Ako sa AI učí

• Učenie AI znamená úpravu modelu podľa dát, chýb alebo spätnej väzby, nie získavanie ľudskej skúsenosti či vedomia.
• Výsledok formujú tréningové príklady, cieľová funkcia, architektúra, optimalizácia a rozhodnutia ľudí.
• Skutočným cieľom nie je zapamätať si tréningové dáta, ale spoľahlivo zovšeobecniť naučené vzory na nové prípady.

Keď povieme, že sa umelá inteligencia „učí“, môže to vyvolať obraz dieťaťa, ktoré pozoruje svet, pýta sa, vytvára si pojmy a postupne chápe súvislosti. Strojové učenie funguje inak. Model dostáva dáta alebo skúsenosti vo formáte, ktorý vie spracovať, vytvára výstupy a pomocou matematického signálu upravuje svoje parametre. Učenie je teda riadená zmena výpočtového systému, nie automatický vznik ľudskej mysle.

Základný princíp sa dá opísať bez rovníc. Model urobí odhad. Tréningový proces zmeria, ako veľmi sa odhad líši od požadovaného výsledku alebo cieľa. Optimalizačný algoritmus mierne zmení parametre smerom, ktorý by mal chybu zmenšiť. Tento cyklus sa opakuje na veľkom množstve príkladov. Výsledkom nie je databáza všetkých odpovedí, ale nastavenie modelu zachytávajúce pravidelnosti v dátach.

Nie všetky AI systémy sa učia. Klasický expertný systém môže používať znalosti a pravidlá zapísané odborníkmi. Táto kapitola sa venuje najmä strojovému učeniu, ktoré dnes tvorí základ väčšiny rozpoznávacích a generatívnych systémov. Základné typy algoritmov a metrík samostatne vysvetlí kapitola 6 - Strojové učenie jednoducho, zatiaľ čo cesta od prototypu k hotovému modelu bude predmetom kapitoly 10 - Ako vznikajú AI modely.

Čo presne znamená „naučiť sa“

• Model sa učí vtedy, keď sa jeho výkon mení na základe dát alebo skúsenosti.
• Učenie upravuje parametre; programátori pritom stále určujú architektúru, cieľ a tréningový postup.
• Zlepšenie na tréningových príkladoch ešte neznamená zlepšenie v reálnom svete.

Tradičný program obsahuje pravidlá, ktoré vývojár zapísal priamo. Pri kalkulačke je presne určené, ako sa vykoná sčítanie. Pri strojovom učení programátor zvyčajne nezapisuje všetky pravidlá rozpoznania. Namiesto toho pripraví spôsob, akým model nájde vzťah medzi vstupom a želaným výstupom. Model sa napríklad učí rozlišovať podvodné transakcie z historických príkladov, nie zo zoznamu všetkých možných podvodov.

Formálne definície zdôrazňujú tri prvky: úlohu, skúsenosť a mieru výkonu. Systém sa učí, ak sa jeho výkon v určitej úlohe zlepšuje so skúsenosťou. Táto veta je užitočná, pretože núti spresniť nejasné tvrdenie. Úlohou môže byť klasifikácia e-mailu, skúsenosťou sú označené správy a výkonom napríklad podiel správ správne zachytených pri prijateľnom počte omylov.

Parametre sú nastaviteľné numerické hodnoty vo vnútri modelu. Pri lineárnom modeli ich môže byť niekoľko; pri neurónovej sieti milióny alebo miliardy. Hyperparametre sú nastavenia tréningu alebo architektúry - napríklad rýchlosť učenia, počet vrstiev či sila regularizácie - ktoré sa zvyčajne vyberajú mimo samotnej optimalizácie. Ani veľké množstvo parametrov neznamená, že každý z nich predstavuje konkrétny fakt alebo pojem.

Rozhodujúci je výkon na nových prípadoch. Ak sa model naučí presné odpovede tréningového testu, ale zlyhá pri nových údajoch, nenaučil sa užitočné pravidlo. Naučil sa príliš špecifické detaily. Strojové učenie preto nie je iba optimalizácia tréningovej chyby; je to hľadanie vzoru, ktorý sa prenesie za hranice dát použitých na tréning.

Dáta sú skúsenosťou modelu

• Tréningový dataset určuje, ktoré situácie model vidí a ktoré zostanú neznáme.
• Príklad sa skladá zo vstupných údajov a pri učení s učiteľom aj z požadovaného označenia alebo hodnoty.
• Množstvo dát nepomôže, ak sú nereprezentatívne, chybné, zastarané alebo spojené s nesprávnym cieľom.

Pre model sú dáta dostupnou skúsenosťou. Obrazový systém dostáva pixely, jazykový model tokeny, prediktívny model numerické a kategóriové premenné. Pred tréningom sa údaje čistia, prevádzajú do vhodného formátu, niekedy anonymizujú a rozdeľujú. Pri klasickom strojovom učení vývojári často vytvárajú príznaky - merateľné vlastnosti, ktoré by mohli súvisieť s cieľom. Pri hlbokom učení sa časť užitočných reprezentácií učí priamo zo surovejších dát.

Pri učení s učiteľom má každý príklad vstup a cieľ. E-mail je vstup a označenie spam/nie spam cieľ. Fotografia je vstup a názov objektu cieľ. Pri regresii je cieľom číselná hodnota, napríklad spotreba energie. Označenia môžu pochádzať od odborníkov, pracovníkov, používateľského správania, senzorov alebo existujúcich evidencií. Každý zdroj prináša chyby a hodnotové rozhodnutia.

Dataset nie je neutrálne okno do reality. Je výberom z reality. Ak obsahuje hlavne kvalitné denné fotografie, model nemusí rozpoznávať objekty v tme. Ak sa cieľ odvodí zo starého rozhodovania organizácie, model sa učí napodobňovať aj jeho nedostatky. Ak chýbajú zriedkavé, no kritické prípady, vysoká priemerná presnosť môže zakryť nebezpečnú slepú škvrnu.

Viac dát môže pomôcť, ale dôležitá je rozmanitosť, relevantnosť, pôvod a kvalita. Duplikáty môžu vytvoriť falošný dojem množstva. Nesprávne štítky vnášajú šum. Citlivé alebo neoprávnene získané údaje prinášajú právne a etické problémy. Preto je správa dát rovnako dôležitá ako výber algoritmu.

Tréning, validácia, testovanie a inferencia

• Tréningové dáta upravujú parametre modelu; validačné pomáhajú vyberať nastavenia; testovacie slúžia na záverečný nezávislý odhad.
• Testovacia sada nesmie tajne ovplyvňovať vývoj, inak prestáva byť nezávislá.
• Inferencia je používanie natrénovaného modelu, nie ďalší tréning.

Dataset sa bežne delí na tri časti. Tréningová sada je materiál, na ktorom sa parametre priamo upravujú. Validačná sada pomáha porovnávať varianty, nastavovať hyperparametre a rozhodnúť, kedy tréning zastaviť. Testovacia sada sa má použiť až po výbere modelu, aby poskytla čo najnezávislejší odhad výkonu na nevidených dátach. Túto logiku podrobne opisuje otvorená kapitola Machine Learning Basics.

Ak vývojový tím opakovane kontroluje test a podľa výsledku mení model, test sa nepriamo stáva súčasťou tréningu. Výkon sa prispôsobí konkrétnemu benchmarku a číslo začne byť optimistické. Rovnaký problém vzniká, keď sa testovacie príklady dostanú do tréningových dát - ide o únik dát. Pri časových údajoch môže byť únikom aj použitie informácie z budúcnosti na predpovedanie minulosti.

Po dokončení tréningu sa model nasadí a vykonáva inferenciu. Dostane nový vstup a vypočíta výstup podľa naučených parametrov. Keď chatbot odpovedá, zvyčajne sa v tom okamihu nemenia všetky váhy jeho základného modelu. Môže pracovať s kontextom rozhovoru, externou pamäťou alebo vyhľadávaním, ale tieto mechanizmy nie sú automaticky tréningom.

Rozlíšenie je praktické aj pre súkromie. To, že služba použije text ako aktuálny vstup, ešte nehovorí, či ho uloží alebo neskôr použije na zlepšenie modelu. Tieto pravidlá závisia od konkrétneho produktu, účtu a nastavenia. Používateľ má overovať dokumentáciu služby, nie vyvodzovať politiku spracovania dát zo všeobecnej predstavy, že „AI sa učí“.

Cieľová funkcia: čo model považuje za úspech

• Model optimalizuje matematicky vyjadrený cieľ, nie neurčitú predstavu toho, čo je dobré.
• Stratová funkcia meria chybu; jej voľba určuje, ktoré omyly tréning zvýrazňuje.
• Nesprávne zvolená náhrada cieľa môže viesť k technicky úspešnému, ale prakticky škodlivému správaniu.

Na učenie nestačia dáta; systém potrebuje signál, podľa ktorého rozlíši lepší a horší stav. Stratová funkcia priradí výstupu číslo vyjadrujúce chybu. Pri predikcii ceny môže trestať rozdiel medzi odhadom a skutočnou cenou. Pri klasifikácii môže penalizovať nízku pravdepodobnosť správnej triedy. Tréning sa snaží priemernú stratu znižovať.

To, čo sa ľahko meria, však nemusí byť skutočný cieľ. Odporúčací systém môže optimalizovať kliknutia, hoci organizácia chce dlhodobú spokojnosť. Model prijímania môže predpovedať minulé rozhodnutia, hoci cieľom má byť budúci pracovný výkon. Ak metrika nezachytí dôležitý dôsledok, model ho nemá dôvod zohľadniť.

Rozdielne chyby môžu mať rozdielnu cenu. Pri detekcii choroby môže byť prehliadnutie prípadu závažnejšie než zbytočné odporúčanie ďalšieho testu. Pri spamovom filtri môže byť strata dôležitého e-mailu horšia než prepustenie jednej reklamy. Stratová funkcia, prah rozhodnutia a metrika preto musia odrážať kontext, nie iba pohodlný technický štandard.

Model navyše môže nájsť skratku, ktorú tvorca neočakával. Ak sa cieľ dá dosiahnuť využitím náhodnej značky v dátach, systém sa môže naučiť značku namiesto podstatnej vlastnosti. Tento jav sa niekedy označuje ako špecifikácia nesprávneho cieľa alebo učenie skratky. Vyššie skóre potom neznamená lepšie pochopenie problému.

Optimalizácia: malé zmeny opakované miliónkrát

• Optimalizačný algoritmus hľadá parametre, ktoré znižujú stratu na tréningových dátach.
• Gradient ukazuje smer najrýchlejšej lokálnej zmeny; rýchlosť učenia určuje veľkosť kroku.
• Tréning je iteratívny a výsledok ovplyvňujú počiatočné hodnoty, poradie dát aj výpočtové obmedzenia.

Predstavme si krajinu kopcov a údolí, kde výška predstavuje chybu. Cieľom je dostať sa čo najnižšie. Gradient opisuje lokálny sklon; gradientný zostup urobí krok opačným smerom. Pri modeli s miliónmi parametrov nejde o skutočnú krajinu, ale o mnohorozmerný priestor. Intuícia však zostáva: zmeriame, ako by malé zmeny parametrov ovplyvnili stratu, a upravíme ich.

Pri veľkom datasete by výpočet presného gradientu zo všetkých príkladov pri každom kroku bol drahý. Stochastický gradientný zostup a jeho varianty používajú malé náhodné dávky, mini-batches. Odhad je hlučnejší, ale umožňuje robiť veľa efektívnych krokov a využívať paralelný hardvér. Učebnica Deep Learning ho uvádza ako základný mechanizmus tréningu hlbokých modelov.

Kľúčový hyperparameter je rýchlosť učenia. Príliš veľký krok môže preskakovať dobré riešenia alebo tréning destabilizovať; príliš malý predlžuje výpočet a môže uviaznuť v nevhodnej oblasti. Moderné optimalizátory menia veľkosť krokov pre jednotlivé parametre a počas tréningu. Vývojári sledujú krivky straty, validačný výkon a stabilitu.

Optimalizácia nezaručuje jediné dokonalé riešenie. Hlboké siete majú zložitú krajinu možných parametrov a rôzne tréningové behy môžu skončiť v odlišných bodoch. Dôležité je nájsť riešenie, ktoré funguje dostatočne dobre na nových dátach, nie filozoficky „správnu“ vnútornú reprezentáciu.

Ako sa učí neurónová sieť: spätné šírenie chyby

• Dopredný priechod vytvorí predikciu; stratová funkcia zmeria chybu; spätný priechod vypočíta príspevok jednotlivých váh.
• Backpropagation je efektívny výpočet gradientov, nie samostatná inteligencia ani biologická kópia mozgu.
• Optimalizátor použije vypočítané gradienty na aktualizáciu parametrov.

Neurónová sieť skladá množstvo jednoduchých matematických transformácií do vrstiev. Pri doprednom priechode vstup prejde sieťou a vznikne výstup. Ak je úlohou rozpoznať obrázok, posledná vrstva môže prideliť pravdepodobnosti kategóriám. Stratová funkcia porovná predikciu s cieľom.

Potom prichádza spätné šírenie chyby, backpropagation. Pomocou reťazového pravidla z diferenciálneho počtu efektívne určí, ako každá operácia a váha prispela ku konečnej chybe. Informácia sa šíri výpočtovým grafom od výstupu smerom k vstupu. Optimalizátor následne váhy mierne zmení. Pôvodná vplyvná demonštrácia učenia vnútorných reprezentácií od Rumelharta, Hintona a Williamsa vyšla v časopise Nature v roku 1986.

Názov môže mylne naznačovať, že sieť najprv „premýšľa“ a potom si uvedomí chybu. V skutočnosti ide o automatické derivovanie matematických operácií. Ani umelý neurón nie je vernou simuláciou biologickej bunky. Neurónové siete sú inšpirované myšlienkou prepojených jednotiek, no dnešný tréning je inžiniersky a matematický systém.

Milióny až bilióny aktualizácií môžu vytvoriť reprezentácie užitočné pre obraz, jazyk či zvuk. Vývojár pritom spravidla neurčí, ktorý konkrétny vnútorný prvok má reprezentovať určitý pojem. Reprezentácia je rozložená medzi mnoho parametrov, čo prispieva k výkonu aj k ťažšej vysvetliteľnosti.

Učenie s učiteľom

• Model sa učí z dvojíc vstup - správny cieľ.
• Je vhodné pre klasifikáciu a regresiu, ak existujú kvalitné označenia.
• Náklady a chyby označovania môžu byť väčším problémom než samotný algoritmus.

Pri supervised learning dostáva model príklady spolu s požadovanými odpoveďami. Klasifikácia priraďuje kategóriu: spam, druh rastliny, typ poruchy. Regresia predpovedá číselnú hodnotu: cenu, čas alebo spotrebu. Model sa učí mapovanie medzi vstupnými vlastnosťami a cieľom.

Výhodou je jasný tréningový signál a relatívne priamočiare vyhodnotenie. Nevýhodou je potreba označených dát. Pri bežných fotografiách môže štítok vytvoriť vyškolený pracovník; pri medicínskej snímke treba odborníka a niekedy ani odborníci nesúhlasia. Označenie môže byť subjektívne, neúplné alebo odvodené z nedokonalej administratívnej evidencie.

Model sa tiež môže naučiť iba to, čo označenie zachytáva. Ak cieľ „úspešný zamestnanec“ nahradíme údajom „dostal v minulosti povýšenie“, učíme sa organizačné rozhodnutie, nie čistú kvalitu práce. Pred začiatkom tréningu je preto potrebné preskúmať, či cieľová premenná skutočne reprezentuje zamýšľaný jav.

Učenie bez učiteľa

• Model hľadá štruktúru v dátach, ktoré nemajú vopred priradenú správnu odpoveď.
• Typickými úlohami sú zhlukovanie, znižovanie rozmernosti a odhaľovanie nezvyčajných prípadov.
• Nájdený vzor je štatistická pravidelnosť; jeho význam musí posúdiť človek v kontexte.

Pri učení bez učiteľa - unsupervised learning - nepoznáme pri každom príklade cieľovú kategóriu ani hodnotu. Algoritmus dostane napríklad údaje o správaní zákazníkov a hľadá skupiny podobných profilov. Môže tiež zhustiť stovky premenných do menšieho počtu reprezentácií alebo upozorniť na pozorovania, ktoré sa výrazne odlišujú od väčšiny.

Pri zhlukovaní algoritmus rozdelí príklady podľa matematickej podobnosti. Výsledná skupina však sama osebe nie je „segment lojálnych zákazníkov“ ani „riziková skupina“. Takýto názov je ľudská interpretácia založená na vlastnostiach členov zhluku a na účele analýzy. Iný spôsob merania vzdialenosti, iný počet zhlukov alebo iná vzorka môžu viesť k odlišnému rozdeleniu.

Znižovanie rozmernosti sa snaží zachovať dôležitú štruktúru pri menšom počte premenných. Pomáha pri vizualizácii, kompresii či príprave dát pre ďalší model. Detekcia anomálií zasa hľadá nezvyčajné prípady, napríklad odchýlku v senzore alebo neobvyklú transakciu. Nezvyčajnosť nie je dôkazom podvodu či poruchy; je signálom na ďalšie preverenie.

Učenie bez učiteľa je užitočné pri objavovaní hypotéz, no neposkytuje automatické kauzálne vysvetlenie. Ak sa dve vlastnosti často objavujú spolu, model odhalil asociáciu. Nevie z nej bez ďalšieho výskumu určiť, či jedna spôsobuje druhú, či majú spoločnú príčinu alebo ide o náhodu. Rozdiel medzi štatistickým vzorom a vysvetlením je jednou z hraníc AI, ku ktorým sa vráti kapitola 9 - Kde AI funguje a kde zlyháva.

Samoučenie a predtrénovanie

• Pri samoučení sa tréningový cieľ vytvára priamo z neoznačených dát, napríklad skrytím časti vstupu.
• Model sa najprv predtrénuje na širokej úlohe a potom sa prispôsobí konkrétnemu použitiu.
• Predpovedanie chýbajúcej alebo nasledujúcej časti vedie k užitočným reprezentáciám, nie k zaručenému pochopeniu či pravdivosti.

Ručné označovanie miliárd viet, obrázkov alebo zvukových záznamov by bolo nepraktické. Samoučenie, self-supervised learning, využíva dáta na vytvorenie vlastného cvičenia. V texte možno časť slov skryť a žiadať model, aby ich doplnil, alebo mu dať predpovedať nasledujúci token. V obraze možno zakryť výrez, porovnávať rôzne úpravy toho istého záberu alebo rekonštruovať poškodený vstup.

„Self-supervised“ neznamená, že si systém sám slobodne vybral, čo sa chce naučiť. Ľudia navrhli architektúru, tréningový cieľ, zdroje dát aj pravidlá optimalizácie. Samotné dáta však poskytujú obrovské množstvo tréningových dvojíc bez toho, aby človek označil každú z nich. Táto zmena bola dôležitým predpokladom dnešných základných a generatívnych modelov.

Pri jazykovom modeli vstupný text pozostáva z tokenov - slov, častí slov, interpunkcie či iných jednotiek. Model dostane predchádzajúce tokeny a učí sa rozdelenie pravdepodobnosti toho nasledujúceho. Aby bol v tejto úlohe úspešný, musí zachytiť gramatiku, štýl, vzťahy medzi pojmami a množstvo pravidelností prítomných v texte. Práca o prvom modeli GPT ukázala, ako možno generatívne predtrénovanie preniesť na rôzne jazykové úlohy.

Výsledkom širokého tréningu je predtrénovaný model. Ten sa môže prispôsobiť menšiemu datasetu, inštrukciám alebo novému rozhraniu. Stanfordská správa zaviedla pre takto široko použiteľné modely pojem foundation models: jeden model môže byť základom množstva nadväzujúcich aplikácií. To vysvetľuje rozsah generatívnej AI, ktorej praktické použitie rozoberie kapitola 7 - Generatívna AI v praxi.

Tréning na predpovedanie tokenov však priamo neoptimalizuje pravdivosť, citovanie zdrojov ani bezpečnosť každej odpovede. Model sa učí, čo je vzhľadom na dáta pravdepodobné. Plynulá veta preto môže obsahovať omyl. Ďalšie fázy tréningu a aplikačné kontroly správanie zlepšujú, ale základný rozdiel medzi pravdepodobnosťou textu a overenou pravdou nezaniká.

Učenie posilňovaním

• Agent volí akcie, dostáva odmenu a učí sa stratégiu, ktorá maximalizuje očakávaný dlhodobý výsledok.
• Odmena môže prísť neskoro, preto treba určiť, ktoré skoršie rozhodnutia k nej prispeli.
• Zle navrhnutá odmena môže podporiť neželané skratky namiesto zamýšľaného správania.

Pri učení posilňovaním, reinforcement learning, sa agent opakovane stretáva s prostredím. Pozoruje stav, vyberie akciu, prostredie sa zmení a agent dostane odmenu alebo trest. Učí sa politiku - pravidlo výberu akcií - s cieľom dosiahnuť čo najvyššiu očakávanú odmenu v čase. Klasický rámec systematicky vysvetľujú Sutton a Barto v otvorenej učebnici Reinforcement Learning: An Introduction.

Na rozdiel od učenia s učiteľom agent pri každom kroku nemusí dostať správnu odpoveď. V hre sa môže až po desiatkach ťahov dozvedieť, či vyhral. V riadení spotreby sa dôsledok rozhodnutia prejaví neskôr. Priradenie zásluhy rieši, ktoré skoršie akcie viedli ku konečnému výsledku. Agent zároveň balansuje medzi využitím známej dobrej stratégie a skúšaním neznámych možností - medzi exploitation a exploration.

Hlboké učenie posilňovaním spája neurónové siete s týmto rámcom. Významná práca ukázala, že systém sa dokáže učiť hry Atari z pixelov a herného skóre. Podobné princípy sa používajú v hrách, simulovanom riadení, robotike, logistike či optimalizácii zdrojov. Tréning v reálnom svete však môže byť drahý alebo nebezpečný, preto sa často používa simulácia a obmedzené testovanie.

Odmena je formálny zástupca cieľa. Ak neúplne zachytáva skutočný zámer, agent môže objaviť spôsob, ako získať vysoké skóre bez želaného výsledku - jav známy ako reward hacking. Systém napríklad maximalizuje počet vyriešených požiadaviek tým, že ich predčasne uzatvára. Nejde o ľstivý úmysel; ide o dôsledok optimalizácie presne toho signálu, ktorý dostal.

Učenie z ľudskej spätnej väzby

• Ľudia môžu hodnotiť výstupy a ukázať, ktoré odpovede lepšie zodpovedajú požadovanému správaniu.
• Preferencie sa dajú použiť na vytvorenie modelu odmeny a následné prispôsobenie jazykového modelu.
• Ľudská spätná väzba zvyšuje užitočnosť, no môže byť nejednotná a nezaručuje faktickú správnosť.

Predtrénovaný jazykový model vie pokračovať v texte, ale používateľ od asistenta očakáva, že bude nasledovať pokyn, odmietne nebezpečnú požiadavku a podá informáciu vhodným štýlom. Jedným zo spôsobov prispôsobenia je učenie posilňovaním z ľudskej spätnej väzby, známe ako RLHF.

Typický postup má viac krokov. Ľudia najprv vytvoria ukážkové odpovede alebo zoradia niekoľko výstupov od lepšieho po horší. Z preferencií sa natrénuje model odmeny, ktorý odhaduje, akú odpoveď by hodnotiteľ uprednostnil. Jazykový model sa potom optimalizuje tak, aby podľa tohto odhadu tvoril vhodnejšie odpovede. Známa štúdia InstructGPT ukázala, že menší model upravený ľudskou spätnou väzbou môže byť podľa hodnotiteľov užitočnejší než oveľa väčší základný model.

Spätná väzba však nie je objektívny prístroj na meranie dobra. Hodnotitelia sa môžu nezhodnúť, pokyny nemusia pokryť všetky kultúrne a situačné rozdiely a model odmeny je iba aproximáciou ich úsudku. Ak ľudia uprednostnia sebavedomo znejúcu odpoveď, systém sa môže naučiť presvedčivejšiu formu bez primeraného zlepšenia faktov.

RLHF preto nemožno chápať ako jednorazové „vloženie etiky“ do modelu. Je to jedna z vrstiev ladenia správania. Potrebné zostávajú hodnotenia, bezpečnostné testy, moderovanie, práca s aktuálnymi zdrojmi a primeraný ľudský dohľad. O širšej zodpovednosti sa bude hovoriť v samostatných témach o etike AI.

Prenos učenia, dolaďovanie a učenie v kontexte

• Prenos učenia využíva reprezentácie natrénované na jednej širokej úlohe pri riešení ďalšej úlohy.
• Dolaďovanie mení parametre modelu; prompt, kontext a vyhľadávanie ich zvyčajne nemenia.
• Rozličné spôsoby prispôsobenia majú odlišné náklady, možnosti aktualizácie aj riziká.

Prenos učenia umožňuje začať od existujúceho modelu namiesto tréningu od nuly. Obrazová sieť predtrénovaná na širokom súbore obrázkov sa môže prispôsobiť kontrole výrobkov. Jazykový model sa môže doladiť na inštrukcie, odbornú terminológiu alebo určitý formát výstupu. Všeobecné reprezentácie sa tak prenášajú do konkrétnej úlohy, často s menším množstvom dát a výpočtov.

Pri plnom dolaďovaní, fine-tuning, sa pokračuje v tréningu a menia sa váhy modelu. Parametricky úsporné metódy menia iba malú prídavnú časť. Dolaďovanie môže zlepšiť konzistentný štýl alebo správanie v úzkej doméne, no vyžaduje kvalitné dáta a nové testovanie. Príliš úzke prispôsobenie môže zhoršiť iné schopnosti alebo viesť ku katastrofickému zabúdaniu.

Od dolaďovania treba odlíšiť učenie v kontexte. Keď modelu v prompte ukážeme tri príklady a pri štvrtom napodobní vzor, jeho základné parametre sa počas bežnej odpovede nemenia. Príklady dočasne usmerňujú výpočet v aktuálnom kontexte. Po skončení relácie sa toto správanie nemusí zachovať.

Ani RAG - generovanie rozšírené o vyhľadávanie - spravidla netrénuje základný model. Aplikácia nájde relevantné dokumenty a vloží ich do kontextu, z ktorého model odpovedá. Externé znalosti sa dajú aktualizovať bez nového tréningu a odpoveď môže citovať zdroje. Výsledok však závisí od kvality vyhľadania, dokumentov a schopnosti modelu pracovať s nimi.

Podobne aplikačná „pamäť“ môže uložiť používateľovu preferenciu do databázy a pri ďalšom kontakte ju znova pridať do vstupu. Je to užitočná personalizácia, ale nie dôkaz, že sa základný model spontánne prebudoval. Presné rozlišovanie tréningu, kontextu, pamäte a vyhľadávania odstraňuje mýtus, že každá konverzácia AI automaticky a natrvalo učí.

Zovšeobecnenie, podučenie a preučenie

• Podučený model nezachytí ani základný vzor; preučený model sa príliš prispôsobí tréningovým detailom.
• Kvalitu ukazuje výkon na relevantných nových dátach, nie samotná tréningová úspešnosť.
• Regularizácia, vhodná zložitosť, viac reprezentatívnych dát a nezávislé hodnotenie pomáhajú, ale problém neodstraňujú raz navždy.

Podučenie, underfitting, nastáva, keď je model, tréning alebo reprezentácia príliš jednoduchá na zachytenie dôležitého vzoru. Chyba je vysoká už na tréningových dátach. Preučenie, overfitting, je opačný problém: model dosiahne výborný tréningový výsledok, ale naučí sa aj náhodný šum a osobitosti vzorky. Na nových dátach potom výkon výrazne klesne.

Predstavme si študenta, ktorý si zapamätal odpovede na cvičný test vrátane poradia možností. Na rovnakom teste uspeje dokonale, no pri preformulovaných otázkach zlyhá. Užitočný model si má osvojiť pravidelnosť, ktorá platí aj mimo konkrétnych príkladov. Tomu hovoríme zovšeobecnenie alebo generalizácia.

Vývojári používajú regularizáciu, dátovú augmentáciu, skoré zastavenie tréningu, krížové overovanie a rozumné obmedzenie zložitosti. Pri obrázkoch možno vytvoriť realistické obmeny otočením či zmenou jasu. Pri nevyvážených dátach treba zabezpečiť dostatok príkladov vzácnej triedy. Žiadny trik však nenahradí test, ktorý zodpovedá reálnemu použitiu.

Hranica medzi zapamätaním a zovšeobecnením nie je pri veľkých modeloch jednoduchá. Model môže časť vzácneho tréningového obsahu reprodukovať a zároveň úspešne skladať naučené reprezentácie v nových situáciách. Preto sa skúma kontaminácia benchmarkov, ochrana osobných údajov aj možné reprodukovanie chráneného obsahu. Zovšeobecnenie nie je binárna vlastnosť, ale výkon v určitom rozdelení úloh a podmienok.

Keď sa svet po tréningu zmení

• Výkon môže klesnúť, keď sa reálne vstupy alebo vzťah medzi vstupom a cieľom odklonia od tréningových dát.
• Nasadený model treba monitorovať podľa technických metrík aj dôsledkov pre ľudí.
• Aktualizácia modelu je riadený proces so zberom dát, overovaním a kontrolou, nie samozrejmá reakcia systému.

Testovanie pred nasadením zachytí iba podmienky, ktoré test reprezentuje. V praxi sa mení správanie ľudí, trh, jazyk, zariadenia aj pravidlá. Rozloženie vstupov sa môže posunúť - data drift - alebo sa môže zmeniť samotný vzťah medzi vstupom a cieľom - concept drift. Model schvaľovania, ktorý fungoval v jednom ekonomickom období, nemusí zostať presný po zásadnej zmene trhu.

Systém môže ovplyvniť aj dáta, z ktorých sa neskôr učí. Odporúčania menia, čo používatelia uvidia a na čo kliknú; rozhodovací model mení, kto dostane príležitosť vytvoriť budúci úspešný príklad. Takéto spätné väzby môžu zosilňovať pôvodný vzor a sťažovať nezávislé hodnotenie.

Prevádzka preto zahŕňa monitorovanie vstupov, výkonu, chybovosti v relevantných skupinách, bezpečnosti aj sťažností. Keď sa skutočný cieľ dozvieme až neskôr - napríklad či klient úver splatil - hodnotenie musí počítať s oneskorením. Technické skóre sa dopĺňa o analýzu dopadov, lebo stabilná presnosť nemusí znamenať stabilnú užitočnosť.

Model sa môže aktualizovať dávkovým pretrénovaním, dolaďovaním alebo v špecifických systémoch priebežným online učením. Každá zmena však môže priniesť nový problém. Potrebuje verziovanie dát a modelov, kontrolovaný test, možnosť návratu a jasnú zodpovednosť. Rámec NIST AI Risk Management Framework preto chápe riadenie rizík ako činnosť počas celého životného cyklu, nie ako jednorazovú kontrolu pred spustením.

Čo si model učením neosvojuje automaticky

• Úspešná optimalizácia nevytvára sama od seba pravdivosť, zdravý úsudok, morálne hodnoty ani vedomie.
• Model sa môže naučiť korelácie a skratky bez pochopenia príčin, ktoré ľudia považujú za podstatné.
• Schopnosť treba vždy vzťahovať ku konkrétnej úlohe, dátam a podmienkam hodnotenia.

Model sa učí vzhľadom na cieľ, ktorý sme mu dali, a skúsenosť, ktorú poskytli dáta alebo prostredie. Ak cieľ neobsahuje overovanie faktov, systém ho nemusí objaviť ako univerzálnu zásadu. Ak tréningové dáta obsahujú stereotyp, môže ho štatisticky zachytiť. Ak test neobsahuje hraničné prípady, dobré skóre o nich nič nehovorí.

Antropomorfný jazyk je pohodlný, ale môže zakryť mechanizmus. Hovoríme, že model „vie“, „chápe“ alebo „si pamätá“. V technickom kontexte je presnejšie pýtať sa: Na akej úlohe bol trénovaný? Aké dôkazy ukazujú prenos na nové prípady? Aký kontext dostal? Menia sa jeho parametre alebo iba číta externé údaje? Ako často bol testovaný mimo bežných podmienok?

Učenie navyše neznamená vedomie. Súčasná veda nemá jednoduchý všeobecne prijatý test vedomia AI. Interdisciplinárny prehľad navrhuje hodnotiť systémy pomocou indikátorov odvodených z vedeckých teórií vedomia, nie podľa toho, či text pôsobí ľudsky. Plynulá sebavýpoveď modelu sama osebe nie je dôkazom subjektívneho prežívania.

Tieto obmedzenia neznižujú praktickú hodnotu strojového učenia. Naopak, umožňujú používať ho presnejšie. Model môže byť mimoriadne užitočný pri rozpoznávaní vzorov, predikcii alebo generovaní návrhov bez toho, aby bol univerzálnym rozumom. Rozdiel medzi úzkou a všeobecnou schopnosťou rozvinie nasledujúca kapitola 5 - Úzka verzus všeobecná AI.

Záver: učenie je systém, nie kúzlo

• Model vzniká spojením dát, cieľa, reprezentácie, optimalizácie, hodnotenia a ľudských rozhodnutí.
• Najdôležitejšou skúškou je bezpečné zovšeobecnenie na reálne prípady a udržanie výkonu v čase.
• Porozumenie mechanizmu učenia pomáha správne nastaviť očakávania aj zodpovednosť.

AI sa učí tak, že opakovane upravuje parametre podľa matematického signálu. Pri učení s učiteľom ho poskytujú označené odpovede, pri samoučení štruktúra samotných dát, pri učení posilňovaním odmena a pri ladení správania aj ľudské preferencie. V každom prípade ľudia rozhodujú, čo sa bude merať, aké údaje sa použijú a kedy je výsledok prijateľný.

Učenie nie je jednorazový moment, po ktorom model „pozná svet“. Je súčasťou životného cyklu: definícia problému, príprava dát, tréning, validácia, testovanie, nasadenie, monitorovanie a prípadná aktualizácia. Každý krok môže zlepšiť alebo oslabiť výsledok. Podrobný výrobný proces rozoberie kapitola 10 - Ako vznikajú AI modely.

Najpraktickejšia otázka preto neznie iba „Aký je to inteligentný model?“, ale „Čo presne sa učil, podľa akého cieľa, na akých dátach a ako sme overili jeho správanie mimo nich?“ Z týchto otázok možno odvodiť, kde systému dôverovať, kde vyžadovať ľudskú kontrolu a kde ho nepoužiť.

Rovnako dôležité je pomenovať jednotku zlepšenia. Pokles priemernej chyby o jedno percento môže byť veľkým technickým úspechom, ale ešte nehovorí, či sa zlepšili kritické prípady, či prínos platí pre všetky relevantné skupiny a či preváži prevádzkové náklady. Učenie modelu sa preto končí matematickou aktualizáciou, no posúdenie jeho hodnoty sa začína až porovnaním s konkrétnou potrebou, alternatívou a prijateľným rizikom. Kvalitný tím nielen trénuje model, ale vopred určí podmienky, za ktorých ho nenasadí alebo stiahne z používania.

Hĺbkové vysvetlenie a pedagogický seminár

Táto časť rozširuje tému ako sa ai učí od základného porozumenia k samostatnej práci. Cieľom nie je zapamätať si čo najviac výrazov. Cieľ je vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení.

Pri každej úlohe sa oddeľuje odborná presnosť od jazykovej presvedčivosti. Dobrá odpoveď musí ukázať pôvod tvrdenia, podmienky platnosti a neistotu. Základné dôkazové pravidlo je: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Súčasne platí hranica: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku.

Pojmová mapa do hĺbky

1. Tréningový príklad

jednotka dát obsahuje vstup a podľa typu učenia aj cieľ, spätnú väzbu alebo kontext, z ktorého model odvodzuje štruktúru. 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 tréningový príklad vo vzťahu k cieľu: vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil.

2. Parameter modelu

číselná hodnota upravovaná počas tréningu, ktorá spolu s ostatnými parametrami určuje transformáciu vstupu na výstup. 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 parameter modelu vo vzťahu k cieľu: vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil.

3. Stratová funkcia

matematicky vyjadruje rozdiel medzi žiaducim a vytvoreným výsledkom a poskytuje smer pre optimalizáciu. 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 stratová funkcia vo vzťahu k cieľu: vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil.

4. Gradient a optimalizácia

algoritmus odhaduje, ako zmena parametrov zmení chybu, a po malých krokoch hľadá lepšie nastavenie. 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 gradient a optimalizácia vo vzťahu k cieľu: vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil.

5. Tréningová, validačná a testovacia množina

oddelené dáta slúžia na učenie, výber nastavení a nezávislé záverečné hodnotenie. 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 tréningová, validačná a testovacia množina vo vzťahu k cieľu: vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil.

6. Preučenie

model sa prispôsobí detailom tréningovej vzorky tak silno, že jeho výkon na nových prípadoch klesne. 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 preučenie vo vzťahu k cieľu: vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil.

7. Generalizácia

schopnosť použiť naučené vzory na relevantne nové vstupy z rovnakého alebo dostatočne podobného prostredia. 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 generalizácia vo vzťahu k cieľu: vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil.

8. Distribučný posun

reálne vstupy sa časom alebo miestom odlišujú od tréningových dát, takže kedysi dobrá metrika prestáva opisovať prevádzku. 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 distribučný posun vo vzťahu k cieľu: vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil.

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: Tréningový príklad a Parameter modelu

Pojmy tréningový príklad a parameter modelu sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: jednotka dát obsahuje vstup a podľa typu učenia aj cieľ, spätnú väzbu alebo kontext, z ktorého model odvodzuje štruktúru. Druhý dopĺňa odlišnú časť obrazu: číselná hodnota upravovaná počas tréningu, ktorá spolu s ostatnými parametrami určuje transformáciu vstupu na výstup. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 2: Parameter modelu a Stratová funkcia

Pojmy parameter modelu a stratová funkcia sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: číselná hodnota upravovaná počas tréningu, ktorá spolu s ostatnými parametrami určuje transformáciu vstupu na výstup. Druhý dopĺňa odlišnú časť obrazu: matematicky vyjadruje rozdiel medzi žiaducim a vytvoreným výsledkom a poskytuje smer pre optimalizáciu. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 3: Stratová funkcia a Gradient a optimalizácia

Pojmy stratová funkcia a gradient a optimalizácia sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: matematicky vyjadruje rozdiel medzi žiaducim a vytvoreným výsledkom a poskytuje smer pre optimalizáciu. Druhý dopĺňa odlišnú časť obrazu: algoritmus odhaduje, ako zmena parametrov zmení chybu, a po malých krokoch hľadá lepšie nastavenie. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 4: Gradient a optimalizácia a Tréningová, validačná a testovacia množina

Pojmy gradient a optimalizácia a tréningová, validačná a testovacia množina sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: algoritmus odhaduje, ako zmena parametrov zmení chybu, a po malých krokoch hľadá lepšie nastavenie. Druhý dopĺňa odlišnú časť obrazu: oddelené dáta slúžia na učenie, výber nastavení a nezávislé záverečné hodnotenie. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 5: Tréningová, validačná a testovacia množina a Preučenie

Pojmy tréningová, validačná a testovacia množina a preučenie sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: oddelené dáta slúžia na učenie, výber nastavení a nezávislé záverečné hodnotenie. Druhý dopĺňa odlišnú časť obrazu: model sa prispôsobí detailom tréningovej vzorky tak silno, že jeho výkon na nových prípadoch klesne. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 6: Preučenie a Generalizácia

Pojmy preučenie a generalizácia sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: model sa prispôsobí detailom tréningovej vzorky tak silno, že jeho výkon na nových prípadoch klesne. Druhý dopĺňa odlišnú časť obrazu: schopnosť použiť naučené vzory na relevantne nové vstupy z rovnakého alebo dostatočne podobného prostredia. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 7: Generalizácia a Distribučný posun

Pojmy generalizácia a distribučný posun sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: schopnosť použiť naučené vzory na relevantne nové vstupy z rovnakého alebo dostatočne podobného prostredia. Druhý dopĺňa odlišnú časť obrazu: reálne vstupy sa časom alebo miestom odlišujú od tréningových dát, takže kedysi dobrá metrika prestáva opisovať prevádzku. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 8: Distribučný posun a Tréningový príklad

Pojmy distribučný posun a tréningový príklad sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: reálne vstupy sa časom alebo miestom odlišujú od tréningových dát, takže kedysi dobrá metrika prestáva opisovať prevádzku. Druhý dopĺňa odlišnú časť obrazu: jednotka dát obsahuje vstup a podľa typu učenia aj cieľ, spätnú väzbu alebo kontext, z ktorého model odvodzuje štruktúru. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. 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: Rozpoznávanie chybných výrobkov

Situácia: fotografie z jednej výrobnej linky majú iné svetlo než snímky po presune kamery a úspešnosť modelu náhle klesne. 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 tréningový príklad a gradient a optimalizácia. Pri prvom platí: jednotka dát obsahuje vstup a podľa typu učenia aj cieľ, spätnú väzbu alebo kontext, z ktorého model odvodzuje štruktúru. Pri druhom platí: algoritmus odhaduje, ako zmena parametrov zmení chybu, a po malých krokoch hľadá lepšie nastavenie. 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 vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie a súčasne rešpektovať hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Prípad 2: Filter nevyžiadanej pošty

Situácia: útočníci menia slovník správ, používatelia označujú prípady nejednotne a model potrebuje kontrolovanú aktualizáciu. 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 stratová funkcia a preučenie. Pri prvom platí: matematicky vyjadruje rozdiel medzi žiaducim a vytvoreným výsledkom a poskytuje smer pre optimalizáciu. Pri druhom platí: model sa prispôsobí detailom tréningovej vzorky tak silno, že jeho výkon na nových prípadoch klesne. 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 vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie a súčasne rešpektovať hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Prípad 3: Odhad dopytu

Situácia: historické obdobie neobsahuje mimoriadnu udalosť a model interpretuje nový typ správania podľa starých vzorov. 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 tréningová, validačná a testovacia množina a distribučný posun. Pri prvom platí: oddelené dáta slúžia na učenie, výber nastavení a nezávislé záverečné hodnotenie. Pri druhom platí: reálne vstupy sa časom alebo miestom odlišujú od tréningových dát, takže kedysi dobrá metrika prestáva opisovať prevádzku. 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 vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie a súčasne rešpektovať hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Prípad 4: Jazykový model

Situácia: systém sa najprv učí predpovedať tokeny, potom sa dolaďuje na inštrukcie a ľudskú spätnú väzbu, pričom každá fáza mení iný aspekt správania. 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 generalizácia a parameter modelu. Pri prvom platí: schopnosť použiť naučené vzory na relevantne nové vstupy z rovnakého alebo dostatočne podobného prostredia. Pri druhom platí: číselná hodnota upravovaná počas tréningu, ktorá spolu s ostatnými parametrami určuje transformáciu vstupu na výstup. 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 vysvetliť učenie modelu ako optimalizáciu na dátach, rozlíšiť tréning od používania a identifikovať miesta, kde vzniká skreslenie alebo preučenie a súčasne rešpektovať hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. 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: Tréningový príklad v situácii filter nevyžiadanej pošty

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: útočníci menia slovník správ, používatelia označujú prípady nejednotne a model potrebuje kontrolovanú aktualizáciu. Hlavný pojem má tento význam: jednotka dát obsahuje vstup a podľa typu učenia aj cieľ, spätnú väzbu alebo kontext, z ktorého model odvodzuje štruktúru. 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 stratová funkcia, ktorý pripomína: matematicky vyjadruje rozdiel medzi žiaducim a vytvoreným výsledkom a poskytuje smer pre optimalizáciu. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 2: Parameter modelu v situácii odhad dopytu

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: historické obdobie neobsahuje mimoriadnu udalosť a model interpretuje nový typ správania podľa starých vzorov. Hlavný pojem má tento význam: číselná hodnota upravovaná počas tréningu, ktorá spolu s ostatnými parametrami určuje transformáciu vstupu na výstup. 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 preučenie, ktorý pripomína: model sa prispôsobí detailom tréningovej vzorky tak silno, že jeho výkon na nových prípadoch klesne. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 3: Stratová funkcia v situácii jazykový model

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: systém sa najprv učí predpovedať tokeny, potom sa dolaďuje na inštrukcie a ľudskú spätnú väzbu, pričom každá fáza mení iný aspekt správania. Hlavný pojem má tento význam: matematicky vyjadruje rozdiel medzi žiaducim a vytvoreným výsledkom a poskytuje smer pre optimalizáciu. 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 tréningový príklad, ktorý pripomína: jednotka dát obsahuje vstup a podľa typu učenia aj cieľ, spätnú väzbu alebo kontext, z ktorého model odvodzuje štruktúru. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 4: Gradient a optimalizácia v situácii rozpoznávanie chybných výrobkov

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: fotografie z jednej výrobnej linky majú iné svetlo než snímky po presune kamery a úspešnosť modelu náhle klesne. Hlavný pojem má tento význam: algoritmus odhaduje, ako zmena parametrov zmení chybu, a po malých krokoch hľadá lepšie nastavenie. 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 gradient a optimalizácia, ktorý pripomína: algoritmus odhaduje, ako zmena parametrov zmení chybu, a po malých krokoch hľadá lepšie nastavenie. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 5: Tréningová, validačná a testovacia množina v situácii filter nevyžiadanej pošty

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: útočníci menia slovník správ, používatelia označujú prípady nejednotne a model potrebuje kontrolovanú aktualizáciu. Hlavný pojem má tento význam: oddelené dáta slúžia na učenie, výber nastavení a nezávislé záverečné hodnotenie. 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 generalizácia, ktorý pripomína: schopnosť použiť naučené vzory na relevantne nové vstupy z rovnakého alebo dostatočne podobného prostredia. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 6: Preučenie v situácii odhad dopytu

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: historické obdobie neobsahuje mimoriadnu udalosť a model interpretuje nový typ správania podľa starých vzorov. Hlavný pojem má tento význam: model sa prispôsobí detailom tréningovej vzorky tak silno, že jeho výkon na nových prípadoch klesne. 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 parameter modelu, ktorý pripomína: číselná hodnota upravovaná počas tréningu, ktorá spolu s ostatnými parametrami určuje transformáciu vstupu na výstup. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 7: Generalizácia v situácii jazykový model

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: systém sa najprv učí predpovedať tokeny, potom sa dolaďuje na inštrukcie a ľudskú spätnú väzbu, pričom každá fáza mení iný aspekt správania. Hlavný pojem má tento význam: schopnosť použiť naučené vzory na relevantne nové vstupy z rovnakého alebo dostatočne podobného prostredia. 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 tréningová, validačná a testovacia množina, ktorý pripomína: oddelené dáta slúžia na učenie, výber nastavení a nezávislé záverečné hodnotenie. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 8: Distribučný posun v situácii rozpoznávanie chybných výrobkov

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: fotografie z jednej výrobnej linky majú iné svetlo než snímky po presune kamery a úspešnosť modelu náhle klesne. Hlavný pojem má tento význam: reálne vstupy sa časom alebo miestom odlišujú od tréningových dát, takže kedysi dobrá metrika prestáva opisovať prevádzku. 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 distribučný posun, ktorý pripomína: reálne vstupy sa časom alebo miestom odlišujú od tréningových dát, takže kedysi dobrá metrika prestáva opisovať prevádzku. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 9: Tréningový príklad v situácii filter nevyžiadanej pošty

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: útočníci menia slovník správ, používatelia označujú prípady nejednotne a model potrebuje kontrolovanú aktualizáciu. Hlavný pojem má tento význam: jednotka dát obsahuje vstup a podľa typu učenia aj cieľ, spätnú väzbu alebo kontext, z ktorého model odvodzuje štruktúru. 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 stratová funkcia, ktorý pripomína: matematicky vyjadruje rozdiel medzi žiaducim a vytvoreným výsledkom a poskytuje smer pre optimalizáciu. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 10: Parameter modelu v situácii odhad dopytu

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: historické obdobie neobsahuje mimoriadnu udalosť a model interpretuje nový typ správania podľa starých vzorov. Hlavný pojem má tento význam: číselná hodnota upravovaná počas tréningu, ktorá spolu s ostatnými parametrami určuje transformáciu vstupu na výstup. 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 preučenie, ktorý pripomína: model sa prispôsobí detailom tréningovej vzorky tak silno, že jeho výkon na nových prípadoch klesne. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 11: Stratová funkcia v situácii jazykový model

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: systém sa najprv učí predpovedať tokeny, potom sa dolaďuje na inštrukcie a ľudskú spätnú väzbu, pričom každá fáza mení iný aspekt správania. Hlavný pojem má tento význam: matematicky vyjadruje rozdiel medzi žiaducim a vytvoreným výsledkom a poskytuje smer pre optimalizáciu. 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 tréningový príklad, ktorý pripomína: jednotka dát obsahuje vstup a podľa typu učenia aj cieľ, spätnú väzbu alebo kontext, z ktorého model odvodzuje štruktúru. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 12: Gradient a optimalizácia v situácii rozpoznávanie chybných výrobkov

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: fotografie z jednej výrobnej linky majú iné svetlo než snímky po presune kamery a úspešnosť modelu náhle klesne. Hlavný pojem má tento význam: algoritmus odhaduje, ako zmena parametrov zmení chybu, a po malých krokoch hľadá lepšie nastavenie. 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 gradient a optimalizácia, ktorý pripomína: algoritmus odhaduje, ako zmena parametrov zmení chybu, a po malých krokoch hľadá lepšie nastavenie. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 13: Tréningová, validačná a testovacia množina v situácii filter nevyžiadanej pošty

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: útočníci menia slovník správ, používatelia označujú prípady nejednotne a model potrebuje kontrolovanú aktualizáciu. Hlavný pojem má tento význam: oddelené dáta slúžia na učenie, výber nastavení a nezávislé záverečné hodnotenie. 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 generalizácia, ktorý pripomína: schopnosť použiť naučené vzory na relevantne nové vstupy z rovnakého alebo dostatočne podobného prostredia. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 14: Preučenie v situácii odhad dopytu

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: historické obdobie neobsahuje mimoriadnu udalosť a model interpretuje nový typ správania podľa starých vzorov. Hlavný pojem má tento význam: model sa prispôsobí detailom tréningovej vzorky tak silno, že jeho výkon na nových prípadoch klesne. 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 parameter modelu, ktorý pripomína: číselná hodnota upravovaná počas tréningu, ktorá spolu s ostatnými parametrami určuje transformáciu vstupu na výstup. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 15: Generalizácia v situácii jazykový model

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: systém sa najprv učí predpovedať tokeny, potom sa dolaďuje na inštrukcie a ľudskú spätnú väzbu, pričom každá fáza mení iný aspekt správania. Hlavný pojem má tento význam: schopnosť použiť naučené vzory na relevantne nové vstupy z rovnakého alebo dostatočne podobného prostredia. 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 tréningová, validačná a testovacia množina, ktorý pripomína: oddelené dáta slúžia na učenie, výber nastavení a nezávislé záverečné hodnotenie. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 16: Distribučný posun v situácii rozpoznávanie chybných výrobkov

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: fotografie z jednej výrobnej linky majú iné svetlo než snímky po presune kamery a úspešnosť modelu náhle klesne. Hlavný pojem má tento význam: reálne vstupy sa časom alebo miestom odlišujú od tréningových dát, takže kedysi dobrá metrika prestáva opisovať prevádzku. 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 distribučný posun, ktorý pripomína: reálne vstupy sa časom alebo miestom odlišujú od tréningových dát, takže kedysi dobrá metrika prestáva opisovať prevádzku. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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: tvrdenie o naučenej schopnosti musí byť podložené oddeleným hodnotením na dátach, ktoré model počas učenia nepoužil. Nakoniec skontrolujte hranicu: vyšší výkon na tréningových dátach neznamená lepšiu schopnosť v novom prostredí ani pochopenie podobné človeku. 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 mapa tréningového experimentu s dátami, cieľovou funkciou, rozdelením vzorky, metrikami, chybami a rozhodnutím o nasadení. 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.

Zdroje a ďalšie čítanie

• Zdroje kombinujú otvorené učebnice, pôvodné vedecké práce a rámce pre hodnotenie životného cyklu AI.
• Odkazy slúžia na overenie mechanizmov; konkrétne produkty môžu používať odlišné tréningové postupy.
• Zoznam je aktuálny k augustu 2026.

1. Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning - Machine Learning Basics, MIT Press, 2016.
2. Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning - Optimization for Training Deep Models, MIT Press, 2016.
3. David E. Rumelhart, Geoffrey E. Hinton, Ronald J. Williams: Learning representations by back-propagating errors, Nature, 1986.
4. Yann LeCun, Yoshua Bengio, Geoffrey Hinton: Deep learning, Nature, 2015.
5. Richard S. Sutton, Andrew G. Barto: Reinforcement Learning: An Introduction, druhé vydanie, MIT Press, 2018.
6. Volodymyr Mnih a kol.: Human-level control through deep reinforcement learning, Nature, 2015.
7. Alec Radford a kol.: Improving Language Understanding by Generative Pre-Training, OpenAI, 2018.
8. Rishi Bommasani a kol.: On the Opportunities and Risks of Foundation Models, Stanford CRFM, 2021.
9. Long Ouyang a kol.: Training language models to follow instructions with human feedback, NeurIPS, 2022.
10. NIST: Artificial Intelligence Risk Management Framework (AI RMF 1.0), 2023.
11. Patrick Butlin a kol.: Identifying indicators of consciousness in AI systems, Trends in Cognitive Sciences, 2026.