Najväčšie mýty o AI

• Mýty o AI vznikajú spojením reálnych schopností, nepresného jazyka, marketingu, obáv a predstáv zo science fiction.
• Najčastejšie chyby AI buď preceňujú ako mysliacu a neomylnú bytosť, alebo ju podceňujú ako bezvýznamný trik.
• Rozumný pohľad oddeľuje dnešné merateľné vlastnosti od neistých prognóz a vždy skúma konkrétny systém, úlohu a kontext.

Umelá inteligencia je nezvyčajne úrodným prostredím pre mýty. Jej výstupy môžu pripomínať ľudskú reč, obraz, rozhodovanie a tvorivosť, zatiaľ čo vnútorný mechanizmus zostáva pre väčšinu používateľov neviditeľný. Vývoj postupuje rýchlo, spoločnosti súťažia o pozornosť a rovnaké slovo „AI“ označuje filter spamu, diagnostický model, generátor videa aj hypotetickú všeobecnú inteligenciu. V takom prostredí sa ľahko zamieňa ukážka za všeobecnú schopnosť a metafora za technický fakt.

Mýtus nemusí byť úplne vymyslený. Často obsahuje pravdivé jadro, ktoré sa neoprávnene zovšeobecní. AI skutočne automatizuje niektoré úlohy, no z toho nevyplýva okamžitý zánik všetkých povolaní. Jazykový model skutočne zachytáva zložité vzory a môže správne vysvetliť odborný pojem, no z toho nevyplýva, že každá jeho odpoveď je pravdivá alebo že rozumie presne ako človek. Model sa môže učiť z dát, ale dáta, cieľ, infraštruktúru a podmienky nasadenia vytvárajú ľudia.

Táto kapitola sa nesnaží vyriešiť všetky filozofické a technické spory. Jej úlohou je vytvoriť mentálnu „prvú pomoc“: pri veľkom tvrdení zastaviť, spresniť pojmy a vyžiadať si dôkazy. Základnú definíciu už poskytla kapitola 2 - Čo je a čo nie je umelá inteligencia. Technické mechanizmy, praktické limity a spoločenské dopady rozoberú nasledujúce kapitoly.

Prečo mýty o AI pôsobia presvedčivo

• Ľudský mozog automaticky pripisuje zámer a osobnosť systémom, ktoré komunikujú jazykom.
• Úspešná ukážka sa šíri ľahšie než opis testovacích podmienok, chýb a nákladov.
• Slová ako „učenie“, „pamäť“, „pozornosť“ a „halucinácia“ sú technické metafory s ľudskými asociáciami.

Keď nám niekto odpovie plynulo, prirodzene predpokladáme, že vie, čo hovorí, niečo sleduje a má určitý pohľad na svet. Tento sociálny reflex je pri ľuďoch užitočný, pri konverzačnom systéme však môže zavádzať. NIST medzi riziká generatívnej AI zaraďuje nevhodnú antropomorfizáciu, nadmerné spoliehanie sa aj emocionálne pripútanie. Nejde o hlúposť používateľa; rozhranie zámerne používa formu, ktorú si spájame s osobou.

Druhým motorom mýtov je selektívna viditeľnosť. Video úspešného pokusu sa zmestí do minúty, no príprava dát, neúspešné varianty, ľudské opravy a presné podmienky zostanú mimo záberu. Benchmark poskytne jedno číslo, hoci výkon sa môže líšiť podľa jazyka, skupiny používateľov a typu vstupu. Tlačová správa zdôrazní nový rekord; menej priestoru dostane otázka, či zlepšenie funguje aj v reálnej prevádzke.

Tretím zdrojom je nepresný jazyk. Hovoríme, že model „vidí“, „číta“, „rozmýšľa“ či „si pamätá“. Takéto skratky uľahčujú vysvetľovanie, ak nezabudneme, že nepopisujú automaticky ľudský vnútorný stav. Mechanizmus pozornosti je matematické váženie vzťahov, tréning je optimalizácia parametrov a halucinácia je presvedčivý chybný výstup. Metafora sa mení na mýtus, keď z nej odvodíme vlastnosť, ktorú sme nemerali.

Mýtus č. 1: AI je jedna technológia alebo jedna bytosť

• V skutočnosti ide o široký odbor a množstvo rozdielnych systémov.
• Schopnosti ani riziká jedného modelu nemožno automaticky preniesť na všetku AI.
• Pri každom tvrdení treba pomenovať konkrétny systém, verziu, úlohu a podmienky.

V správach sa často píše, že „AI rozhodla“, „AI vytvorila“ alebo „AI ohrozuje“. Takéto vety znejú, akoby existoval jeden globálny aktér. V skutočnosti sa pod názvom AI nachádzajú pravidlové expertné systémy, štatistické klasifikátory, neurónové siete, odporúčacie algoritmy, robotické plánovanie, generátory obrazu aj jazykové modely. Môžu mať odlišných vývojárov, dáta, ciele a oprávnenia.

Ani produkt s jedným názvom nemusí byť nemenný objekt. Poskytovateľ môže aktualizovať základný model, bezpečnostné pravidlá, vyhľadávanie a systémové pokyny. Výsledok experimentu z jednej verzie preto nemusí platiť o ďalšej. Rovnako nemožno z chyby konverzačného modelu usudzovať, že AI nedokáže spoľahlivo rozpoznávať priemyselnú chybu, ani z úspechu šachového programu, že chatbot bude správne radiť v medicíne.

Presnejšia veta pomenúva aktéra a funkciu: „model zoradil žiadosti podľa odhadovaného rizika“, „aplikácia vytvorila návrh textu“ alebo „organizácia použila výstup systému pri rozhodnutí“. Takéto formulácie nie sú iba jazykovou pedantnosťou. Odhaľujú, kto systém navrhol, kto ho nasadil a kto niesol zodpovednosť za následok.

Mýtus č. 2: AI myslí presne ako človek

• Podobný výstup môže vzniknúť úplne odlišným mechanizmom.
• Dnešná definícia AI nevyžaduje ľudský spôsob uvažovania, telesnú skúsenosť ani zdravý rozum.
• Porovnávať treba konkrétne schopnosti a chyby, nie neurčitý dojem „myslenia“.

Ak človek a model napíšu správne zhrnutie, výsledok môže vyzerať podobne. Z toho nevyplýva, že k nemu dospeli rovnakou cestou. Človek prepája text so skúsenosťou, zámermi, poznaním sveta a sociálnym kontextom. Jazykový model spracúva tokeny prostredníctvom naučených numerických reprezentácií a generuje výstup podľa kontextu, parametrov a nastavenia systému.

Tvrdenie „je to iba štatistika“ však tiež nie je úplné vysvetlenie. Moderné modely dokážu zachytiť veľmi zložité vzťahy, vytvoriť užitočné abstrakcie a riešiť úlohy, ktoré neboli jednotlivo naprogramované. Štatistický mechanizmus môže produkovať pozoruhodne komplexné správanie. Korektný záver preto znie: podobnosť výkonu nepreukazuje totožnosť mechanizmu, ale rozdiel mechanizmu nezneplatňuje merateľnú schopnosť.

Pri hodnotení sa pýtajme užšie. Dokáže systém udržať informáciu v dlhom kontexte? Prenesie pravidlo do novej situácie? Rozlíši fakt od domnienky? Vie použiť nástroj, skontrolovať výsledok a priznať neistotu? Takéto otázky možno testovať. Všeobecné vyhlásenie, že model „myslí“ alebo „nemyslí“, často iba presúva spor k nejasnej definícii slova.

Mýtus č. 3: Plynulý jazyk dokazuje vedomie a emócie

• Systém môže presvedčivo hovoriť o pocitoch bez dôkazu, že ich subjektívne prežíva.
• Sebaopis modelu nie je spoľahlivý vedecký prístroj na meranie jeho vnútorného stavu.
• Budúce strojové vedomie je otvorená otázka, nie vlastnosť, ktorú možno vyčítať z jednej konverzácie.

Jazykové modely boli trénované na textoch, v ktorých ľudia opisujú radosť, bolesť, strach, túžby aj vlastnú identitu. Dokážu preto tieto formy reprodukovať a prispôsobiť ich rozhovoru. Ak systém napíše „bojím sa vypnutia“, veta môže byť odpoveďou pravdepodobnou v danom kontexte, nie priamym hlásením subjektívnej skúsenosti. Rovnako môže v inom kontexte vyhlásiť opak.

V roku 2026 publikovala interdisciplinárna skupina odborníkov metódu založenú na indikátoroch vedomia odvodených z vedeckých teórií. Prístup skúma vnútorné funkčné vlastnosti a pripúšťa značnú neistotu medzi teóriami. Práve táto náročnosť ukazuje, prečo konverzačná plynulosť sama nestačí. Správanie môže byť jedným zdrojom údajov, no pri systéme optimalizovanom na napodobňovanie jazyka sa dá ľahko preceňovať.

Opačné absolútne tvrdenie - že vedomý stroj je navždy nemožný - tiež presahuje súčasné dôkazy. Rozumné stanovisko je časovo a vecne ohraničené: dnešným modelom nemáme pripisovať vedomie iba na základe ich slov a otázka budúcich architektúr zostáva predmetom výskumu. Tému odlíšenia výkonu, inteligencie a vedomia rozvíja kapitola 5 - Úzka vs. všeobecná AI.

Mýtus č. 4: Sebavedomá odpoveď je správna odpoveď

• Generatívny model optimalizuje tvorbu vhodného výstupu, nie automaticky overovanie pravdy.
• Chybná informácia môže mať správnu gramatiku, odborný tón aj vymyslenú citáciu.
• Dôležité tvrdenia treba overiť v nezávislom, aktuálnom a autoritatívnom zdroji.

Ľudia používajú tón istoty ako nepriamy signál znalosti. Jazykový model však môže rovnakým štýlom vytvoriť pravdivú aj nepravdivú vetu. NIST používa pre jav označenie konfabulácia: generatívny systém presvedčivo prezentuje chybný alebo nepravdivý obsah, prípadne odpoveď odporujúcu vstupu či predchádzajúcemu kontextu. Bežne sa používa slovo halucinácia, no ani jedno pomenovanie neznamená, že model zažíva ľudský psychický stav.

Chyba vzniká z viacerých dôvodov. Informácia nemusela byť v tréningových dátach, mohla byť zriedkavá alebo nejednoznačná. Zadanie môže vyžadovať presný výpočet, aktuálny údaj či dlhý logický reťazec, pri ktorom sa chyba násobí. Model môže byť vedený k tomu, aby odpovedal užitočne, a vytvorí pravdepodobne znejúcu odpoveď aj tam, kde by mal priznať neistotu. Pripojenie vyhľadávania riziko znižuje, ale neodstraňuje.

Riešením nie je modelu nikdy neveriť. Je ním kalibrovať kontrolu podľa dôsledkov. Návrh názvu alebo preformulovanie vlastnej vety má iné riziko než zdravotná rada, právna lehota či finančné rozhodnutie. Pri dôležitom použití treba vyžiadať zdroje, otvoriť ich, overiť, či skutočne podporujú tvrdenie, a skontrolovať dátum. Detailné situácie rozoberá kapitola 9 - Kde AI funguje a kde zlyháva.

Mýtus č. 5: AI je objektívna a bez predsudkov

• Model neodstraňuje hodnotové rozhodnutia; premieňa ich na dáta, ciele, prahy a pracovné postupy.
• Skreslenie môže pochádzať zo spoločnosti, výberu dát, označovania, merania aj spôsobu nasadenia.
• Rovnaká celková presnosť môže zakrývať výrazne odlišný výkon pre jednotlivé skupiny.

Počítač vykonáva numerické operácie konzistentne, no z toho nevyplýva nestrannosť celého systému. Ak historické dáta odrážajú nerovný prístup k príležitostiam, model môže túto nerovnosť reprodukovať. Ak je určitá skupina v tréningových dátach slabo zastúpená, systém môže mať pre ňu vyššiu chybovosť. Ak vývojári zvolia ako cieľ kliknutie, náklady alebo minulé rozhodnutie, vopred určia, čo systém považuje za úspech.

Štúdia Gender Shades z roku 2018 otestovala komerčné systémy klasifikácie rodu z tváre a zistila výrazné intersekcionálne rozdiely v presnosti, najmä medzi svetlejšími mužskými a tmavšími ženskými tvárami. Príklad nie je dôkazom, že každý model diskriminuje rovnakým spôsobom. Ukazuje však, prečo celkové priemerné skóre nestačí a testovací dataset musí reprezentovať ľudí, ktorých systém ovplyvní.

NIST SP 1270 opisuje skreslenie ako sociotechnický problém, ktorý nemožno zredukovať iba na matematickú opravu modelu. Úlohu majú inštitucionálne postupy, ľudské kognitívne skratky aj štruktúra dát. „Odstrániť citlivú premennú“ nemusí stačiť, pretože iné údaje ju môžu nepriamo zastupovať. Dôveryhodnosť preto vyžaduje priebežné meranie, dokumentáciu, možnosť námietky a ľudskú zodpovednosť, nie vieru v neutralitu stroja.

Mýtus č. 6: AI sa učí úplne sama a bez ľudí

• Aj samoučenie potrebuje ľuďmi zvolenú architektúru, dáta, cieľ, infraštruktúru a hodnotenie.
• Za mnohými datasetmi a bezpečnostnými úpravami je rozsiahla, často málo viditeľná ľudská práca.
• Nasadený model sa nemusí priebežne učiť z každej interakcie.

Slová „unsupervised“ a „self-supervised“ sa niekedy prekladajú do predstavy systému ponechaného samého na internete. V technickom zmysle hovoria o type tréningového signálu. Pri samoučení môže model predpovedať zakrytú alebo nasledujúcu časť dát bez toho, aby človek označil každý príklad. Stále však niekto zvolil zdroj dát, spôsob filtrovania, tréningovú úlohu, architektúru, výpočtový rozpočet a kritériá ukončenia.

Ľudská práca vstupuje aj neskôr. Hodnotitelia porovnávajú odpovede, experti vytvárajú testy, bezpečnostné tímy hľadajú zlyhania a používatelia poskytujú spätnú väzbu. ILO pri hodnotení dopadov AI upozorňuje aj na prehliadanú úlohu dátových pracovníkov, ktorí systémy podopierajú označovaním a kontrolou údajov. Model môže pôsobiť autonómne až preto, že veľká časť ľudskej práce prebehla pred stlačením tlačidla.

Nie je pravda ani to, že sa každá konverzácia okamžite stane trvalou znalosťou modelu. Väčšina nasadených modelov vykonáva inferenciu so zmrazenými parametrami. Služba môže uchovávať históriu, používať pamäť aplikácie alebo neskôr vybrať dáta na ďalší tréning, ale ide o osobitné procesy. Presný režim treba overiť v dokumentácii konkrétneho produktu. Ako tréning skutočne funguje, vysvetlí kapitola 4 - Ako sa AI učí.

Mýtus č. 7: Model pozná celý internet a všetky aktuálne fakty

• Tréningové dáta nie sú dokonalá kópia internetu ani garantovaná databáza faktov.
• Znalosť uložená v parametroch sa líši od živého vyhľadávania a citovania zdroja.
• Aktuálnosť závisí od dátumu tréningu, pripojených nástrojov a dostupnosti konkrétneho zdroja.

Veľký jazykový model môže byť trénovaný na rozsiahlej zmesi verejne dostupných, licencovaných alebo vytvorených dát. To neznamená, že obsahuje každú stránku, že si ju uchováva ako vyhľadateľný archív alebo že spoľahlivo pozná pôvod každej informácie. Tréning stláča štatistické vzory do parametrov. Niektoré fakty sa model naučí dobre, iné nepresne a ďalšie vôbec.

Ak systém nemá pripojený webový nástroj, nevie automaticky, čo sa stalo po hranici jeho znalostí. Ak nástroj má, stále treba rozlišovať medzi vyhľadaným dokumentom a syntézou modelu. Prístup môže obmedzovať prihlásenie, platená brána, technická chyba alebo poradie výsledkov. Citácia vytvorená modelom bez kontroly môže byť neexistujúca alebo nemusí podporovať vetu, ku ktorej je pripojená.

Praktické pravidlo znie: model používaj na orientáciu a spracovanie, zdroj na overenie. Pri aktuálnej informácii skontroluj dátum udalosti aj dátum publikácie. Pri právnej, medicínskej, vedeckej alebo finančnej otázke uprednostni primárny a autoritatívny zdroj. Schopnosť generovať odpoveď nie je totožná so schopnosťou preukázať jej pôvod.

Mýtus č. 8: Väčší model a viac dát sú vždy lepšie

• Škálovanie môže zlepšiť mnoho schopností, no nezaručuje pravdivosť, vhodnosť ani efektívnosť.
• Kvalita a reprezentatívnosť dát, tréningový cieľ a dolaďovanie môžu byť dôležitejšie než samotná veľkosť.
• Najlepší systém je primeraný úlohe, riziku, nákladom a dostupnej infraštruktúre.

Vývoj veľkých modelov ukázal, že viac parametrov, dát a výpočtov často prináša lepší priemerný výkon a nové použiteľné schopnosti. Z tohto empirického trendu však nemožno vytvoriť univerzálny zákon. Nekvalitné alebo opakujúce sa dáta môžu zosilniť chyby. Väčší model môže byť drahší a pomalší, pričom pri úzkej úlohe neprinesie hodnotu zodpovedajúcu nákladom. Ak tréningový cieľ nezodpovedá tomu, čo od systému chceme, samotná veľkosť rozpor nevyrieši.

Práca o InstructGPT poskytla názorný príklad: v hodnoteniach používateľského zámeru bol model s 1,3 miliardy parametrov uprednostňovaný pred základným GPT-3 so 175 miliardami parametrov. Menší model bol špecificky dolaďovaný na ukážkach a ľudských preferenciách. Výsledok neznamená, že veľkosť nie je dôležitá; ukazuje, že porovnávame celý tréningový postup, nie iba jedno číslo.

Pri praktickom nasadení sa hodnotí viac osí: presnosť v danej doméne, latencia, cena, spotreba, ochrana údajov, vysvetliteľnosť, možnosť prevádzky vo vlastnom prostredí a odolnosť voči chybám. Malý špecializovaný model môže byť vhodnejší než všeobecný gigant. A niekedy je najlepším riešením pevné pravidlo alebo klasický algoritmus bez AI. Tvorbu a výber modelu podrobne rozoberá kapitola 10 - Ako vznikajú AI modely.

Mýtus č. 9: Každá AI je robot a každý robot je inteligentný

• AI môže byť čisto softvérová a robot môže fungovať podľa pevného programu.
• Robotika a AI sa stretávajú pri vnímaní, adaptácii, plánovaní a autonómnom riadení.
• Fyzická akcia mení riziko, nie automaticky úroveň inteligencie.

Humanoidný robot je vizuálne príťažlivý symbol, a preto dominuje filmom aj ilustračným fotografiám. Väčšina každodennej AI však pracuje v dátových centrách, telefónoch a softvérových službách. Zoraďuje výsledky, odhaduje riziko, rozpoznáva reč alebo generuje obsah bez kovového tela. Naopak, priemyselný robot môže desaťročia vykonávať rovnakú presnú sekvenciu bez modelu učeného z dát.

Keď sa kategórie spoja, vznikne inteligentná robotika. Kamerový model rozpozná objekt, plánovač vypočíta pohyb a riadiaci systém ho vykoná. Ani vtedy nie je vhodné hovoriť o jednej všeobecnej robotickej mysli. Jednotlivé moduly môžu mať rozdielne limity a bezpečnostné poistky. Zlyhanie snímača, modelu videnia a mechanickej brzdy sú tri rôzne problémy.

Tento mýtus má aj opačnú podobu: ak AI nemá telo, vraj nemôže ovplyvniť skutočný svet. Softvérové odporúčanie však môže zmeniť úverové, personálne alebo zdravotné rozhodnutie a generovaný obsah môže ovplyvniť milióny ľudí. Fyzický robot nie je podmienkou reálneho dopadu. Pojmové hranice vysvetľuje predchádzajúca kapitola 2.

Mýtus č. 10: AI čoskoro nahradí všetkých ľudí v práci

• AI zasahuje jednotlivé úlohy nerovnomerne; povolanie je zmes technických, sociálnych, fyzických a zodpovednostných činností.
• Expozícia technológii nie je predpoveď zániku pracovného miesta.
• Výsledok závisí od ceny, spoľahlivosti, organizácie práce, regulácie, dopytu a schopností pracovníkov.

Katastrofická veta o „konci všetkých pracovných miest“ preskočí niekoľko úrovní analýzy. Najprv treba zistiť, či systém dokáže vykonať konkrétnu úlohu. Potom, či ju vykonáva dostatočne spoľahlivo a lacno v reálnom procese. Ďalej, či možno automatizovať aj okolité kroky, výnimky, komunikáciu a zodpovednosť. A napokon, čo firma urobí s ušetreným časom: zníži počet ľudí, zvýši produkciu, zmení službu alebo vytvorí nové úlohy.

Aktuálny globálny index ILO a NASK z roku 2025 odhadol, že približne štvrtina pracovných miest je potenciálne vystavená generatívnej AI, no za pravdepodobnejší celkový výsledok označil transformáciu práce, nie úplné nahradenie. Administratívne povolania majú vysokú expozíciu, zároveň však aj pri nich zostávajú úlohy vyžadujúce ľudské zapojenie. Prehľad empirických dôkazov ILO z roku 2026 zatiaľ nachádza reálne, ale nerovnomerné prínosy produktivity a obmedzené veľkoplošné vytláčanie pracovných miest.

To nie je dôvod na uspokojenie. Dopad môže byť bolestivý pre konkrétne profesie, regióny a začínajúcich pracovníkov; môže zhoršiť kvalitu práce alebo posilniť dohľad. Zároveň môže dopĺňať odborníkov a sprístupniť schopnosti menším tímom. Poctivá diskusia teda nestojí medzi „nič sa nezmení“ a „nikto nebude pracovať“. Sleduje úlohy, prechody, rozdelenie prínosov a kvalitu pracovných miest. Podrobný rozbor patrí do kapitoly 11 - AI a budúcnosť práce.

Mýtus č. 11: AI je nehmotná a jej používanie nič nestojí

• Tréning aj prevádzka modelov potrebujú čipy, dátové centrá, elektrinu, chladenie, sieť a ľudskú prácu.
• Cena jednej interakcie môže klesať, zatiaľ čo celková spotreba rastie s množstvom používateľov a úloh.
• Environmentálny dopad závisí od modelu, hardvéru, miesta, zdroja energie a spôsobu použitia.

Digitálny výstup pôsobí nehmotne, no vzniká na fyzickej infraštruktúre. Tréning veľkého modelu vyžaduje množstvo výpočtov a jeho každodenné používanie - inferencia - sa opakuje pri každej požiadavke. Dátové centrá potrebujú servery, akcelerátory, sieťové prvky, chladenie a stabilné napájanie. Dodávateľský reťazec zahŕňa výrobu čipov, výstavbu a údržbu zariadení.

Medzinárodná energetická agentúra v roku 2026 uviedla, že globálna spotreba elektriny dátových centier vzrástla v roku 2025 o 17 % a v jej centrálnom scenári sa do roku 2030 približne zdvojnásobí. AI nie je jedinou záťažou dátových centier, no je významným motorom rastu výkonných serverov. Súčasne prudko rastie efektívnosť výpočtu a AI môže pomáhať optimalizovať energetické systémy. Jednoduché tvrdenie „jedna otázka spotrebuje presne X“ bez informácií o modeli a infraštruktúre preto býva zavádzajúce.

Ekonomická cena zahŕňa aj dáta, odborníkov, hodnotiteľov, bezpečnostné testy a integráciu. Bezplatné používateľské rozhranie neznamená nulové náklady; náklady znáša poskytovateľ, investor, reklama alebo iný obchodný model. Pri rozhodovaní o použití má zmysel porovnať hodnotu úlohy s celkovými nákladmi a zvoliť najmenší dostatočný systém.

Mýtus č. 12: Text vytvorený AI sa dá vždy spoľahlivo odhaliť

• Detektory odhadujú pravdepodobnosť podľa štatistických znakov; nevidia skutočný pôvod textu.
• Produkujú falošne pozitívne aj falošne negatívne výsledky a dajú sa obísť úpravou textu.
• Skóre detektora nemá byť jediným dôkazom podvodu alebo autorstva.

Predstava univerzálneho detektora je príťažlivá pre školy, médiá aj zamestnávateľov. Problémom je, že ľudský a strojový text nemajú stabilnú hranicu. Človek môže písať predvídateľne, model môže byť vedený k neobvyklému štýlu a výsledok môže kombinovať ľudské poznámky, generovaný návrh a rozsiahlu redakciu. S vývojom modelov sa menia aj znaky, na ktoré bol detektor nastavený.

Výskum Lianga a kolegov ukázal ďalší vážny problém: testované detektory často nesprávne označovali texty ľudí, pre ktorých angličtina nebola materinským jazykom. Dôvod súvisel s tým, že detektory používali predvídateľnosť jazyka ako signál strojového pôvodu. Jednoduchšia a menej variabilná slovná zásoba sa tak mohla zmeniť na nespravodlivé podozrenie.

Detekcia môže byť pomocný signál v širšom vyšetrovaní, nie rozsudok. Lepšia akademická prax sleduje proces tvorby, priebežné verzie, ústne vysvetlenie, prácu so zdrojmi a jasné pravidlá povoleného použitia. Pri technickom obsahu môže pomôcť kryptografický pôvod alebo značenie vytvorené pri generovaní, no ani to nepokrýva každý model a každú následnú úpravu.

Mýtus č. 13: Pôsobivá ukážka znamená pripravenosť na reálnu prevádzku

• Demonštrácia ukazuje možnosť; produkčný systém musí zvládať variabilitu, výnimky, útoky, náklady a zodpovednosť.
• Výsledok benchmarku nemusí platiť pre inú populáciu, jazyk alebo časové obdobie.
• Nasadenie vyžaduje testovanie v kontexte, monitorovanie a plán pre zlyhanie.

Ukážka býva vybraná tak, aby predstavila schopnosť čo najjasnejšie. Produkcia obsahuje neúplné vstupy, nečakané správanie používateľov, zmeny dát, konfliktné ciele a prípady, ktoré vývojový tím nevidel. Model môže byť presný v priemere, ale zlyhávať práve na zriedkavých prípadoch s najväčším dôsledkom. Integrácia môže pokaziť dobrý model nesprávnym formátom údajov alebo nevhodným prahom.

Podobný rozdiel platí medzi benchmarkom a praxou. Ak sa testovacie dáta podobajú tréningovým alebo je úloha úzko definovaná, skóre môže vyzerať výborne. V inom jazyku či inštitúcii sa rozdelenie dát zmení. Používatelia sa navyše prispôsobia: môžu sa snažiť systém obísť alebo sa naň nadmerne spoliehať. Samotný rekord preto nie je obchodný prípad ani bezpečnostná certifikácia.

NIST AI Risk Management Framework odporúča riadiť riziko počas celého životného cyklu cez funkcie govern, map, measure a manage. V praxi to znamená jasný účel, reprezentatívne testovanie, obmedzené oprávnenia, ľudský dohľad, zaznamenávanie incidentov a možnosť systém zastaviť. Pilot má overiť nielen to, či AI niekedy uspeje, ale ako často zlyhá a čo sa vtedy stane.

Mýtus č. 14: AI je hotové riešenie, ktoré stačí „zapnúť“

• Všeobecný nástroj nepozná automaticky procesy, dáta, terminológiu a toleranciu rizika konkrétnej organizácie.
• Hodnotu prináša až integrácia s kvalitným pracovným postupom, zodpovednosťou a meraním výsledku.
• Nie každá organizácia musí trénovať vlastný veľký model; často stačí bezpečne prispôsobiť existujúcu službu.

Generatívna AI znižuje vstupnú bariéru: používateľ môže začať jedným zadaním. To však nie je to isté ako spoľahlivá podniková implementácia. Model nemusí poznať interné názvoslovie, aktuálny katalóg, pravidlá prístupu ani dôvod, prečo sa výnimka rieši inak. Ak ho firma pripojí k dokumentom bez správy kvality a oprávnení, iba zrýchli šírenie neaktuálnych alebo citlivých informácií.

Projekt musí definovať konkrétnu potrebu a metriku. Skráti sa čas? Zníži chybovosť? Zvýši sa dostupnosť služby bez zhoršenia kvality? Potom treba rozhodnúť, či stačí jednoduchá automatizácia, klasický model, hotová AI služba, vyhľadávanie nad vlastnými zdrojmi alebo osobitné dolaďovanie. Nevyhnutné sú pravidlá pre citlivé dáta, testovacia sada, zodpovedný vlastník a spôsob eskalácie.

Opačným mýtom je, že AI môžu využívať iba technologickí giganti a programátori. Hotové nástroje a modely sprístupnili schopnosti jednotlivcom aj malým organizáciám. Rozdiel však zostáva medzi použitím na nízkorizikový návrh a integráciou do rozhodovania s veľkým dopadom. Dostupnosť rozhrania nezrušila potrebu odbornosti v danej doméne.

Mýtus č. 15: Vieme s istotou, kedy príde AGI - alebo že nikdy nepríde

• Neexistuje všeobecne prijatá definícia ani test AGI, preto sa predpovede často týkajú rozdielnych cieľov.
• Experti sa výrazne nezhodujú v časových odhadoch aj dôsledkoch pokročilej AI.
• Neistota nie je dôvodom na ignorovanie rizika ani na prezentovanie jednej prognózy ako faktu.

Jedna skupina verejných tvrdení oznamuje všeobecnú AI v horizonte niekoľkých rokov. Iná ju považuje za nemožnú bez úplne novej vedeckej paradigmy. Obe môžu znieť autoritatívne, ale často používajú rozdielne definície: úspech v ekonomicky hodnotných digitálnych úlohách, prekonanie človeka vo väčšine testov, autonómny vedecký výskum alebo úplný ekvivalent ľudskej mysle.

Prieskum Thousands of AI Authors on the Future of AI získal odpovede 2 778 publikujúcich výskumníkov a ukázal široké rozdelenie názorov na tempo pokroku aj možné následky. Expertný odhad je užitočná informácia o presvedčeniach odboru, nie časový cestovný poriadok. Vývoj závisí od vedeckých objavov, čipov, energie, investícií, dát, regulácie a prekážok, ktoré dnes nemusíme poznať.

Praktická stratégia nemusí čakať na vyriešenie prognózy. Organizácia sa môže pripravovať na postupné zlepšovanie modelov, nastavovať bezpečné oprávnenia, udržiavať ľudskú schopnosť kontroly a pravidelne aktualizovať hodnotenie. V spoločenskej debate možno súčasne riešiť doložené dnešné škody aj výskum menej pravdepodobných, no veľmi závažných budúcich scenárov. Presnejšiu terminológiu a argumenty prinesie kapitola 5.

Mýtus č. 16: Za výsledok zodpovedá AI, nie človek

• AI systém nemá nahradiť organizačnú, profesionálnu ani právnu zodpovednosť.
• „Človek v slučke“ má význam iba vtedy, keď rozumie úlohe, má čas, informácie a právomoc zasiahnuť.
• Zodpovednosť treba rozdeliť medzi poskytovateľa, nasadzujúcu organizáciu, používateľa a dohľad podľa ich reálneho vplyvu.

Veta „urobil to algoritmus“ môže byť pohodlným spôsobom, ako skryť sériu ľudských rozhodnutí. Niekto definoval cieľ, schválil dáta, kúpil produkt, nastavil prah, určil oprávnenia a rozhodol, že sa výstup použije. Model môže byť príčinou konkrétnej chyby, no nenesie zodpovednosť ako zamestnanec alebo právnická osoba.

Ani formálne potvrdenie človekom problém automaticky nerieši. Ak pracovník dostáva stovky odporúčaní, nepozná ich neistotu alebo je hodnotený podľa toho, či ich dodrží, jeho dohľad môže byť iba symbolický. Automatizačné skreslenie vedie ľudí k nadmernému prijímaniu strojového návrhu; algoritmická averzia ich zasa môže viesť k odmietnutiu užitočného systému po jednej chybe. Dobré rozhranie musí ukázať relevantné informácie a umožniť reálnu námietku.

UNESCO vo svojom Odporúčaní o etike AI zdôrazňuje, že AI systémy nemajú vytlačiť konečnú ľudskú zodpovednosť a zodpovedateľnosť. To neznamená, že koncový používateľ má niesť všetko. Vývojár ovplyvňuje model, poskytovateľ službu, organizácia účel nasadenia a odborník konkrétne rozhodnutie. Presné rozdelenie závisí od kontextu a práva, ale „zodpovedná AI“ bez pomenovaných zodpovedných ľudí je protirečenie.

Ako rozpoznať prehnané tvrdenie o AI

• Over, či tvrdenie pomenúva systém, úlohu, metriku, porovnanie a časové obdobie.
• Hľadaj nezávislé testy, limity, mieru chýb, náklady a podmienky prenesenia do praxe.
• Zvýš opatrnosť pri absolútnych slovách: vždy, nikdy, všetky profesie, bez chýb, úplne autonómne.

Pri novom tvrdení pomôže krátky kontrolný zoznam:

1. O ktorom systéme a verzii je reč? „AI“ je príliš široké označenie.
2. Čo presne systém urobil? Vytvoril návrh, vybral odpoveď, získal skóre alebo samostatne dokončil celý proces?
3. Na akých dátach a v akom prostredí? Laboratórny benchmark nie je automaticky reálna prevádzka.
4. S čím sa porovnával? Priemerný človek, odborník, starší model alebo žiadna alternatíva?
5. Aká je miera chýb a kto nimi trpí? Priemer môže zakryť malé skupiny s vysokým rizikom.
6. Koľko ľudskej práce zostalo mimo ukážky? Príprava, opravy a výber úspešného výstupu sa často nepočítajú.
7. Kto tvrdenie zverejnil a aký má záujem? Firemná ukážka je zdroj, nie nezávislé potvrdenie.
8. Je predpoveď prezentovaná ako scenár alebo istota? Budúci vývoj nemožno merať rovnakým spôsobom ako dnešný test.

Kritické myslenie neznamená automatické odmietnutie. Znamená primerane meniť dôveru podľa kvality dôkazov. Opakovateľný test, jasná metodika a výsledky z reálneho použitia majú väčšiu váhu než zostrihané video alebo vyjadrenie bez metriky. Rovnako však jeden neúspešný príklad nepreukazuje, že technológia nemá žiadne využitie.

Záver: medzi hype a popieraním

• AI nie je magická myseľ ani bezvýznamný automat; je to súbor výkonných, ale ohraničených technológií.
• Najbezpečnejší postoj spája experimentovanie s overovaním a jasnou zodpovednosťou.
• Mýty slabnú, keď neurčité slová nahradíme opisom systému, dát, cieľa, výkonu a dôsledkov.

Najväčšie mýty majú spoločnú štruktúru: z jednej vlastnosti urobia úplný obraz. Plynulosť sa zmení na vedomie, matematická konzistentnosť na objektivitu, expozícia úloh na zánik povolania a rast modelu na automatickú kvalitu. Opačné mýty robia to isté naruby: chyba jedného chatbota vraj dokazuje zbytočnosť celej AI a štatistický základ údajne vylučuje akúkoľvek hodnotnú schopnosť.

Vyvážený pohľad začína konkrétnosťou. Aký model alebo systém používame? Na akú úlohu? S akými dátami, nástrojmi a oprávneniami? Ako bol testovaný a čo sa stane pri chybe? Kto výstup overuje a kto nesie následky? Odpovede umožňujú využiť reálny prínos bez toho, aby sme technológii pripísali vlastnosti, ktoré nepreukázala.

Kritická AI gramotnosť teda nie je súbor zákazov. Je to schopnosť súčasne držať dve pravdy: dnešná AI dokáže veci, ktoré boli nedávno nepraktické, a stále môže zlyhať spôsobom, ktorý človek z jej sebavedomého výstupu nespozná. Na túto rovnováhu nadviaže kapitola 4 - Ako sa AI učí, ktorá vysvetlí, odkiaľ pochádzajú schopnosti modelu a prečo učenie zo vzorov prináša aj systematické limity.

Hĺbkové vysvetlenie a pedagogický seminár

Táto časť rozširuje tému najväčšie mýty o ai od základného porozumenia k samostatnej práci. Cieľom nie je zapamätať si čo najviac výrazov. Cieľ je rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom.

Pri každej úlohe sa oddeľuje odborná presnosť od jazykovej presvedčivosti. Dobrá odpoveď musí ukázať pôvod tvrdenia, podmienky platnosti a neistotu. Základné dôkazové pravidlo je: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Súčasne platí hranica: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje.

Pojmová mapa do hĺbky

1. Antropomorfizácia

človek pripisuje systému úmysel, emóciu alebo porozumenie preto, že odpoveď používa plynulý ľudský jazyk. 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 antropomorfizácia vo vzťahu k cieľu: rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia.

2. Automatizačný mýtus

predstava, že AI nahradí celé povolanie, prehliada rozdelenie práce na úlohy, zodpovednosti a sociálne vzťahy. 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 automatizačný mýtus vo vzťahu k cieľu: rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia.

3. Mýtus neomylnosti

výpočtová zložitosť a presvedčivý prejav sa zamieňajú za pravdivosť, hoci model môže reprodukovať chybu alebo vytvoriť nový omyl. 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 mýtus neomylnosti vo vzťahu k cieľu: rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia.

4. Mýtus neutrality

dáta, ciele, anotácie a prahy obsahujú hodnotové voľby, takže výstup nie je nezávislý od ľudských rozhodnutí. 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 mýtus neutrality vo vzťahu k cieľu: rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia.

5. Mýtus samostatného učenia

nasadený model sa často bez nového tréningu nemení a spätná väzba používateľa nemusí upravovať jeho váhy. 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 mýtus samostatného učenia vo vzťahu k cieľu: rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia.

6. Mýtus jednej inteligencie

výkon v texte, obraze, plánovaní alebo matematike je nerovnomerný a úspech v jednej úlohe nedokazuje všeobecnú schopnosť. 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 mýtus jednej inteligencie vo vzťahu k cieľu: rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia.

7. Mýtus bezplatnosti

rýchly výstup zakrýva náklady na dáta, infraštruktúru, kontrolu, opravy, bezpečnosť a dopad na ľudí. 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 mýtus bezplatnosti vo vzťahu k cieľu: rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia.

8. Mýtus nevyhnutnosti

technická možnosť sa vydáva za jedinú budúcnosť, hoci adopciu menia právo, cena, dôvera, organizácia a spoločenské rozhodnutia. 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 mýtus nevyhnutnosti vo vzťahu k cieľu: rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia.

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: Antropomorfizácia a Automatizačný mýtus

Pojmy antropomorfizácia a automatizačný mýtus sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: človek pripisuje systému úmysel, emóciu alebo porozumenie preto, že odpoveď používa plynulý ľudský jazyk. Druhý dopĺňa odlišnú časť obrazu: predstava, že AI nahradí celé povolanie, prehliada rozdelenie práce na úlohy, zodpovednosti a sociálne vzťahy. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 2: Automatizačný mýtus a Mýtus neomylnosti

Pojmy automatizačný mýtus a mýtus neomylnosti sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: predstava, že AI nahradí celé povolanie, prehliada rozdelenie práce na úlohy, zodpovednosti a sociálne vzťahy. Druhý dopĺňa odlišnú časť obrazu: výpočtová zložitosť a presvedčivý prejav sa zamieňajú za pravdivosť, hoci model môže reprodukovať chybu alebo vytvoriť nový omyl. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 3: Mýtus neomylnosti a Mýtus neutrality

Pojmy mýtus neomylnosti a mýtus neutrality sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: výpočtová zložitosť a presvedčivý prejav sa zamieňajú za pravdivosť, hoci model môže reprodukovať chybu alebo vytvoriť nový omyl. Druhý dopĺňa odlišnú časť obrazu: dáta, ciele, anotácie a prahy obsahujú hodnotové voľby, takže výstup nie je nezávislý od ľudských rozhodnutí. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 4: Mýtus neutrality a Mýtus samostatného učenia

Pojmy mýtus neutrality a mýtus samostatného učenia sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: dáta, ciele, anotácie a prahy obsahujú hodnotové voľby, takže výstup nie je nezávislý od ľudských rozhodnutí. Druhý dopĺňa odlišnú časť obrazu: nasadený model sa často bez nového tréningu nemení a spätná väzba používateľa nemusí upravovať jeho váhy. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 5: Mýtus samostatného učenia a Mýtus jednej inteligencie

Pojmy mýtus samostatného učenia a mýtus jednej inteligencie sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: nasadený model sa často bez nového tréningu nemení a spätná väzba používateľa nemusí upravovať jeho váhy. Druhý dopĺňa odlišnú časť obrazu: výkon v texte, obraze, plánovaní alebo matematike je nerovnomerný a úspech v jednej úlohe nedokazuje všeobecnú schopnosť. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 6: Mýtus jednej inteligencie a Mýtus bezplatnosti

Pojmy mýtus jednej inteligencie a mýtus bezplatnosti sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: výkon v texte, obraze, plánovaní alebo matematike je nerovnomerný a úspech v jednej úlohe nedokazuje všeobecnú schopnosť. Druhý dopĺňa odlišnú časť obrazu: rýchly výstup zakrýva náklady na dáta, infraštruktúru, kontrolu, opravy, bezpečnosť a dopad na ľudí. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 7: Mýtus bezplatnosti a Mýtus nevyhnutnosti

Pojmy mýtus bezplatnosti a mýtus nevyhnutnosti sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: rýchly výstup zakrýva náklady na dáta, infraštruktúru, kontrolu, opravy, bezpečnosť a dopad na ľudí. Druhý dopĺňa odlišnú časť obrazu: technická možnosť sa vydáva za jedinú budúcnosť, hoci adopciu menia právo, cena, dôvera, organizácia a spoločenské rozhodnutia. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 8: Mýtus nevyhnutnosti a Antropomorfizácia

Pojmy mýtus nevyhnutnosti a antropomorfizácia sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: technická možnosť sa vydáva za jedinú budúcnosť, hoci adopciu menia právo, cena, dôvera, organizácia a spoločenské rozhodnutia. Druhý dopĺňa odlišnú časť obrazu: človek pripisuje systému úmysel, emóciu alebo porozumenie preto, že odpoveď používa plynulý ľudský jazyk. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. 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: Sebavedomá zdravotná odpoveď

Situácia: chatbot uvedie diagnózu bez vyšetrenia a používateľ zamieňa jazykovú istotu za klinický dôkaz. 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 antropomorfizácia a mýtus neutrality. Pri prvom platí: človek pripisuje systému úmysel, emóciu alebo porozumenie preto, že odpoveď používa plynulý ľudský jazyk. Pri druhom platí: dáta, ciele, anotácie a prahy obsahujú hodnotové voľby, takže výstup nie je nezávislý od ľudských rozhodnutí. 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 rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní a súčasne rešpektovať hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Prípad 2: Automatický výber kandidátov

Situácia: firma tvrdí, že algoritmus je objektívny, no nevie vysvetliť pôvod tréningových dát ani dopad chybného zamietnutia. 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 mýtus neomylnosti a mýtus jednej inteligencie. Pri prvom platí: výpočtová zložitosť a presvedčivý prejav sa zamieňajú za pravdivosť, hoci model môže reprodukovať chybu alebo vytvoriť nový omyl. Pri druhom platí: výkon v texte, obraze, plánovaní alebo matematike je nerovnomerný a úspech v jednej úlohe nedokazuje všeobecnú schopnosť. 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 rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní a súčasne rešpektovať hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Prípad 3: Tvorba školského referátu

Situácia: žiak odovzdá plynulý text s neexistujúcimi citáciami, pretože predpokladal, že model pracuje ako databáza. 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 mýtus samostatného učenia a mýtus nevyhnutnosti. Pri prvom platí: nasadený model sa často bez nového tréningu nemení a spätná väzba používateľa nemusí upravovať jeho váhy. Pri druhom platí: technická možnosť sa vydáva za jedinú budúcnosť, hoci adopciu menia právo, cena, dôvera, organizácia a spoločenské rozhodnutia. 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 rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní a súčasne rešpektovať hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Prípad 4: Sľub úplnej produktivity

Situácia: tím nasadí generovanie reportov, ale nemeria čas opráv, duplicity ani nové kontrolné povinnosti. 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 mýtus bezplatnosti a automatizačný mýtus. Pri prvom platí: rýchly výstup zakrýva náklady na dáta, infraštruktúru, kontrolu, opravy, bezpečnosť a dopad na ľudí. Pri druhom platí: predstava, že AI nahradí celé povolanie, prehliada rozdelenie práce na úlohy, zodpovednosti a sociálne vzťahy. 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 rozpoznať najčastejšie mýty o AI, vysvetliť mechanizmus ich vzniku a nahradiť ich presnejším tvrdením použiteľným pri rozhodovaní a súčasne rešpektovať hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. 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: Antropomorfizácia v situácii automatický výber kandidátov

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: firma tvrdí, že algoritmus je objektívny, no nevie vysvetliť pôvod tréningových dát ani dopad chybného zamietnutia. Hlavný pojem má tento význam: človek pripisuje systému úmysel, emóciu alebo porozumenie preto, že odpoveď používa plynulý ľudský jazyk. 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 mýtus neomylnosti, ktorý pripomína: výpočtová zložitosť a presvedčivý prejav sa zamieňajú za pravdivosť, hoci model môže reprodukovať chybu alebo vytvoriť nový omyl. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 2: Automatizačný mýtus v situácii tvorba školského referátu

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: žiak odovzdá plynulý text s neexistujúcimi citáciami, pretože predpokladal, že model pracuje ako databáza. Hlavný pojem má tento význam: predstava, že AI nahradí celé povolanie, prehliada rozdelenie práce na úlohy, zodpovednosti a sociálne vzťahy. 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 mýtus jednej inteligencie, ktorý pripomína: výkon v texte, obraze, plánovaní alebo matematike je nerovnomerný a úspech v jednej úlohe nedokazuje všeobecnú schopnosť. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 3: Mýtus neomylnosti v situácii sľub úplnej produktivity

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: tím nasadí generovanie reportov, ale nemeria čas opráv, duplicity ani nové kontrolné povinnosti. Hlavný pojem má tento význam: výpočtová zložitosť a presvedčivý prejav sa zamieňajú za pravdivosť, hoci model môže reprodukovať chybu alebo vytvoriť nový omyl. 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 antropomorfizácia, ktorý pripomína: človek pripisuje systému úmysel, emóciu alebo porozumenie preto, že odpoveď používa plynulý ľudský jazyk. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 4: Mýtus neutrality v situácii sebavedomá zdravotná odpoveď

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: chatbot uvedie diagnózu bez vyšetrenia a používateľ zamieňa jazykovú istotu za klinický dôkaz. Hlavný pojem má tento význam: dáta, ciele, anotácie a prahy obsahujú hodnotové voľby, takže výstup nie je nezávislý od ľudských rozhodnutí. 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 mýtus neutrality, ktorý pripomína: dáta, ciele, anotácie a prahy obsahujú hodnotové voľby, takže výstup nie je nezávislý od ľudských rozhodnutí. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 5: Mýtus samostatného učenia v situácii automatický výber kandidátov

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: firma tvrdí, že algoritmus je objektívny, no nevie vysvetliť pôvod tréningových dát ani dopad chybného zamietnutia. Hlavný pojem má tento význam: nasadený model sa často bez nového tréningu nemení a spätná väzba používateľa nemusí upravovať jeho váhy. 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 mýtus bezplatnosti, ktorý pripomína: rýchly výstup zakrýva náklady na dáta, infraštruktúru, kontrolu, opravy, bezpečnosť a dopad na ľudí. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 6: Mýtus jednej inteligencie v situácii tvorba školského referátu

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: žiak odovzdá plynulý text s neexistujúcimi citáciami, pretože predpokladal, že model pracuje ako databáza. Hlavný pojem má tento význam: výkon v texte, obraze, plánovaní alebo matematike je nerovnomerný a úspech v jednej úlohe nedokazuje všeobecnú schopnosť. 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 automatizačný mýtus, ktorý pripomína: predstava, že AI nahradí celé povolanie, prehliada rozdelenie práce na úlohy, zodpovednosti a sociálne vzťahy. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 7: Mýtus bezplatnosti v situácii sľub úplnej produktivity

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: tím nasadí generovanie reportov, ale nemeria čas opráv, duplicity ani nové kontrolné povinnosti. Hlavný pojem má tento význam: rýchly výstup zakrýva náklady na dáta, infraštruktúru, kontrolu, opravy, bezpečnosť a dopad na ľudí. 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 mýtus samostatného učenia, ktorý pripomína: nasadený model sa často bez nového tréningu nemení a spätná väzba používateľa nemusí upravovať jeho váhy. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 8: Mýtus nevyhnutnosti v situácii sebavedomá zdravotná odpoveď

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: chatbot uvedie diagnózu bez vyšetrenia a používateľ zamieňa jazykovú istotu za klinický dôkaz. Hlavný pojem má tento význam: technická možnosť sa vydáva za jedinú budúcnosť, hoci adopciu menia právo, cena, dôvera, organizácia a spoločenské rozhodnutia. 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 mýtus nevyhnutnosti, ktorý pripomína: technická možnosť sa vydáva za jedinú budúcnosť, hoci adopciu menia právo, cena, dôvera, organizácia a spoločenské rozhodnutia. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 9: Antropomorfizácia v situácii automatický výber kandidátov

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: firma tvrdí, že algoritmus je objektívny, no nevie vysvetliť pôvod tréningových dát ani dopad chybného zamietnutia. Hlavný pojem má tento význam: človek pripisuje systému úmysel, emóciu alebo porozumenie preto, že odpoveď používa plynulý ľudský jazyk. 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 mýtus neomylnosti, ktorý pripomína: výpočtová zložitosť a presvedčivý prejav sa zamieňajú za pravdivosť, hoci model môže reprodukovať chybu alebo vytvoriť nový omyl. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 10: Automatizačný mýtus v situácii tvorba školského referátu

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: žiak odovzdá plynulý text s neexistujúcimi citáciami, pretože predpokladal, že model pracuje ako databáza. Hlavný pojem má tento význam: predstava, že AI nahradí celé povolanie, prehliada rozdelenie práce na úlohy, zodpovednosti a sociálne vzťahy. 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 mýtus jednej inteligencie, ktorý pripomína: výkon v texte, obraze, plánovaní alebo matematike je nerovnomerný a úspech v jednej úlohe nedokazuje všeobecnú schopnosť. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 11: Mýtus neomylnosti v situácii sľub úplnej produktivity

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: tím nasadí generovanie reportov, ale nemeria čas opráv, duplicity ani nové kontrolné povinnosti. Hlavný pojem má tento význam: výpočtová zložitosť a presvedčivý prejav sa zamieňajú za pravdivosť, hoci model môže reprodukovať chybu alebo vytvoriť nový omyl. 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 antropomorfizácia, ktorý pripomína: človek pripisuje systému úmysel, emóciu alebo porozumenie preto, že odpoveď používa plynulý ľudský jazyk. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 12: Mýtus neutrality v situácii sebavedomá zdravotná odpoveď

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: chatbot uvedie diagnózu bez vyšetrenia a používateľ zamieňa jazykovú istotu za klinický dôkaz. Hlavný pojem má tento význam: dáta, ciele, anotácie a prahy obsahujú hodnotové voľby, takže výstup nie je nezávislý od ľudských rozhodnutí. 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 mýtus neutrality, ktorý pripomína: dáta, ciele, anotácie a prahy obsahujú hodnotové voľby, takže výstup nie je nezávislý od ľudských rozhodnutí. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 13: Mýtus samostatného učenia v situácii automatický výber kandidátov

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: firma tvrdí, že algoritmus je objektívny, no nevie vysvetliť pôvod tréningových dát ani dopad chybného zamietnutia. Hlavný pojem má tento význam: nasadený model sa často bez nového tréningu nemení a spätná väzba používateľa nemusí upravovať jeho váhy. 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 mýtus bezplatnosti, ktorý pripomína: rýchly výstup zakrýva náklady na dáta, infraštruktúru, kontrolu, opravy, bezpečnosť a dopad na ľudí. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 14: Mýtus jednej inteligencie v situácii tvorba školského referátu

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: žiak odovzdá plynulý text s neexistujúcimi citáciami, pretože predpokladal, že model pracuje ako databáza. Hlavný pojem má tento význam: výkon v texte, obraze, plánovaní alebo matematike je nerovnomerný a úspech v jednej úlohe nedokazuje všeobecnú schopnosť. 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 automatizačný mýtus, ktorý pripomína: predstava, že AI nahradí celé povolanie, prehliada rozdelenie práce na úlohy, zodpovednosti a sociálne vzťahy. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 15: Mýtus bezplatnosti v situácii sľub úplnej produktivity

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: tím nasadí generovanie reportov, ale nemeria čas opráv, duplicity ani nové kontrolné povinnosti. Hlavný pojem má tento význam: rýchly výstup zakrýva náklady na dáta, infraštruktúru, kontrolu, opravy, bezpečnosť a dopad na ľudí. 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 mýtus samostatného učenia, ktorý pripomína: nasadený model sa často bez nového tréningu nemení a spätná väzba používateľa nemusí upravovať jeho váhy. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 16: Mýtus nevyhnutnosti v situácii sebavedomá zdravotná odpoveď

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: chatbot uvedie diagnózu bez vyšetrenia a používateľ zamieňa jazykovú istotu za klinický dôkaz. Hlavný pojem má tento význam: technická možnosť sa vydáva za jedinú budúcnosť, hoci adopciu menia právo, cena, dôvera, organizácia a spoločenské rozhodnutia. 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 mýtus nevyhnutnosti, ktorý pripomína: technická možnosť sa vydáva za jedinú budúcnosť, hoci adopciu menia právo, cena, dôvera, organizácia a spoločenské rozhodnutia. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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: každé silné tvrdenie o schopnosti alebo riziku treba overiť na konkrétnej verzii systému, úlohe, dátach a podmienkach použitia. Nakoniec skontrolujte hranicu: vyvrátenie prehnaného tvrdenia neznamená, že opačné tvrdenie je automaticky pravdivé alebo že riziko neexistuje. 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 register mýtov s pôvodným tvrdením, dôkazmi, opravenou formuláciou, dôsledkom omylu a vhodným testom. 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

• Zoznam uprednostňuje primárne výskumné práce a materiály medzinárodných alebo verejných odborných inštitúcií.
• Prognózy sú uvádzané ako neisté odhady; empirické výsledky sú viazané na skúmané modely, dáta a obdobie.
• Online zdroje boli naposledy overené 18. augusta 2026.

1. NIST (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile.
2. NIST (2023). Artificial Intelligence Risk Management Framework 1.0.
3. NIST (2022). Towards a Standard for Identifying and Managing Bias in Artificial Intelligence.
4. Buolamwini, J.; Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification.
5. Bender, E. M.; Gebru, T.; McMillan-Major, A.; Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?.
6. Ouyang, L. a kol. (2022). Training Language Models to Follow Instructions with Human Feedback.
7. Butlin, P. a kol. (2026). Identifying Indicators of Consciousness in AI Systems.
8. Liang, W. a kol. (2023). GPT Detectors Are Biased Against Non-Native English Writers.
9. ILO; NASK (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure.
10. Merola, R. a kol.; ILO (2026). The Impact of GenAI on Jobs, Productivity and Work Organization: A Review of the Empirical Evidence.
11. ILO (2025). Artificial Intelligence Adoption and Its Impact on Jobs.
12. International Energy Agency (2025). Energy and AI.
13. International Energy Agency (2026). Key Questions on Energy and AI.
14. Grace, K. a kol. (2024; aktualizovaná verzia). Thousands of AI Authors on the Future of AI.
15. UNESCO (2021). Recommendation on the Ethics of Artificial Intelligence.
16. OECD (2024). Explanatory Memorandum on the Updated OECD Definition of an AI System.
17. Európska komisia (2025). Guidelines on the Definition of an Artificial Intelligence System.
18. Bommasani, R. a kol. (2021). On the Opportunities and Risks of Foundation Models.