Je robotom, no nie nevyhnutne AI systémom.

AI sa stáva súčasťou robotiky vtedy, keď pomáha interpretovať obraz zo senzorov, lokalizovať predmety, predpovedať pohyb, plánovať trajektóriu alebo reagovať na zmenu prostredia. Autonómny mobilný robot môže kombinovať viac modelov a klasických algoritmov. Stále však nejde o jednu „myseľ“ vo vnútri stroja. Je to zostava vnímania, lokalizácie, plánovania, riadenia, bezpečnostných obmedzení a fyzických komponentov.

Rozlíšenie má bezpečnostný význam. Chyba textového odporúčania môže ovplyvniť rozhodnutie; chyba robota môže bezprostredne pohnúť hmotným objektom. Rovnaký model má iný rizikový profil podľa toho, či navrhne akciu na obrazovke, alebo ju automaticky vykoná. Fyzické telo teda nie je podmienkou AI, ale mení dôsledky jej použitia.

AI nie je chatbot a chatbot nemusí používať AI

• Chatbot je typ rozhrania; jeho vnútorný mechanizmus môže byť pravidlový, vyhľadávací alebo generatívny.
• Plynulý dialóg je iba jedna z mnohých schopností AI.
• Konverzačný štýl prirodzene vyvoláva dojem osobnosti, ktorý nemusí zodpovedať fungovaniu systému.

Prvé chatboty reagovali na kľúčové slová a predpísané vetvy. Ak používateľ napísal „reklamácia“, systém zobrazil pripravené možnosti. Takýto chatbot môže byť užitočný, ale pri pevnom rozhodovacom strome nejde nevyhnutne o AI. Modernejší chatbot môže rozpoznávať zámer klasifikátorom, vyhľadávať odpoveď v znalostnej báze alebo ju generovať jazykovým modelom. Navonok všetky vyzerajú ako okno s textom.

Na druhej strane väčšina AI systémov vôbec nekomunikuje v dialógu. Model môže na pozadí odhadovať spotrebu energie, kontrolovať výrobnú chybu alebo zoraďovať transakcie podľa rizika. Zúženie AI na chatboty by zakrylo veľkú časť praktického používania, ktoré fungovalo dávno pred nástupom generatívnych modelov. Každodenné príklady prináša kapitola 8 - AI okolo nás každý deň.

Rozhranie napriek tomu výrazne ovplyvňuje naše vnímanie. V prvej osobe môže systém napísať „myslím“, „rozumiem“ alebo „mrzí ma to“. Ide o jazykový výstup prispôsobený rozhovoru, nie automatický záznam vnútorného duševného stavu. Už program ELIZA v 60. rokoch ukázal, že ľudia pripisujú porozumenie aj jednoduchým reakciám. Historický kontext opisuje kapitola 1 - História AI od Turinga po ChatGPT.

Inteligentný výkon nie je to isté ako vedomie

• Definícia AI nevyžaduje vedomie, subjektívne prežívanie, emócie ani sebauvedomenie.
• Správanie podobné človeku samo osebe nestačí na vedecký záver o vnútornom prežívaní.
• Otázka možného budúceho strojového vedomia je otvorená a odlišná od merania dnešných schopností.

Slovo „inteligencia“ zvádza k predstave celého balíka ľudských vlastností. U človeka sú jazyk, pamäť, ciele, emócie, telesná skúsenosť a vedomie prepojené. V technickom systéme možno jednu funkciu oddeliť od ostatných. Program môže dokonale triediť obrazy bez pocitu, že niečo vidí. Model môže vytvoriť emocionálny dialóg bez dôkazu, že emóciu prežíva.

Vedomie sa zvyčajne spája so subjektívnou skúsenosťou - s tým, že pre systém „nejaké je“ vnímať alebo cítiť. To nie je súčasť funkčnej definície AI Actu, OECD ani NIST. Sebauvedomenie znamená určitú reprezentáciu seba samého; textový výrok o vlastných vlastnostiach ešte nepreukazuje jeho existenciu. Emócia môže byť biologický a psychologický stav, kým emocionálne zafarbená veta je pozorovateľný výstup.

Vedecké hodnotenie vedomia je náročné aj pri zvieratách a ľuďoch, pretože skúsenosť nepozorujeme priamo. Tím odborníkov v práci Identifying Indicators of Consciousness in AI Systems z roku 2026 navrhuje odvodzovať indikátory z viacerých teórií vedomia a skúmať vnútornú architektúru, nie sa spoliehať iba na presvedčivé správanie. Autori súčasne zdôrazňujú značnú vedeckú neistotu. Korektný záver preto nie je „strojové vedomie je navždy nemožné“, ale „dnešný plynulý výstup nie je dostatočným dôkazom vedomia“.

Rovnaká opatrnosť patrí k slovu porozumenie. V prevádzkovom zmysle môžeme povedať, že model porozumel pokynu, ak ho správne vykonal. Filozofická otázka, či má význam ukotvený podobne ako človek, je oveľa náročnejšia. Namiesto sporu o jedno slovo je užitočnejšie pomenovať merateľnú schopnosť: systém našiel vzťah v texte, vyriešil úlohu, vysvetlil pojem alebo zlyhal pri zmene kontextu.

Učenie AI nie je ľudské učenie

• Strojové učenie je optimalizácia modelu podľa dát, cieľa a spätnej väzby.
• Model sa spravidla neučí sám od seba; ľudia navrhujú úlohu, pripravujú dáta, vyberajú architektúru a hodnotia výsledky.
• Mnohé nasadené modely sa pri bežnom používaní vôbec nemenia.

Keď povieme, že sa AI „učí“, používame užitočnú technickú metaforu. Pri tréningu sa parametre modelu upravujú tak, aby sa znižovala chyba alebo zvyšovala očakávaná odmena. Model si nevytvára školské poznámky, nemusí chápať dôvod úlohy a neprežíva úspech ani frustráciu. Naučená regularita môže byť užitočná bez toho, aby zodpovedala ľudskému pojmu či príčinnej teórii sveta.

Strojové učenie tiež neodstraňuje ľudské rozhodovanie. Ľudia určujú, aký problém riešiť, čo merať, ktoré dáta zahrnúť, ako ich označiť, akú chybu tolerovať a kde systém nasadiť. Aj pri samoučení z veľkého množstva neoznačeného textu niekto vytvoril dataset, vybral tréningový cieľ a filtroval výsledky. Pri dolaďovaní môžu ľudskí hodnotitelia porovnávať odpovede. Slovo „samo“ opisuje absenciu ručného štítku pri každom príklade, nie absenciu ľudí z celého procesu.

Po nasadení môže byť model statický. Každé nové zadanie spracuje podľa rovnakých parametrov a rozhovor automaticky nepridá do tréningu. Iné systémy sa aktualizujú dávkovo po schválení nových dát alebo sa priebežne prispôsobujú. Zovšeobecnenie „AI sa stále učí všetko, čo jej poviem“ je preto nesprávne. Konkrétne správanie závisí od architektúry, nastavenia služby a pravidiel práce s dátami.

Autonómnosť neznamená slobodnú vôľu

• Technická autonómnosť označuje mieru fungovania bez priebežného ľudského zásahu.
• Ciele, oprávnenia a prostredie systému vytvárajú alebo povoľujú ľudia a organizácie.
• Agentný systém môže plánovať a používať nástroje bez toho, aby mal vlastné potreby či právnu zodpovednosť.

Autonómny vysávač mení trasu podľa senzorov, no nemá osobnú túžbu upratovať. Obchodný algoritmus môže v stanovených hraniciach zadávať pokyny bez potvrdenia človeka, ale jeho cieľ, rozpočet a oprávnenia pochádzajú z návrhu systému. Autonómnosť je stupnica prevádzkového rozhodovania, nie filozofická vlastnosť.

Moderné AI agenty spájajú model s pamäťou, plánovaním a nástrojmi. Na základe cieľa môžu rozložiť úlohu, vyhľadať údaje, zavolať inú službu a skontrolovať výsledok. To zvyšuje ich schopnosť ovplyvniť prostredie aj riziko reťazenia chýb. Slovo agent je však v informatike funkčný pojem: ide o systém, ktorý vníma prostredie a koná vzhľadom na cieľ. Nehovorí nič isté o vedomí alebo slobodnej vôli.

Zodpovednosť sa preto nemá prenášať na metaforickú „AI“. Za výber systému, oprávnenia, dohľad a reakciu na chybu zodpovedajú konkrétni aktéri podľa svojich úloh. NIST AI Risk Management Framework chápe riziká počas celého životného cyklu a výslovne zahŕňa ľudí, organizácie aj kontext. Veta „rozhodla AI“ môže zakryť, kto prijal rozhodnutie nasadiť jej výstup.

Dnešná AI nie je automaticky všeobecná AI

• Väčšina dnešných systémov je úzka: ich schopnosti závisia od tréningu, nástrojov a konkrétneho prostredia.
• Široký rozsah jazykového modelu nie je totožný so všeobecnou ľudskou inteligenciou.
• AGI je neustálený cieľ a prognózy jej vzniku nie sú overeným faktom.

Úzka alebo špecializovaná AI môže byť v jednej úlohe mimoriadne výkonná. Rozpoznávač proteínových štruktúr, šachový program a systém na odhalenie poruchy riešia odlišné problémy. Jazykové a multimodálne základné modely majú širší rozsah: dokážu pracovať s množstvom tém a formátov bez osobitného tréningu pre každú požiadavku. Stále však závisia od naučených dát, formulácie vstupu, dostupných nástrojov a obmedzeného kontextu.

Všeobecná umelá inteligencia, AGI, sa zvyčajne chápe ako hypotetický systém schopný flexibilne zvládať široké spektrum intelektuálnych úloh na úrovni človeka alebo nad ňou a prenášať poznatky medzi oblasťami. Definície sa však líšia: niektoré vyžadujú ekonomickú užitočnosť, iné autonómnosť, učenie nových úloh, telesné pôsobenie alebo celú škálu ľudských schopností. Bez spoločnej metriky nemožno poctivo vyhlásiť, že konkrétny produkt „je AGI“ iba na základe pôsobivej ukážky.

Táto kapitola preto používa AI ako názov reálne existujúcej širokej technickej oblasti, nie ako skratku pre AGI. Rozdiely, testy a sporné prognózy podrobne rozoberá kapitola 5 - Úzka vs. všeobecná AI.

AI je sociotechnický systém

• Výsledok nevytvára iba model, ale aj dáta, ľudia, procesy, organizácia a podmienky použitia.
• Presnosť v laboratóriu nezaručuje užitočnosť, spravodlivosť ani bezpečnosť v praxi.
• Zodpovedné hodnotenie sleduje celý životný cyklus od návrhu po vyradenie.

O AI sa často hovorí, akoby bola samostatným objektom vloženým do sveta. V praxi ide o sociotechnický systém. Dataset odráža spôsob zberu a minulé spoločenské procesy. Označenia vytvorili konkrétni ľudia podľa pokynov. Vývojári zvolili metriku a vedenie organizácie určilo, kde sa bude výstup používať. Používatelia si vytvoria vlastné návyky - niekedy systém ignorujú, inokedy mu dôverujú viac, než by mali.

Rovnaký model preto môže mať odlišné výsledky v dvoch nemocniciach alebo firmách. Mení sa populácia, kvalita dát, pracovný postup, odborný dohľad aj možnosť odvolať sa. Technická presnosť je iba jedna časť hodnotenia. NIST uvádza medzi vlastnosťami dôveryhodnej AI validitu a spoľahlivosť, bezpečnosť, odolnosť, transparentnosť, vysvetliteľnosť, ochranu súkromia a riadenie škodlivého skreslenia. Tieto vlastnosti môžu byť vo vzájomnom napätí a ich dôležitosť závisí od kontextu.

Životný cyklus zahŕňa definovanie problému, zber dát, vývoj, testovanie, nasadenie, monitorovanie, aktualizácie a vyradenie. Riziko môže vzniknúť v ktorejkoľvek fáze. Model môže byť technicky kvalitný, ale použitý na nevhodný cieľ; slabý môže byť vstupný údaj alebo ľudský proces po jeho odporúčaní. Preto sa nemožno uspokojiť s vetou „používame AI“. Treba vedieť, na čo, s akými dátami, v čí prospech, s akou kontrolou a čo sa stane pri chybe.

Hraničné príklady: je to AI alebo nie?

• Odpoveď často závisí od mechanizmu ukrytého za rovnakým používateľským rozhraním.
• Kategória nie je hodnotenie kvality: ne-AI riešenie môže byť lepšie a AI riešenie zbytočné.
• Pri neistote treba opísať funkciu, vstupy, spôsob odvodenia a dôsledky namiesto sporu o nálepku.

• Kalkulačka: nie; vykonáva presne definované matematické operácie.
• Tabuľka, ktorá spočíta predaje: nie; ide o základné spracovanie údajov.
• Model predpovedajúci dopyt podľa mnohých historických premenných: spravidla áno; z dát odvodzuje predikciu.
• E-mailový filter s ručne zapísaným zoznamom zakázaných slov: jednoduchá automatizácia, nie nevyhnutne AI.
• Spamový filter učený z označených správ: áno; klasifikátor sa naučil vzory z dát.
• Chatbot s pevnou stromovou ponukou: spravidla nie.
• Chatbot generujúci odpovede jazykovým modelom: áno.
• Vyhľadanie zákazníka podľa identifikačného čísla: nie; databázový dopyt.
• Odporúčanie ďalšieho produktu podľa naučeného správania podobných používateľov: áno.
• Robotické rameno opakujúce uloženú dráhu: robotika a automatizácia, ale nie nevyhnutne AI.
• Robot, ktorý kamerou rozpoznáva neznáme predmety a plánuje úchop: jeho videnie a plánovanie pravdepodobne používajú AI.
• Fotografický filter s pevnou farebnou transformáciou: nie.
• Generátor nového obrazu podľa textového zadania: áno, generatívna AI.
• Pravidlový expertný systém: môže byť AI, aj keď sa neučí z dát; používa reprezentované znalosti a inferenciu.
• Priemer minulých teplôt použitý ako zajtrajšia predpoveď: podľa aktuálneho európskeho usmernenia ide o triviálny prediktor mimo definície AI systému.

Tieto príklady nie sú rebríčkom prestíže. Ak problém vyrieši jednoduché pravidlo, býva lacnejšie, predvídateľnejšie a ľahšie kontrolovateľné než model strojového učenia. Označenie AI preto nemá byť cieľom projektu. Cieľom má byť primerané riešenie skutočného problému.

Praktický test v siedmich otázkach

• Test pomáha pomenovať systém, ale nenahrádza odborné právne posúdenie.
• Odpovede by mali opisovať konkrétny produkt a spôsob použitia, nie všeobecnú technológiu.
• Čím väčší dopad má výstup na ľudí, tým dôležitejšie sú dokumentácia, overovanie a dohľad.

1. Aké vstupy systém prijíma? Dáta, text, obraz, zvuk, senzory alebo ľudské pokyny?
2. Ako vzniká výstup? Podľa pevne napísaného pravidla, naučeného modelu, logickej inferencie alebo ich kombinácie?
3. Čo systém vytvára? Predikciu, obsah, odporúčanie, rozhodnutie alebo fyzickú akciu?
4. Akú časť správania neurčil človek krok po kroku? Dokáže systém odvodiť odpoveď pre nový prípad?
5. Mení sa model po nasadení? Ak áno, z akých dát a pod akou kontrolou? Ak nie, nejde o dôkaz, že to nie je AI.
6. Čo výstup ovplyvňuje? Iba informatívny návrh, poradie možností, práva človeka, finančné rozhodnutie alebo fyzické prostredie?
7. Kto nesie zodpovednosť a môže zasiahnuť? Kto overuje výsledok, rieši chybu a rozhoduje o ďalšom používaní?

Prvé štyri otázky pomáhajú určiť technickú kategóriu. Posledné tri presúvajú pozornosť na prevádzku a dôsledky. To je dôležité, pretože rovnaká technológia môže byť pri voľnočasovom odporúčaní nízkoriziková a pri zdravotnom či personálnom rozhodovaní vyžadovať omnoho prísnejšie opatrenia.

Záver: menej nálepiek, viac presných otázok

• AI je reálna skupina technológií, nie jedna bytosť ani magická vlastnosť softvéru.
• Najlepšia definícia pre prax opisuje vstupy, odvodenie, výstupy, cieľ, autonómnosť a kontext.
• Presné pomenovanie chráni pred zbytočným strachom aj nekritickým nadšením.

Umelá inteligencia nie je neviditeľná osoba v počítači. Je to odbor a skupina strojových systémov, ktoré z prijatých vstupov odvodzujú výstupy pre určité ciele. Môžu rozpoznávať vzory, predpovedať, odporúčať, generovať, plánovať alebo riadiť. Niektoré sa učia z dát, iné pracujú s pravidlami a reprezentovanými znalosťami. Ich autonómnosť, adaptívnosť a šírka schopností sa výrazne líšia.

AI zároveň nie je synonymom každého algoritmu, automatizácie, databázy, robota alebo chatbota. Tieto kategórie sa môžu prekrývať, no každá opisuje inú vlastnosť. Najpresnejší rozhovor sa preto nezačína otázkou „Je to naozaj AI?“, ale otázkami „Ako to funguje?“, „Na čom sa to učilo?“, „Aký výstup vytvára?“, „Kde sa môže mýliť?“ a „Kto rozhoduje o použití výsledku?“

Jazyk, ktorým AI opisujeme, ovplyvňuje našu dôveru. Ak modelu pripíšeme myslenie, úmysel alebo nestrannosť bez dôkazov, ľahko prehliadneme jeho technické a spoločenské podmienky. Ak každú schopnosť odmietneme ako „iba štatistiku“, zasa neuvidíme jej praktický dosah. Vyvážený prístup hodnotí merateľný výkon bez domýšľania ľudských vlastností.

Nasledujúca kapitola 3 - Najväčšie mýty o AI vezme najčastejšie skratky jednu po druhej: predstavu objektívneho stroja, neomylnej odpovede, úplne samostatného učenia, okamžitého zániku práce aj istého príchodu všeobecnej AI.

Hĺbkové vysvetlenie a pedagogický seminár

Táto časť rozširuje tému čo je a čo nie je umelá inteligencia od základného porozumenia k samostatnej práci. Cieľom nie je zapamätať si čo najviac výrazov. Cieľ je rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí Čitateľ má po prejdení výkladu vedieť pojem opísať vlastnými slovami, rozpoznať ho v novom prípade, oddeliť fakt od predpokladu a navrhnúť primeraný ďalší krok.

Pracujte aktívne. Po každom bloku zatvorte text a skúste myšlienku vysvetliť bez pomoci. Potom ju použite na inom príklade, než je uvedený v kapitole. Ak vysvetlenie funguje iba pri pôvodnej formulácii, ešte nejde o prenositeľné poznanie. Praktickým výsledkom tejto časti bude klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti.

Pri každej úlohe sa oddeľuje odborná presnosť od jazykovej presvedčivosti. Dobrá odpoveď musí ukázať pôvod tvrdenia, podmienky platnosti a neistotu. Základné dôkazové pravidlo je: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Súčasne platí hranica: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému.

Pojmová mapa do hĺbky

1. Funkčná definícia AI

systém spracúva vstupy a vytvára predikcie, odporúčania, obsah alebo rozhodovacie podklady pre vopred určený cieľ. Tento pojem preto netreba poznať iba ako definíciu. Čitateľ má vedieť vysvetliť, akú úlohu plní, s čím sa dá zameniť a podľa akého pozorovateľného znaku ho rozpozná v reálnom systéme. Pri učení pomáha nakresliť si jednoduchú schému: vstup, spracovanie, výstup, kontrola a následok chyby. Pojem sa tak prestane javiť ako izolované cudzie slovo a dostane miesto v celom procese.

V tejto kapitole posudzujte funkčná definícia ai vo vzťahu k cieľu: rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí Nestačí povedať, že prvok je dôležitý. Treba ukázať mechanizmus, konkrétny príklad a hranicu platnosti. Ak dve vysvetlenia vedú k odlišným praktickým rozhodnutiam, porovnajte ich na rovnakom vstupe a zapíšte, ktorý rozdiel výsledok spôsobil.

Pracovná otázka: Ako by ste tento pojem vysvetlili človeku, ktorý nepozná odbornú terminológiu, ale musí podľa vysvetlenia urobiť správne rozhodnutie? Odpoveď má obsahovať bežný príklad, jeden nepríklad a vetu o tom, čo z pojmu nemožno vyvodiť. Overenie sa riadi pravidlom: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa.

2. Model a systém

model je matematická súčasť, kým reálny systém zahŕňa dáta, rozhranie, pravidlá, ľudí, oprávnenia a kontrolu. Tento pojem preto netreba poznať iba ako definíciu. Čitateľ má vedieť vysvetliť, akú úlohu plní, s čím sa dá zameniť a podľa akého pozorovateľného znaku ho rozpozná v reálnom systéme. Pri učení pomáha nakresliť si jednoduchú schému: vstup, spracovanie, výstup, kontrola a následok chyby. Pojem sa tak prestane javiť ako izolované cudzie slovo a dostane miesto v celom procese.

V tejto kapitole posudzujte model a systém vo vzťahu k cieľu: rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí Nestačí povedať, že prvok je dôležitý. Treba ukázať mechanizmus, konkrétny príklad a hranicu platnosti. Ak dve vysvetlenia vedú k odlišným praktickým rozhodnutiam, porovnajte ich na rovnakom vstupe a zapíšte, ktorý rozdiel výsledok spôsobil.

Pracovná otázka: Ako by ste tento pojem vysvetlili človeku, ktorý nepozná odbornú terminológiu, ale musí podľa vysvetlenia urobiť správne rozhodnutie? Odpoveď má obsahovať bežný príklad, jeden nepríklad a vetu o tom, čo z pojmu nemožno vyvodiť. Overenie sa riadi pravidlom: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa.

3. Učenie z dát

pri mnohých AI riešeniach sa parametre odvodzujú z príkladov, no nie každé učenie je priebežné a nie každý AI systém používa strojové učenie. Tento pojem preto netreba poznať iba ako definíciu. Čitateľ má vedieť vysvetliť, akú úlohu plní, s čím sa dá zameniť a podľa akého pozorovateľného znaku ho rozpozná v reálnom systéme. Pri učení pomáha nakresliť si jednoduchú schému: vstup, spracovanie, výstup, kontrola a následok chyby. Pojem sa tak prestane javiť ako izolované cudzie slovo a dostane miesto v celom procese.

V tejto kapitole posudzujte učenie z dát vo vzťahu k cieľu: rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí Nestačí povedať, že prvok je dôležitý. Treba ukázať mechanizmus, konkrétny príklad a hranicu platnosti. Ak dve vysvetlenia vedú k odlišným praktickým rozhodnutiam, porovnajte ich na rovnakom vstupe a zapíšte, ktorý rozdiel výsledok spôsobil.

Pracovná otázka: Ako by ste tento pojem vysvetlili človeku, ktorý nepozná odbornú terminológiu, ale musí podľa vysvetlenia urobiť správne rozhodnutie? Odpoveď má obsahovať bežný príklad, jeden nepríklad a vetu o tom, čo z pojmu nemožno vyvodiť. Overenie sa riadi pravidlom: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa.

4. Automatizácia

pevné pravidlo môže vykonať úlohu bez AI; rozhodujúce je, či správanie vychádza z naučeného alebo reprezentovaného modelu problému. Tento pojem preto netreba poznať iba ako definíciu. Čitateľ má vedieť vysvetliť, akú úlohu plní, s čím sa dá zameniť a podľa akého pozorovateľného znaku ho rozpozná v reálnom systéme. Pri učení pomáha nakresliť si jednoduchú schému: vstup, spracovanie, výstup, kontrola a následok chyby. Pojem sa tak prestane javiť ako izolované cudzie slovo a dostane miesto v celom procese.

V tejto kapitole posudzujte automatizácia vo vzťahu k cieľu: rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí Nestačí povedať, že prvok je dôležitý. Treba ukázať mechanizmus, konkrétny príklad a hranicu platnosti. Ak dve vysvetlenia vedú k odlišným praktickým rozhodnutiam, porovnajte ich na rovnakom vstupe a zapíšte, ktorý rozdiel výsledok spôsobil.

Pracovná otázka: Ako by ste tento pojem vysvetlili človeku, ktorý nepozná odbornú terminológiu, ale musí podľa vysvetlenia urobiť správne rozhodnutie? Odpoveď má obsahovať bežný príklad, jeden nepríklad a vetu o tom, čo z pojmu nemožno vyvodiť. Overenie sa riadi pravidlom: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa.

5. Predikcia a generovanie

predikcia odhaduje triedu, hodnotu alebo ďalší prvok, zatiaľ čo generovanie skladá nový výstup podľa naučeného rozdelenia. Tento pojem preto netreba poznať iba ako definíciu. Čitateľ má vedieť vysvetliť, akú úlohu plní, s čím sa dá zameniť a podľa akého pozorovateľného znaku ho rozpozná v reálnom systéme. Pri učení pomáha nakresliť si jednoduchú schému: vstup, spracovanie, výstup, kontrola a následok chyby. Pojem sa tak prestane javiť ako izolované cudzie slovo a dostane miesto v celom procese.

V tejto kapitole posudzujte predikcia a generovanie vo vzťahu k cieľu: rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí Nestačí povedať, že prvok je dôležitý. Treba ukázať mechanizmus, konkrétny príklad a hranicu platnosti. Ak dve vysvetlenia vedú k odlišným praktickým rozhodnutiam, porovnajte ich na rovnakom vstupe a zapíšte, ktorý rozdiel výsledok spôsobil.

Pracovná otázka: Ako by ste tento pojem vysvetlili človeku, ktorý nepozná odbornú terminológiu, ale musí podľa vysvetlenia urobiť správne rozhodnutie? Odpoveď má obsahovať bežný príklad, jeden nepríklad a vetu o tom, čo z pojmu nemožno vyvodiť. Overenie sa riadi pravidlom: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa.

6. Autonómnosť

vyjadruje, koľko krokov systém vykoná bez okamžitého potvrdenia, nie či má slobodnú vôľu alebo vlastný cieľ. Tento pojem preto netreba poznať iba ako definíciu. Čitateľ má vedieť vysvetliť, akú úlohu plní, s čím sa dá zameniť a podľa akého pozorovateľného znaku ho rozpozná v reálnom systéme. Pri učení pomáha nakresliť si jednoduchú schému: vstup, spracovanie, výstup, kontrola a následok chyby. Pojem sa tak prestane javiť ako izolované cudzie slovo a dostane miesto v celom procese.

V tejto kapitole posudzujte autonómnosť vo vzťahu k cieľu: rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí Nestačí povedať, že prvok je dôležitý. Treba ukázať mechanizmus, konkrétny príklad a hranicu platnosti. Ak dve vysvetlenia vedú k odlišným praktickým rozhodnutiam, porovnajte ich na rovnakom vstupe a zapíšte, ktorý rozdiel výsledok spôsobil.

Pracovná otázka: Ako by ste tento pojem vysvetlili človeku, ktorý nepozná odbornú terminológiu, ale musí podľa vysvetlenia urobiť správne rozhodnutie? Odpoveď má obsahovať bežný príklad, jeden nepríklad a vetu o tom, čo z pojmu nemožno vyvodiť. Overenie sa riadi pravidlom: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa.

7. Sociotechnický kontext

výsledok AI formujú aj ľudia, procesy, motivácie, rozhranie a prostredie nasadenia, preto sa kvalita nedá posúdiť iba benchmarkom modelu. Tento pojem preto netreba poznať iba ako definíciu. Čitateľ má vedieť vysvetliť, akú úlohu plní, s čím sa dá zameniť a podľa akého pozorovateľného znaku ho rozpozná v reálnom systéme. Pri učení pomáha nakresliť si jednoduchú schému: vstup, spracovanie, výstup, kontrola a následok chyby. Pojem sa tak prestane javiť ako izolované cudzie slovo a dostane miesto v celom procese.

V tejto kapitole posudzujte sociotechnický kontext vo vzťahu k cieľu: rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí Nestačí povedať, že prvok je dôležitý. Treba ukázať mechanizmus, konkrétny príklad a hranicu platnosti. Ak dve vysvetlenia vedú k odlišným praktickým rozhodnutiam, porovnajte ich na rovnakom vstupe a zapíšte, ktorý rozdiel výsledok spôsobil.

Pracovná otázka: Ako by ste tento pojem vysvetlili človeku, ktorý nepozná odbornú terminológiu, ale musí podľa vysvetlenia urobiť správne rozhodnutie? Odpoveď má obsahovať bežný príklad, jeden nepríklad a vetu o tom, čo z pojmu nemožno vyvodiť. Overenie sa riadi pravidlom: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa.

8. Nepríklad a hraničný prípad

kalkulačka, vyhľadávanie podľa presnej zhody alebo jednoduchý if-then postup nie sú automaticky AI, hoci môžu byť súčasťou AI systému. Tento pojem preto netreba poznať iba ako definíciu. Čitateľ má vedieť vysvetliť, akú úlohu plní, s čím sa dá zameniť a podľa akého pozorovateľného znaku ho rozpozná v reálnom systéme. Pri učení pomáha nakresliť si jednoduchú schému: vstup, spracovanie, výstup, kontrola a následok chyby. Pojem sa tak prestane javiť ako izolované cudzie slovo a dostane miesto v celom procese.

V tejto kapitole posudzujte nepríklad a hraničný prípad vo vzťahu k cieľu: rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí Nestačí povedať, že prvok je dôležitý. Treba ukázať mechanizmus, konkrétny príklad a hranicu platnosti. Ak dve vysvetlenia vedú k odlišným praktickým rozhodnutiam, porovnajte ich na rovnakom vstupe a zapíšte, ktorý rozdiel výsledok spôsobil.

Pracovná otázka: Ako by ste tento pojem vysvetlili človeku, ktorý nepozná odbornú terminológiu, ale musí podľa vysvetlenia urobiť správne rozhodnutie? Odpoveď má obsahovať bežný príklad, jeden nepríklad a vetu o tom, čo z pojmu nemožno vyvodiť. Overenie sa riadi pravidlom: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa.

Ako sa pojmy ovplyvňujú

Samostatná znalosť definícií nestačí, pretože systémy AI vznikajú spojením viacerých vrstiev. Nasledujúce dvojice ukazujú, kde býva medzi pojmami príčinná väzba, kde ide o obmedzenie a kde iba o zdanlivú podobnosť. Pri každej väzbe si položte otázku, čo by zostalo rovnaké, keby sa zmenil iba jeden z dvoch prvkov.

Väzba 1: Funkčná definícia AI a Model a systém

Pojmy funkčná definícia ai a model a systém sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: systém spracúva vstupy a vytvára predikcie, odporúčania, obsah alebo rozhodovacie podklady pre vopred určený cieľ. Druhý dopĺňa odlišnú časť obrazu: model je matematická súčasť, kým reálny systém zahŕňa dáta, rozhranie, pravidlá, ľudí, oprávnenia a kontrolu. Rozlíšenie je dôležité preto, že zmena jednej časti nemusí automaticky zmeniť druhú. Lepší či väčší vstup napríklad nemusí odstrániť chybný cieľ, rovnako ako kvalitný postup nemusí napraviť neoverený zdroj.

Vytvorte dve krátke tvrdenia. V prvom použite oba pojmy správne a ukážte medzi nimi príčinnú alebo procesnú väzbu. V druhom zámerne urobte bežnú zámenu. Potom vysvetlite, čo by sa pri tejto zámene pokazilo v artefakte klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 2: Model a systém a Učenie z dát

Pojmy model a systém a učenie z dát sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: model je matematická súčasť, kým reálny systém zahŕňa dáta, rozhranie, pravidlá, ľudí, oprávnenia a kontrolu. Druhý dopĺňa odlišnú časť obrazu: pri mnohých AI riešeniach sa parametre odvodzujú z príkladov, no nie každé učenie je priebežné a nie každý AI systém používa strojové učenie. Rozlíšenie je dôležité preto, že zmena jednej časti nemusí automaticky zmeniť druhú. Lepší či väčší vstup napríklad nemusí odstrániť chybný cieľ, rovnako ako kvalitný postup nemusí napraviť neoverený zdroj.

Vytvorte dve krátke tvrdenia. V prvom použite oba pojmy správne a ukážte medzi nimi príčinnú alebo procesnú väzbu. V druhom zámerne urobte bežnú zámenu. Potom vysvetlite, čo by sa pri tejto zámene pokazilo v artefakte klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 3: Učenie z dát a Automatizácia

Pojmy učenie z dát a automatizácia sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: pri mnohých AI riešeniach sa parametre odvodzujú z príkladov, no nie každé učenie je priebežné a nie každý AI systém používa strojové učenie. Druhý dopĺňa odlišnú časť obrazu: pevné pravidlo môže vykonať úlohu bez AI; rozhodujúce je, či správanie vychádza z naučeného alebo reprezentovaného modelu problému. Rozlíšenie je dôležité preto, že zmena jednej časti nemusí automaticky zmeniť druhú. Lepší či väčší vstup napríklad nemusí odstrániť chybný cieľ, rovnako ako kvalitný postup nemusí napraviť neoverený zdroj.

Vytvorte dve krátke tvrdenia. V prvom použite oba pojmy správne a ukážte medzi nimi príčinnú alebo procesnú väzbu. V druhom zámerne urobte bežnú zámenu. Potom vysvetlite, čo by sa pri tejto zámene pokazilo v artefakte klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 4: Automatizácia a Predikcia a generovanie

Pojmy automatizácia a predikcia a generovanie sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: pevné pravidlo môže vykonať úlohu bez AI; rozhodujúce je, či správanie vychádza z naučeného alebo reprezentovaného modelu problému. Druhý dopĺňa odlišnú časť obrazu: predikcia odhaduje triedu, hodnotu alebo ďalší prvok, zatiaľ čo generovanie skladá nový výstup podľa naučeného rozdelenia. Rozlíšenie je dôležité preto, že zmena jednej časti nemusí automaticky zmeniť druhú. Lepší či väčší vstup napríklad nemusí odstrániť chybný cieľ, rovnako ako kvalitný postup nemusí napraviť neoverený zdroj.

Vytvorte dve krátke tvrdenia. V prvom použite oba pojmy správne a ukážte medzi nimi príčinnú alebo procesnú väzbu. V druhom zámerne urobte bežnú zámenu. Potom vysvetlite, čo by sa pri tejto zámene pokazilo v artefakte klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 5: Predikcia a generovanie a Autonómnosť

Pojmy predikcia a generovanie a autonómnosť sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: predikcia odhaduje triedu, hodnotu alebo ďalší prvok, zatiaľ čo generovanie skladá nový výstup podľa naučeného rozdelenia. Druhý dopĺňa odlišnú časť obrazu: vyjadruje, koľko krokov systém vykoná bez okamžitého potvrdenia, nie či má slobodnú vôľu alebo vlastný cieľ. Rozlíšenie je dôležité preto, že zmena jednej časti nemusí automaticky zmeniť druhú. Lepší či väčší vstup napríklad nemusí odstrániť chybný cieľ, rovnako ako kvalitný postup nemusí napraviť neoverený zdroj.

Vytvorte dve krátke tvrdenia. V prvom použite oba pojmy správne a ukážte medzi nimi príčinnú alebo procesnú väzbu. V druhom zámerne urobte bežnú zámenu. Potom vysvetlite, čo by sa pri tejto zámene pokazilo v artefakte klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 6: Autonómnosť a Sociotechnický kontext

Pojmy autonómnosť a sociotechnický kontext sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: vyjadruje, koľko krokov systém vykoná bez okamžitého potvrdenia, nie či má slobodnú vôľu alebo vlastný cieľ. Druhý dopĺňa odlišnú časť obrazu: výsledok AI formujú aj ľudia, procesy, motivácie, rozhranie a prostredie nasadenia, preto sa kvalita nedá posúdiť iba benchmarkom modelu. Rozlíšenie je dôležité preto, že zmena jednej časti nemusí automaticky zmeniť druhú. Lepší či väčší vstup napríklad nemusí odstrániť chybný cieľ, rovnako ako kvalitný postup nemusí napraviť neoverený zdroj.

Vytvorte dve krátke tvrdenia. V prvom použite oba pojmy správne a ukážte medzi nimi príčinnú alebo procesnú väzbu. V druhom zámerne urobte bežnú zámenu. Potom vysvetlite, čo by sa pri tejto zámene pokazilo v artefakte klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 7: Sociotechnický kontext a Nepríklad a hraničný prípad

Pojmy sociotechnický kontext a nepríklad a hraničný prípad sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: výsledok AI formujú aj ľudia, procesy, motivácie, rozhranie a prostredie nasadenia, preto sa kvalita nedá posúdiť iba benchmarkom modelu. Druhý dopĺňa odlišnú časť obrazu: kalkulačka, vyhľadávanie podľa presnej zhody alebo jednoduchý if-then postup nie sú automaticky AI, hoci môžu byť súčasťou AI systému. Rozlíšenie je dôležité preto, že zmena jednej časti nemusí automaticky zmeniť druhú. Lepší či väčší vstup napríklad nemusí odstrániť chybný cieľ, rovnako ako kvalitný postup nemusí napraviť neoverený zdroj.

Vytvorte dve krátke tvrdenia. V prvom použite oba pojmy správne a ukážte medzi nimi príčinnú alebo procesnú väzbu. V druhom zámerne urobte bežnú zámenu. Potom vysvetlite, čo by sa pri tejto zámene pokazilo v artefakte klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 8: Nepríklad a hraničný prípad a Funkčná definícia AI

Pojmy nepríklad a hraničný prípad a funkčná definícia ai sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: kalkulačka, vyhľadávanie podľa presnej zhody alebo jednoduchý if-then postup nie sú automaticky AI, hoci môžu byť súčasťou AI systému. Druhý dopĺňa odlišnú časť obrazu: systém spracúva vstupy a vytvára predikcie, odporúčania, obsah alebo rozhodovacie podklady pre vopred určený cieľ. Rozlíšenie je dôležité preto, že zmena jednej časti nemusí automaticky zmeniť druhú. Lepší či väčší vstup napríklad nemusí odstrániť chybný cieľ, rovnako ako kvalitný postup nemusí napraviť neoverený zdroj.

Vytvorte dve krátke tvrdenia. V prvom použite oba pojmy správne a ukážte medzi nimi príčinnú alebo procesnú väzbu. V druhom zámerne urobte bežnú zámenu. Potom vysvetlite, čo by sa pri tejto zámene pokazilo v artefakte klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Rozpracované prípady z praxe

Prípadová štúdia nemá jedinú správnu vetu. Má však správny spôsob práce: pomenovať otázku, preveriť vstupy, použiť vhodné pojmy, ukázať neistotu a vybrať krok primeraný následkom chyby. Nasledujúce prípady sú zámerne zostavené tak, aby nestačilo iba zopakovať poučku.

Prípad 1: Triedenie faktúr

Situácia: účtovná aplikácia najprv číta polia zo skenu, potom pravidlom priradí stredisko a pri neistej položke žiada človeka o potvrdenie. Najskôr oddeľte to, čo o prípade naozaj vieme, od predpokladov a dojmov. Vytvorte tri stĺpce: doložené fakty, pracovné hypotézy a chýbajúce údaje. Toto rozdelenie bráni tomu, aby plynulé vysvetlenie zakrylo nedostatok dôkazov.

Analýza: Prípad preskúmajte cez pojmy funkčná definícia ai a automatizácia. Pri prvom platí: systém spracúva vstupy a vytvára predikcie, odporúčania, obsah alebo rozhodovacie podklady pre vopred určený cieľ. Pri druhom platí: pevné pravidlo môže vykonať úlohu bez AI; rozhodujúce je, či správanie vychádza z naučeného alebo reprezentovaného modelu problému. Napíšte, ktorý z nich vysvetľuje pozorovaný jav a ktorý iba pomáha určiť ďalšiu otázku. Ak ich nemožno rozlíšiť z dostupných údajov, správnym výsledkom je zoznam potrebných dôkazov, nie sebavedomý odhad.

Rozhodnutie: Navrhnite najmenší bezpečný ďalší krok. Má viesť k cieľu rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí a súčasne rešpektovať hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Výstupom nemá byť iba odsek textu, ale konkrétna položka použiteľná v praxi - rozhodovací záznam, porovnávacia tabuľka, test, kontrolný zoznam alebo opravený návrh.

Spätná kontrola: Iný človek má vedieť z výstupu určiť, z akých údajov vznikol a prečo bol zvolený daný krok. Platí dôkazové pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Prípad 2: Odporúčanie videí

Situácia: platforma zoradí kandidátov podľa odhadu záujmu, no používateľ vidí iba výsledný zoznam a nevie, ktoré signály poradie ovplyvnili. Najskôr oddeľte to, čo o prípade naozaj vieme, od predpokladov a dojmov. Vytvorte tri stĺpce: doložené fakty, pracovné hypotézy a chýbajúce údaje. Toto rozdelenie bráni tomu, aby plynulé vysvetlenie zakrylo nedostatok dôkazov.

Analýza: Prípad preskúmajte cez pojmy učenie z dát a autonómnosť. Pri prvom platí: pri mnohých AI riešeniach sa parametre odvodzujú z príkladov, no nie každé učenie je priebežné a nie každý AI systém používa strojové učenie. Pri druhom platí: vyjadruje, koľko krokov systém vykoná bez okamžitého potvrdenia, nie či má slobodnú vôľu alebo vlastný cieľ. Napíšte, ktorý z nich vysvetľuje pozorovaný jav a ktorý iba pomáha určiť ďalšiu otázku. Ak ich nemožno rozlíšiť z dostupných údajov, správnym výsledkom je zoznam potrebných dôkazov, nie sebavedomý odhad.

Rozhodnutie: Navrhnite najmenší bezpečný ďalší krok. Má viesť k cieľu rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí a súčasne rešpektovať hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Výstupom nemá byť iba odsek textu, ale konkrétna položka použiteľná v praxi - rozhodovací záznam, porovnávacia tabuľka, test, kontrolný zoznam alebo opravený návrh.

Spätná kontrola: Iný človek má vedieť z výstupu určiť, z akých údajov vznikol a prečo bol zvolený daný krok. Platí dôkazové pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Prípad 3: Chatbot na webe

Situácia: starší bot vyberá pripravenú odpoveď podľa kľúčového slova, nový generuje text z dokumentov a oba sa navonok správajú podobne. Najskôr oddeľte to, čo o prípade naozaj vieme, od predpokladov a dojmov. Vytvorte tri stĺpce: doložené fakty, pracovné hypotézy a chýbajúce údaje. Toto rozdelenie bráni tomu, aby plynulé vysvetlenie zakrylo nedostatok dôkazov.

Analýza: Prípad preskúmajte cez pojmy predikcia a generovanie a nepríklad a hraničný prípad. Pri prvom platí: predikcia odhaduje triedu, hodnotu alebo ďalší prvok, zatiaľ čo generovanie skladá nový výstup podľa naučeného rozdelenia. Pri druhom platí: kalkulačka, vyhľadávanie podľa presnej zhody alebo jednoduchý if-then postup nie sú automaticky AI, hoci môžu byť súčasťou AI systému. Napíšte, ktorý z nich vysvetľuje pozorovaný jav a ktorý iba pomáha určiť ďalšiu otázku. Ak ich nemožno rozlíšiť z dostupných údajov, správnym výsledkom je zoznam potrebných dôkazov, nie sebavedomý odhad.

Rozhodnutie: Navrhnite najmenší bezpečný ďalší krok. Má viesť k cieľu rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí a súčasne rešpektovať hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Výstupom nemá byť iba odsek textu, ale konkrétna položka použiteľná v praxi - rozhodovací záznam, porovnávacia tabuľka, test, kontrolný zoznam alebo opravený návrh.

Spätná kontrola: Iný človek má vedieť z výstupu určiť, z akých údajov vznikol a prečo bol zvolený daný krok. Platí dôkazové pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Prípad 4: Termostat v budove

Situácia: jedno zariadenie používa pevný prah, druhé odhaduje spotrebu a obsadenosť, ale marketing oboch označuje ako inteligentné. Najskôr oddeľte to, čo o prípade naozaj vieme, od predpokladov a dojmov. Vytvorte tri stĺpce: doložené fakty, pracovné hypotézy a chýbajúce údaje. Toto rozdelenie bráni tomu, aby plynulé vysvetlenie zakrylo nedostatok dôkazov.

Analýza: Prípad preskúmajte cez pojmy sociotechnický kontext a model a systém. Pri prvom platí: výsledok AI formujú aj ľudia, procesy, motivácie, rozhranie a prostredie nasadenia, preto sa kvalita nedá posúdiť iba benchmarkom modelu. Pri druhom platí: model je matematická súčasť, kým reálny systém zahŕňa dáta, rozhranie, pravidlá, ľudí, oprávnenia a kontrolu. Napíšte, ktorý z nich vysvetľuje pozorovaný jav a ktorý iba pomáha určiť ďalšiu otázku. Ak ich nemožno rozlíšiť z dostupných údajov, správnym výsledkom je zoznam potrebných dôkazov, nie sebavedomý odhad.

Rozhodnutie: Navrhnite najmenší bezpečný ďalší krok. Má viesť k cieľu rozlíšiť AI od bežnej automatizácie, databázy, štatistického výpočtu a marketingovej nálepky a pritom presne pomenovať, čo systém robí a súčasne rešpektovať hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Výstupom nemá byť iba odsek textu, ale konkrétna položka použiteľná v praxi - rozhodovací záznam, porovnávacia tabuľka, test, kontrolný zoznam alebo opravený návrh.

Spätná kontrola: Iný človek má vedieť z výstupu určiť, z akých údajov vznikol a prečo bol zvolený daný krok. Platí dôkazové pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Hodnotiaca rubrika

Výstup hodnotite na piatich osiach od nula do štyri. Pri pojmovej presnosti znamená nula zámenu základných pojmov a štvorka správne vysvetlenie vrátane hranice a nepríkladu. Pri dôkazovej opore znamená nula tvrdenia bez pôvodu a štvorka jasné oddelenie zdroja, pozorovania, výpočtu a hypotézy. Pri praktickej použiteľnosti znamená nula všeobecnú radu a štvorka konkrétny artefakt s vlastníkom a ďalším krokom.

Štvrtou osou je riadenie rizika. Najvyššie hodnotenie dostane riešenie, ktoré pomenuje následok chyby, zvolí primeranú kontrolu a vie sa bezpečne zastaviť. Piatou osou je zrozumiteľnosť. Odbornosť sa neposudzuje podľa počtu cudzích slov, ale podľa toho, či text používa presné výrazy, vysvetľuje ich a vedie čitateľa od známeho k novému.

Za zvládnutú sa považuje odpoveď, ktorá má aspoň tri body na každej osi a spolu najmenej sedemnásť bodov z dvadsiatich. Slabšia os sa neopravuje kozmetickou úpravou. Pri nízkej presnosti sa treba vrátiť k definíciám, pri slabých dôkazoch k zdrojom, pri nízkej použiteľnosti k cieľu a pri riziku k hraniciam nasadenia.

Seminárne úlohy s postupom riešenia

Nasledujúce úlohy možno riešiť samostatne alebo v skupine. Každá spája pojem s konkrétnym prípadom a vyžaduje výstup, ktorý sa dá skontrolovať. Pri skupinovej práci nech jedna osoba pripraví riešenie, druhá ho skúsi vyvrátiť a tretia skontroluje zrozumiteľnosť pre človeka mimo odboru.

Seminárna úloha 1: Funkčná definícia AI v situácii odporúčanie videí

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: platforma zoradí kandidátov podľa odhadu záujmu, no používateľ vidí iba výsledný zoznam a nevie, ktoré signály poradie ovplyvnili. Hlavný pojem má tento význam: systém spracúva vstupy a vytvára predikcie, odporúčania, obsah alebo rozhodovacie podklady pre vopred určený cieľ. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem učenie z dát, ktorý pripomína: pri mnohých AI riešeniach sa parametre odvodzujú z príkladov, no nie každé učenie je priebežné a nie každý AI systém používa strojové učenie. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 2: Model a systém v situácii chatbot na webe

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: starší bot vyberá pripravenú odpoveď podľa kľúčového slova, nový generuje text z dokumentov a oba sa navonok správajú podobne. Hlavný pojem má tento význam: model je matematická súčasť, kým reálny systém zahŕňa dáta, rozhranie, pravidlá, ľudí, oprávnenia a kontrolu. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem autonómnosť, ktorý pripomína: vyjadruje, koľko krokov systém vykoná bez okamžitého potvrdenia, nie či má slobodnú vôľu alebo vlastný cieľ. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 3: Učenie z dát v situácii termostat v budove

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: jedno zariadenie používa pevný prah, druhé odhaduje spotrebu a obsadenosť, ale marketing oboch označuje ako inteligentné. Hlavný pojem má tento význam: pri mnohých AI riešeniach sa parametre odvodzujú z príkladov, no nie každé učenie je priebežné a nie každý AI systém používa strojové učenie. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem funkčná definícia ai, ktorý pripomína: systém spracúva vstupy a vytvára predikcie, odporúčania, obsah alebo rozhodovacie podklady pre vopred určený cieľ. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 4: Automatizácia v situácii triedenie faktúr

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: účtovná aplikácia najprv číta polia zo skenu, potom pravidlom priradí stredisko a pri neistej položke žiada človeka o potvrdenie. Hlavný pojem má tento význam: pevné pravidlo môže vykonať úlohu bez AI; rozhodujúce je, či správanie vychádza z naučeného alebo reprezentovaného modelu problému. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem automatizácia, ktorý pripomína: pevné pravidlo môže vykonať úlohu bez AI; rozhodujúce je, či správanie vychádza z naučeného alebo reprezentovaného modelu problému. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 5: Predikcia a generovanie v situácii odporúčanie videí

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: platforma zoradí kandidátov podľa odhadu záujmu, no používateľ vidí iba výsledný zoznam a nevie, ktoré signály poradie ovplyvnili. Hlavný pojem má tento význam: predikcia odhaduje triedu, hodnotu alebo ďalší prvok, zatiaľ čo generovanie skladá nový výstup podľa naučeného rozdelenia. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem sociotechnický kontext, ktorý pripomína: výsledok AI formujú aj ľudia, procesy, motivácie, rozhranie a prostredie nasadenia, preto sa kvalita nedá posúdiť iba benchmarkom modelu. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 6: Autonómnosť v situácii chatbot na webe

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: starší bot vyberá pripravenú odpoveď podľa kľúčového slova, nový generuje text z dokumentov a oba sa navonok správajú podobne. Hlavný pojem má tento význam: vyjadruje, koľko krokov systém vykoná bez okamžitého potvrdenia, nie či má slobodnú vôľu alebo vlastný cieľ. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem model a systém, ktorý pripomína: model je matematická súčasť, kým reálny systém zahŕňa dáta, rozhranie, pravidlá, ľudí, oprávnenia a kontrolu. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 7: Sociotechnický kontext v situácii termostat v budove

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: jedno zariadenie používa pevný prah, druhé odhaduje spotrebu a obsadenosť, ale marketing oboch označuje ako inteligentné. Hlavný pojem má tento význam: výsledok AI formujú aj ľudia, procesy, motivácie, rozhranie a prostredie nasadenia, preto sa kvalita nedá posúdiť iba benchmarkom modelu. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem predikcia a generovanie, ktorý pripomína: predikcia odhaduje triedu, hodnotu alebo ďalší prvok, zatiaľ čo generovanie skladá nový výstup podľa naučeného rozdelenia. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 8: Nepríklad a hraničný prípad v situácii triedenie faktúr

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: účtovná aplikácia najprv číta polia zo skenu, potom pravidlom priradí stredisko a pri neistej položke žiada človeka o potvrdenie. Hlavný pojem má tento význam: kalkulačka, vyhľadávanie podľa presnej zhody alebo jednoduchý if-then postup nie sú automaticky AI, hoci môžu byť súčasťou AI systému. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem nepríklad a hraničný prípad, ktorý pripomína: kalkulačka, vyhľadávanie podľa presnej zhody alebo jednoduchý if-then postup nie sú automaticky AI, hoci môžu byť súčasťou AI systému. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 9: Funkčná definícia AI v situácii odporúčanie videí

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: platforma zoradí kandidátov podľa odhadu záujmu, no používateľ vidí iba výsledný zoznam a nevie, ktoré signály poradie ovplyvnili. Hlavný pojem má tento význam: systém spracúva vstupy a vytvára predikcie, odporúčania, obsah alebo rozhodovacie podklady pre vopred určený cieľ. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem učenie z dát, ktorý pripomína: pri mnohých AI riešeniach sa parametre odvodzujú z príkladov, no nie každé učenie je priebežné a nie každý AI systém používa strojové učenie. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 10: Model a systém v situácii chatbot na webe

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: starší bot vyberá pripravenú odpoveď podľa kľúčového slova, nový generuje text z dokumentov a oba sa navonok správajú podobne. Hlavný pojem má tento význam: model je matematická súčasť, kým reálny systém zahŕňa dáta, rozhranie, pravidlá, ľudí, oprávnenia a kontrolu. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem autonómnosť, ktorý pripomína: vyjadruje, koľko krokov systém vykoná bez okamžitého potvrdenia, nie či má slobodnú vôľu alebo vlastný cieľ. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 11: Učenie z dát v situácii termostat v budove

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: jedno zariadenie používa pevný prah, druhé odhaduje spotrebu a obsadenosť, ale marketing oboch označuje ako inteligentné. Hlavný pojem má tento význam: pri mnohých AI riešeniach sa parametre odvodzujú z príkladov, no nie každé učenie je priebežné a nie každý AI systém používa strojové učenie. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem funkčná definícia ai, ktorý pripomína: systém spracúva vstupy a vytvára predikcie, odporúčania, obsah alebo rozhodovacie podklady pre vopred určený cieľ. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 12: Automatizácia v situácii triedenie faktúr

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: účtovná aplikácia najprv číta polia zo skenu, potom pravidlom priradí stredisko a pri neistej položke žiada človeka o potvrdenie. Hlavný pojem má tento význam: pevné pravidlo môže vykonať úlohu bez AI; rozhodujúce je, či správanie vychádza z naučeného alebo reprezentovaného modelu problému. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem automatizácia, ktorý pripomína: pevné pravidlo môže vykonať úlohu bez AI; rozhodujúce je, či správanie vychádza z naučeného alebo reprezentovaného modelu problému. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 13: Predikcia a generovanie v situácii odporúčanie videí

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: platforma zoradí kandidátov podľa odhadu záujmu, no používateľ vidí iba výsledný zoznam a nevie, ktoré signály poradie ovplyvnili. Hlavný pojem má tento význam: predikcia odhaduje triedu, hodnotu alebo ďalší prvok, zatiaľ čo generovanie skladá nový výstup podľa naučeného rozdelenia. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem sociotechnický kontext, ktorý pripomína: výsledok AI formujú aj ľudia, procesy, motivácie, rozhranie a prostredie nasadenia, preto sa kvalita nedá posúdiť iba benchmarkom modelu. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 14: Autonómnosť v situácii chatbot na webe

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: starší bot vyberá pripravenú odpoveď podľa kľúčového slova, nový generuje text z dokumentov a oba sa navonok správajú podobne. Hlavný pojem má tento význam: vyjadruje, koľko krokov systém vykoná bez okamžitého potvrdenia, nie či má slobodnú vôľu alebo vlastný cieľ. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem model a systém, ktorý pripomína: model je matematická súčasť, kým reálny systém zahŕňa dáta, rozhranie, pravidlá, ľudí, oprávnenia a kontrolu. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 15: Sociotechnický kontext v situácii termostat v budove

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: jedno zariadenie používa pevný prah, druhé odhaduje spotrebu a obsadenosť, ale marketing oboch označuje ako inteligentné. Hlavný pojem má tento význam: výsledok AI formujú aj ľudia, procesy, motivácie, rozhranie a prostredie nasadenia, preto sa kvalita nedá posúdiť iba benchmarkom modelu. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem predikcia a generovanie, ktorý pripomína: predikcia odhaduje triedu, hodnotu alebo ďalší prvok, zatiaľ čo generovanie skladá nový výstup podľa naučeného rozdelenia. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 16: Nepríklad a hraničný prípad v situácii triedenie faktúr

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: účtovná aplikácia najprv číta polia zo skenu, potom pravidlom priradí stredisko a pri neistej položke žiada človeka o potvrdenie. Hlavný pojem má tento význam: kalkulačka, vyhľadávanie podľa presnej zhody alebo jednoduchý if-then postup nie sú automaticky AI, hoci môžu byť súčasťou AI systému. Nezačínajte hotovým záverom. Najprv jednou vetou pomenujte otázku, ktorú riešite, potom vypíšte dostupné vstupy a označte údaj, ktorý by mohol najviac zmeniť výsledok.

Do riešenia zapojte aj pojem nepríklad a hraničný prípad, ktorý pripomína: kalkulačka, vyhľadávanie podľa presnej zhody alebo jednoduchý if-then postup nie sú automaticky AI, hoci môžu byť súčasťou AI systému. Vysvetlite, či medzi pojmami vzniká príčinný vzťah, obmedzenie, kontrola alebo iba voľná súvislosť. Ak tvrdíte príčinu, uveďte aj alternatívne vysvetlenie. Ak navrhujete postup, určte vlastníka každého kroku a bod, v ktorom musí zasiahnuť človek.

Výsledok odovzdajte v podobe klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Musí obsahovať stručný záver, dôvody, neistoty, zdroje alebo vstupné údaje a jeden test, ktorým možno záver spochybniť. Nestačí, aby text pôsobil odborne. Hodnotí sa, či sa dá overiť a či podľa neho možno konať bez skrytých domnienok.

Sebahodnotenie: Overte presnosť pojmov, logickú nadväznosť a zrozumiteľnosť pre cieľového čitateľa. Použite pravidlo: označenie AI musí vychádzať z pozorovateľnej funkcie a technickej dokumentácie, nie z názvu produktu alebo dojmu používateľa. Nakoniec skontrolujte hranicu: z prejavu inteligentného správania nemožno vyvodiť vedomie, zámer, porozumenie ani všeobecnú schopnosť systému. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Záverečné overenie porozumenia

Bez návratu k textu vysvetlite tri najdôležitejšie pojmy, ku každému uveďte príklad aj nepríklad a nakreslite medzi nimi väzby. Potom vyberte jeden prípad z vlastnej práce alebo života a spracujte ho podľa rovnakej štruktúry ako prípadové štúdie. Ak neviete určiť vstup, dôkaz a hranicu rozhodnutia, vráťte sa k príslušnému bloku.

Záverečný artefakt má mať podobu klasifikačná karta systému s opisom vstupu, mechanizmu, výstupu, miery učenia, autonómnosti a ľudskej zodpovednosti. Mal by byť použiteľný aj o mesiac, keď už nebudete mať v pamäti formulácie tejto kapitoly. Doplňte preto dátum, zdroje, predpoklady, rozhodnutie, zodpovednú osobu a podmienku revízie. Tak sa učivo mení na pracovnú kompetenciu, nie iba na dočasný pocit porozumenia.

Použité a odporúčané zdroje

• Zdroje kombinujú aktuálne právne definície, medzinárodné rámce, technické normotvorné materiály a odbornú literatúru.
• Právna definícia je vysvetlená vzdelávacím spôsobom a nenahrádza právne poradenstvo pre konkrétny systém.
• Online zdroje boli naposledy overené 18. augusta 2026.

1. OECD (2024). Explanatory Memorandum on the Updated OECD Definition of an AI System.
2. Európsky parlament a Rada EÚ (2024). Nariadenie (EÚ) 2024/1689 - Artificial Intelligence Act.
3. European Commission AI Act Service Desk. Article 3: Definitions.
4. Európska komisia (2025). Guidelines on the Definition of an Artificial Intelligence System Established by Regulation (EU) 2024/1689.
5. UNESCO (2021). Recommendation on the Ethics of Artificial Intelligence.
6. NIST (2023). Artificial Intelligence Risk Management Framework 1.0.
7. NIST (2023). The Language of Trustworthy AI: An In-Depth Glossary of Terms.
8. NIST. Machine Learning - Glossary.
9. NIST (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile.
10. Goodfellow, I.; Bengio, Y.; Courville, A. (2016). Deep Learning. MIT Press.
11. Bommasani, R. a kol. (2021). On the Opportunities and Risks of Foundation Models.
12. Butlin, P. a kol. (2026). Identifying Indicators of Consciousness in AI Systems. Trends in Cognitive Sciences, 30(6), 488-501.
13. Turing, A. M. (1950). Computing Machinery and Intelligence.
14. McCarthy, J.; Minsky, M.; Rochester, N.; Shannon, C. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.