AI okolo nás každý deň

• Väčšina každodennej AI nevystupuje ako robot alebo chatbot, ale ako nenápadná predikcia, poradie, filter či automatické upozornenie.
• Jeden digitálny produkt zvyčajne spája viac modelov s klasickým softvérom, databázami, ľudskými pravidlami a obchodnými cieľmi.
• Pohodlie a personalizácia majú cenu v podobe dát, možných omylov a vplyvu na naše voľby, preto potrebujeme poznať účel aj možnosti kontroly.

Umelú inteligenciu používame často ešte skôr, než vedome otvoríme AI asistenta. Telefón upraví fotografiu, klávesnica navrhne slovo, e-mailová služba odfiltruje spam a navigácia odhadne čas príchodu. Streamovacia platforma zoradí obsah a banka preverí transakciu. Každý z týchto systémov rieši inú úlohu, pracuje s inými dátami a môže zlyhať iným spôsobom.

AI v každodennom živote je najčastejšie úzka. Model nevie „spravovať telefón“ alebo „rozumieť zákazníkovi“ všeobecne. Odhaduje, či je tvár na fotografii ostrá, ktorý výsledok súvisí s dopytom alebo či sa transakcia podobá podvodu. Široká používateľská skúsenosť vzniká spojením desiatok takých komponentov.

Nie každá automatizácia je AI. Časovač, pevný cenový vzorec alebo zoradenie podľa dátumu môžu byť obyčajný program. Z pohľadu používateľa je však dôležitejšie, akú informáciu systém používa, čo s ňou robí a aký následok má výstup. Pojmovú hranicu podrobne vysvetľuje kapitola 2 - Čo je a čo nie je umelá inteligencia.

Štyri nenápadné úlohy: predikovať, zoradiť, rozpoznať a generovať

• Predikčný model odhaduje budúcu hodnotu alebo pravdepodobnosť udalosti.
• Ranking vyberá, čo používateľ uvidí skôr; rozpoznávanie prevádza obraz, zvuk či text na kategóriu alebo štruktúru.
• Generatívny model vytvára obsah, ale v bežnej aplikácii často spolupracuje s ostatnými typmi modelov.

Odhad času doručenia je predikcia. Detektor podvodu odhaduje riziko. Meteorologický či energetický systém vytvára predpoveď z veľkého množstva meraní. Výstupom je číslo alebo pravdepodobnosť, ktorú aplikácia premení na informáciu či akciu.

Domovská obrazovka sociálnej siete je poradie. Systém má tisíce kandidátov a vypočíta, ktoré zobraziť. Podobný princíp používa vyhľadávač, e-shop alebo hudobná služba. Poradie nikdy nie je úplne neutrálne: optimalizuje určitú kombináciu relevancie, čerstvosti, bezpečnosti, obchodných pravidiel a očakávaného správania.

Odomknutie tvárou, diktovanie a automatická kategorizácia fotografie sú formy rozpoznávania. Model prevádza zmyslový signál na reprezentáciu, text, identitu či objekt. Chyba môže vzniknúť kvalitou senzora, prostredím, dátami alebo algoritmom.

Generatívna funkcia doplní vetu, odstráni objekt z fotografie alebo zhrnie notifikácie. Môže používať výstup rozpoznávania aj vyhľadávania a následne vytvoriť nový obsah. Mechanizmy a bezpečné pracovné postupy vysvetľuje kapitola 7 - Generatívna AI v praxi.

Smartfón ako súbor malých modelov

• Fotoaparát, klávesnica, hlasové funkcie, biometria a správa energie môžu používať odlišné modely.
• Časť výpočtu prebieha priamo v zariadení, časť v cloude; rozdiel ovplyvňuje súkromie, rýchlosť aj dostupnosť.
• Funkcia, ktorú vnímame ako jednu, býva reťazcom rozpoznania, odhadu a klasického spracovania.

Pri stlačení spúšte nevzniká fotografia iba fyzickým otvorením uzávierky. Telefón môže spojiť viac expozícií, znížiť šum, upraviť dynamický rozsah, rozpoznať tváre a vybrať ostrý moment. Výsledok je výpočtová fotografia - interpretácia senzorových dát podľa dizajnu výrobcu.

Klávesnica odhaduje ďalšie slovo, opravuje preklep a prispôsobuje slovník. Hlasový vstup prevádza zvuk na text; ďalší model môže rozpoznať zámer a aplikácia vykoná príkaz. Syntéza reči vytvorí odpoveď. Používateľ počuje jeden dialóg, no technicky ide o viac krokov s oddelenými možnosťami zlyhania.

Biometrické odomknutie porovná aktuálnu reprezentáciu tváre alebo odtlačku s uloženou šablónou. Nehľadá nevyhnutne fotografiu v databáze. Dôležité sú falošné prijatia, falošné odmietnutia, ochrana biometrickej šablóny a odolnosť proti napodobeniu. Heslo možno zmeniť, tvár nie, preto sú biometrické údaje zvlášť citlivé.

Model môže optimalizovať spotrebu batérie podľa používania alebo potlačiť hluk pri hovore. Ak pracuje lokálne, vstup nemusí opustiť zariadenie a funkcia môže fungovať bez internetu. Cloud umožňuje výkonnejší model a aktuálne údaje, no vyžaduje prenos a pravidlá uchovávania. Označenie „AI v telefóne“ samo neprezradí, kde sa dáta spracujú.

Vyhľadávanie a odporúčanie

• Vyhľadávač zoraďuje výsledky podľa dopytu; odporúčací systém odhaduje záujem aj bez explicitnej otázky.
• Personalizácia používa priame voľby, históriu správania, podobnosť obsahu a agregované správanie iných ľudí.
• To, čo sa nezobrazí, môže ovplyvniť používateľa rovnako ako prvý odporúčaný výsledok.

Vyhľadávanie začína formulovaným zámerom. Systém interpretuje dopyt, nájde kandidátov, odhadne relevanciu, odfiltruje spam a zostaví poradie. Generatívna odpoveď môže výsledky zhrnúť, ale tým sa zvyšuje potreba viditeľných zdrojov a možnosti otvoriť pôvodný materiál.

Odporúčanie pracuje aj bez otázky. Kolaboratívne filtrovanie využíva vzory podobných používateľov a položiek; obsahový model porovná vlastnosti videa, skladby či produktu. Moderný systém kombinuje množstvo signálov. Výskum odporúčania videí na YouTube ukazuje aj potrebu optimalizovať viac cieľov a pracovať so skreslením spätnej väzby.

Kliknutie nie je čisté vyjadrenie preferencie. Ovplyvňuje ho pozícia, titulok, nálada aj to, čo systém vôbec ponúkol. Model sa učí z reakcií na predchádzajúce odporúčania, takže vzniká spätná väzba: poradie mení správanie a správanie učí ďalšie poradie. Nový alebo málo známy obsah má problém „studeného štartu“, lebo o ňom chýbajú interakcie.

Optimalizácia jedného krátkodobého signálu môže viesť k repetitívnosti alebo k nápadnému obsahu. Kvalitný systém preto kombinuje relevantnosť s rozmanitosťou, bezpečnosťou, čerstvosťou a dlhodobejšou spokojnosťou. Tieto ciele obsahujú hodnotové a obchodné rozhodnutia, nie iba matematiku.

E-mail, správy a komunikácia

• AI filtruje spam, odhaľuje podvodné vzory, triedi poštu a navrhuje krátke odpovede.
• Chyba filtra môže prepustiť hrozbu alebo ukryť legitímnu správu.
• Jazyková pomoc mení formu komunikácie, no odosielateľ zostáva zodpovedný za význam a adresáta.

Spamový filter je klasický príklad strojového učenia. Hodnotí text, technické znaky, reputáciu odosielateľa a vzory kampaní. Útočníci sa filtru prispôsobujú, preto sa model a pravidlá aktualizujú. Podrobný príklad od definície úlohy po monitorovanie obsahuje kapitola 6 - Strojové učenie jednoducho.

Služba môže roztriediť správy do kategórií, zvýrazniť dôležité a navrhnúť odpoveď. Takéto pohodlie vyžaduje spracovanie obsahu a kontextu. Používateľ by mal poznať nastavenia, pravidlá organizácie a rozdiel medzi lokálnym spracovaním a cloudovou službou.

Detekcia phishingu nie je záruka. Dobre prispôsobená správa môže prejsť a legitímna hromadná komunikácia skončiť v spame. Bezpečné správanie preto zahŕňa kontrolu domény, cieľa odkazu, neočakávanej prílohy a žiadosti o platbu aj vtedy, keď systém nič neoznačil.

Generatívna funkcia môže upraviť tón alebo preložiť text, ale nemusí poznať vzťah medzi ľuďmi. Zdvorilá veta môže byť právnym prísľubom a stručné zhrnutie môže vynechať výnimku. Pred odoslaním treba čítať výsledok ako vlastné vyjadrenie.

Mapy, doprava a logistika

• Navigácia kombinuje mapové dáta, aktuálne signály, odhad času a optimalizáciu trasy.
• Najrýchlejšia trasa závisí od predpovede budúcich podmienok, nie iba od súčasnej polohy.
• Lokálne chyby, uzávery a správanie ostatných vodičov môžu zmeniť výsledok po vypočítaní.

Digitálna mapa obsahuje cestnú sieť, obmedzenia, body záujmu a historické vzory. Systém odhaduje rýchlosť na jednotlivých úsekoch a hľadá vhodnú trasu. Do výsledku môže započítať dopravu, čas, poplatky, spôsob prepravy či preferenciu vyhnúť sa diaľnici.

AI časť odhaduje, čo bude o niekoľko minút, kým optimalizačný algoritmus vyberá cestu. Rovnaká služba môže rozpoznať názov miesta z hlasu, odporučiť podnik a automaticky opraviť chýbajúci mapový údaj. Nie všetky tieto kroky sú jeden model.

Keď veľa vodičov dostane rovnakú obchádzku, odporúčanie samo mení dopravu. Trasa môže viesť po nevhodnej miestnej ceste alebo ignorovať čerstvú uzáveru. Vodič musí rešpektovať reálne značenie a bezpečnosť, nie slepo nasledovať obrazovku.

V logistike podobné modely odhadujú dopyt, čas doručenia, poruchu vozidla a potrebnú kapacitu. Úspora jednej minúty na zásielke je vo veľkom meradle významná. Zároveň treba sledovať, či tlak na metriku nevytvára nebezpečné tempo alebo neprimerané pracovné podmienky.

Nakupovanie, reklama a ceny

• E-shop vyhľadáva a odporúča produkty, odhaduje dopyt, riadi zásoby a môže personalizovať komunikáciu.
• Reklamný systém predpovedá pravdepodobnosť reakcie a aukčne prideľuje priestor v zlomku sekundy.
• Personalizovaný obsah, poradie a cena sú tri odlišné mechanizmy, ktoré netreba automaticky zamieňať.

Odporúčanie produktu môže vychádzať z prezerania, nákupov, podobnosti položiek a kontextu relácie. Pomáha objaviť relevantnú ponuku, no zároveň môže zužovať výber a podporovať impulzívny nákup. Používateľ často nevie, ktorý signál rozhodol o poradí.

Digitálna reklama spája odhad záujmu, vhodnosť publika, cenu ponuky a bezpečnostné pravidlá. Inzerent môže cieliť skupinu a platforma nájde používateľov, ktorí sa jej podľa modelu podobajú. Aj keď inzerent nepozná konkrétnu osobu, platforma môže používať rozsiahly profil správania.

Dynamická cena sa mení podľa času, dopytu, zásoby alebo iných podmienok. Personalizovaná cena sa mení podľa informácií o konkrétnom používateľovi alebo segmente. Nie každá zmena ceny je AI ani osobné cielenie. Transparentná služba má vysvetliť podstatné faktory a dodržiavať spotrebiteľské a antidiskriminačné pravidlá.

Model dopytu môže znížiť odpad a nedostatok tovaru. Ak sa však učí iba z minulého predaja, môže zameniť nízky predaj spôsobený nedostupnosťou za nízky záujem. Rozhodnutie systému potom udrží položku nedostupnú a samo potvrdí pôvodnú predpoveď.

Moderovanie obsahu a bezpečnosť platforiem

• Modely triedia spam, nenávistný, násilný či sexuálny obsah a upozorňujú ľudských moderátorov.
• Význam závisí od jazyka, kultúry, irónie a kontextu, preto rovnaké slovo nemusí znamenať rovnaké porušenie.
• Moderovanie vždy zahŕňa pravidlá platformy a rozhodnutie o následku; model iba pomáha tieto pravidlá uplatniť.

Platforma s miliónmi príspevkov nemôže každý materiál preveriť človekom pred zverejnením. Automatické systémy rozpoznávajú známe škodlivé súbory, odhadujú kategóriu nového obsahu, znižujú jeho dosah alebo ho posielajú na kontrolu. Prioritizácia umožní moderátorom sústrediť sa na závažné a neisté prípady.

Kontext je však rozhodujúci. Citácia nenávistného výroku v správe o extrémizme nie je to isté ako jeho propagácia. Násilná fotografia môže byť dokumentáciou vojnového zločinu, umeleckým dielom alebo návodom na ublíženie. Model, ktorý vidí iba text či obraz, nemusí spoľahlivo rozlíšiť účel a verejný záujem.

Chyby majú dva smery. Nedostatočný zásah vystaví ľudí obťažovaniu, podvodu alebo nezákonnému obsahu. Príliš široký zásah umlčí legitímny prejav a môže nerovnomerne dopadnúť na menšinové jazyky, pri ktorých chýbajú kvalitné dáta. Preto sa sleduje nielen podiel odstráneného obsahu, ale odvolania, zvrátené rozhodnutia a výkon podľa jazyka a typu prípadu.

Používateľ by mal dostať zrozumiteľný dôvod zásahu a možnosť odvolania. Ľudská kontrola nie je účinná, ak moderátor iba potvrdzuje model pod časovým tlakom. Systém potrebuje jasné pravidlá, školenie, podporu moderátorov a spätnú väzbu, ktorá neopakuje predchádzajúce omyly.

Energia, budovy a verejná infraštruktúra

• AI môže predpovedať spotrebu, riadiť zariadenia, odhaľovať poruchy a pomáhať vyrovnávať ponuku s dopytom.
• Prínos vzniká najmä v opakovaných procesoch s kvalitnými senzormi a merateľným fyzickým výsledkom.
• Kritická infraštruktúra vyžaduje bezpečné obmedzenia, záložný režim a odolnosť voči chybným alebo zmanipulovaným údajom.

Budova môže podľa počasia, obsadenosti a historickej odozvy odhadnúť potrebu vykurovania či chladenia. Priemyselný systém sleduje vibrácie a teplotu stroja, aby naplánoval údržbu pred poruchou. Energetická sieť predpovedá dopyt aj výrobu z premenlivých zdrojov. Ide o menej viditeľnú AI, ktorá môže mať veľký súhrnný hospodársky a environmentálny efekt.

Model však pracuje so senzormi. Pokazené meradlo, zmenená kalibrácia alebo výpadok spojenia môže vyzerať ako reálna zmena. Automatické riadenie preto potrebuje fyzikálne limity, kontrolu kvality vstupov a bezpečný režim, ktorý funguje aj bez modelu. Predikcia nesmie prekonať ochranný mechanizmus zariadenia.

Optimalizácia musí pomenovať všetky dôležité ciele. Zníženie spotreby bez podmienky komfortu môže viesť k neprijateľnej teplote. Minimalizácia špičky môže znevýhodniť prevádzku s nevyhnutnou potrebou. Technický cieľ sa preto spája s prevádzkovými a ľudskými obmedzeniami.

Aj samotná AI spotrebúva energiu a hardvér. Celkový prínos sa počíta oproti alternatíve vrátane tréningu, inferencie, prenosu dát a obnovy zariadení. Menší model alebo klasická regulácia môžu pri jednoduchej úlohe dosiahnuť lepší pomer nákladov a úžitku.

Platby, bankovníctvo a poisťovníctvo

• Modely vyhľadávajú neobvyklé transakcie, odhadujú riziko a triedia dokumenty.
• Príliš citlivý systém blokuje legitímne platby; príliš mierny prepúšťa podvod.
• Vysoký dopad vyžaduje kvalitné dáta, ľudský proces, vysvetlenie a možnosť nápravy.

Pri každej platbe môže systém v milisekundách posúdiť sumu, miesto, zariadenie, históriu a vzťah medzi účtami. Neobvyklý vzor vyvolá dodatočné overenie alebo blokovanie. Európska diskusia o AI v platbách uvádza monitorovanie transakcií a prevenciu podvodov medzi zrelými prípadmi použitia.

Model nepozná podvod s istotou; rozhoduje pod neistotou a proti adaptívnemu protivníkovi. Cestovanie, nový telefón alebo nezvyčajne veľký legitímny nákup môže vyzerať podozrivo. Preto používateľ dostane možnosť potvrdiť transakciu a banka potrebuje rýchly proces odblokovania.

Pri úverovom alebo poistnom riziku majú výstupy dlhodobý následok. Historické dáta môžu odrážať nerovný prístup a zástupné premenné môžu nepriamo reprezentovať citlivú vlastnosť. Dobrá priemerná presnosť nestačí; hodnotí sa výkon pre relevantné skupiny, zákonnosť údajov, primeranosť cieľa a možnosť napadnúť rozhodnutie.

Generatívna AI sa pridáva pri sumarizácii dokumentov či zákazníckej podpore. Nemá samostatne vymýšľať finančný údaj alebo meniť zmluvnú podmienku. Presné číslo má pochádzať z autoritatívneho systému a jazykový model ho môže iba zrozumiteľne podať.

Zdravie, nositeľné zariadenia a medicínske systémy

• Spotrebiteľská zdravotná funkcia, klinická pomôcka a regulovaná zdravotnícka pomôcka nemajú rovnaký účel ani dôkaznú úroveň.
• AI môže analyzovať signál, snímku či dokumentáciu, ale výstup treba interpretovať v klinickom kontexte.
• Falošný poplach spôsobuje úzkosť a záťaž; prehliadnutý prípad môže oddialiť starostlivosť.

Hodinky a prstene merajú pohyb, pulz, spánkové či iné signály. Model z nich vytvára odhad aktivity alebo upozornenie na nezvyčajný vzor. Meranie zo zápästia nie je automaticky diagnóza. Kvalitu ovplyvňuje kontakt so senzorom, pohyb, fyziológia a populácia, na ktorej bol systém overený.

V zdravotníctve AI pomáha pri rekonštrukcii a analýze obrazu, meraní anatomických štruktúr, triedení prípadov alebo spracovaní záznamu. Aktuálny zoznam AI-enabled zdravotníckych pomôcok FDA ukazuje, že nejde iba o budúcu predstavu. Zároveň uvádza pomôcky s presne vymedzeným účelom, nie univerzálneho digitálneho lekára.

Regulačné posúdenie konkrétnej pomôcky nemožno preniesť na voľne dostupný chatbot. Klinický systém potrebuje validáciu pre zamýšľanú indikáciu, pracovné prostredie a používateľov. Zmena nemocnice, zariadenia alebo populácie môže zmeniť výkon. Lekár musí vedieť, čo model meria, aké sú jeho limity a ako postupovať pri nesúlade s klinickým obrazom.

WHO zdôrazňuje ochranu ľudskej autonómie, bezpečnosť, transparentnosť, zodpovednosť, inkluzívnosť a udržateľnosť. Prakticky to znamená, že pacient má rozumieť úlohe systému a nesmie stratiť prístup k zodpovednému človeku či k náprave omylu.

Domácnosť, hlasoví asistenti a internet vecí

• Inteligentná domácnosť spája senzory, pravidlá, modely a vzdialené cloudové služby.
• Automatizácia môže šetriť energiu a zlepšovať dostupnosť, no zvyšuje počet zariadení zbierajúcich údaje.
• Bezpečné nastavenie vyžaduje aktualizácie, minimálne oprávnenia, oddelené účty a manuálnu alternatívu.

Termostat sa môže naučiť rytmus domácnosti a odhadovať, kedy kúriť. Robotický vysávač mapuje priestor, kamera rozpozná pohyb a reproduktor interpretuje hlasový príkaz. Časť správania je obyčajný automat „ak nastane X, urob Y“, časť využíva učený model.

Hlasový asistent musí rozpoznať aktivačné slovo, premeniť reč na text, určiť zámer a vyvolať službu. Falošná aktivácia môže zachytiť nechcený úsek. Používateľ by mal vedieť prezerať a mazať históriu, nastaviť nákupy a citlivé akcie s dodatočným potvrdením a obmedziť účty detí.

Pre človeka s obmedzenou mobilitou môže hlasové ovládanie predstavovať zásadnú samostatnosť. Pre domácnosť môže optimalizácia znížiť spotrebu. Prínos sa však porovnáva s tým, koľko dát zariadenie potrebuje a ako dlho bude výrobca poskytovať bezpečnostné aktualizácie.

Manuálne ovládanie zostáva dôležité. Výpadok internetu, chybné rozpoznanie alebo ukončenie cloudovej služby nemá zablokovať základnú funkciu zámku, svetla či vykurovania. „Inteligentný“ domov má byť odolný aj vtedy, keď inteligencia nie je dostupná.

Fotografie, tváre a biometria

• Rozpoznanie tváre na usporiadanie albumu, overenie deklarovanej identity a hľadanie osoby v dave sú rozdielne úlohy.
• Miera chyby závisí od algoritmu, prahu, kvality snímky, populácie a spôsobu použitia.
• Biometrická zhoda je skóre podobnosti, nie neomylný dôkaz identity.

Aplikácia môže zoskupiť fotografie tej istej osoby bez toho, aby poznala jej meno. Telefón pri odomknutí vykonáva overenie jedna k jednej: porovná tvár s konkrétnou šablónou. Policajné alebo bezpečnostné vyhľadávanie jedna k mnohým hľadá kandidáta vo veľkej databáze. S rastom databázy a odlišným prahom sa mení význam falošnej zhody.

NIST vo svojich priebežných hodnoteniach demografických rozdielov ukazuje, že výsledok sa líši medzi algoritmami a skupinami a že kvalita obrazu významne ovplyvňuje falošné odmietnutia. Všeobecná veta „rozpoznávanie tváre je presné“ alebo „je vždy nepresné“ preto ignoruje úlohu, konkrétny systém a podmienky.

Pri nízkom riziku môže omyl iba nesprávne zaradiť fotografiu. Pri kontrole vstupu spôsobí zdržanie; pri identifikácii podozrivého môže viesť k vážnemu zásahu. Rovnaká technická miera chyby má odlišný spoločenský následok. Vysokorizikové použitie potrebuje nezávislé dôkazy a zákaz považovať kandidátsku zhodu za jediný dôkaz.

Biometria je pohodlná, no vytvára trvalú väzbu na telo. Systém má uchovávať čo najmenej údajov, chrániť šablóny a umožniť alternatívny spôsob prístupu. Súhlas musí byť skutočný, najmä pri pracovisku, škole alebo verejnej službe, kde človek nemusí mať slobodnú voľbu.

Práca, škola a verejné služby

• AI môže triediť dokumenty, pomáhať pri plánovaní, pripravovať návrhy a upozorňovať na prípady.
• Ak výstup ovplyvňuje prácu, vzdelanie alebo nárok, potrebujeme jasné kritériá, ľudský dohľad a možnosť opravy.
• Efektívnosť procesu nemožno hodnotiť oddelene od kvality služby a dopadu na ľudí.

Na pracovisku model odhaduje dopyt, plánuje údržbu, prepisuje schôdzku alebo vyhľadáva v interných dokumentoch. Môže znížiť administratívu a podporiť rozhodnutie. Zároveň môže vytvoriť tlak na merateľné ukazovatele a ignorovať prácu, ktorú dáta nezachytávajú.

Pri nábore alebo hodnotení pracovníkov je nebezpečné zameniť historické rozhodnutie za objektívnu kvalitu. Model sa môže naučiť preferencie predchádzajúcej organizácie a nepriamo používať citlivé vlastnosti. Kandidát či zamestnanec potrebuje vedieť, že automatizovaný systém zohral podstatnú úlohu, a mať cestu k zmysluplnému preskúmaniu.

V škole môže AI prispôsobovať cvičenia, odhaľovať vzor chýb alebo sprístupniť materiál. Predikcia „rizikového žiaka“ však môže zmeniť očakávania učiteľa a stať sa sebanaplňujúcou. Skóre má vyvolať podpornú otázku, nie uzavrieť človeka do kategórie.

Verejná správa môže triediť žiadosti či odhaľovať duplicity. Pri nároku na službu musí zostať jasný právny základ, rozhodovací orgán a odvolanie. Občan nemá niesť následok iba preto, že nevie opraviť chybný údaj v nepriehľadnom modeli.

Prístupnosť a jazykové technológie

• Prepis, syntéza reči, opis obrazu a preklad môžu výrazne zvýšiť samostatnosť a prístup k informáciám.
• Výkon sa líši podľa jazyka, prízvuku, hluku, odbornej terminológie a typu postihnutia.
• AI dopĺňa prístupný dizajn; nenahrádza titulky, alternatívny text ani overené ľudské služby tam, kde sú potrebné.

Automatický prepis umožňuje sledovať živú diskusiu, text-to-speech číta obsah a počítačové videnie opisuje scénu. Preklad sprístupňuje komunikáciu naprieč jazykmi. V týchto oblastiach nie je AI iba pohodlie, ale možnosť účasti.

Pri menej zastúpenom jazyku alebo dialekte môže byť chybovosť vyššia, lebo tréningových dát bolo menej. Mená, čísla a odborné termíny bývajú kritické. Automatický titulok na neformálnom videu má inú požiadavku než prepis súdneho alebo zdravotného rozhovoru.

Používateľ potrebuje možnosť opraviť výstup a zvoliť spôsob interakcie. Ak hlasové rozhranie nerozumie reči človeka s postihnutím a služba nemá textovú alternatívu, AI vytvorila novú bariéru. Prístupnosť sa testuje s ľuďmi, ktorým má pomáhať, nie iba pri laboratórnom priemere.

Generovaný alternatívny text môže urýchliť prácu, no musí zachytiť informáciu dôležitú pre konkrétny kontext. Opis „ľudia v miestnosti“ nestačí, ak obrázok vysvetľuje bezpečnostný postup. Človek zostáva editorom významu.

Čo sa systém učí z nášho správania

• Kliknutie, zotrvanie, preskočenie a nákup sú nepriame signály, nie úplný obraz záujmu alebo spokojnosti.
• Profil môže vzniknúť kombináciou drobných údajov, aj keď používateľ explicitne nevyplnil svoje preferencie.
• Spätná väzba ovplyvňuje ďalšie odporúčania a môže zužovať priestor, z ktorého si vyberáme.

Digitálna služba pozoruje interakcie: čo sme videli, na čo klikli, ako dlho zostali a či sme sa vrátili. Z týchto signálov odhaduje pravdepodobnosť budúcej reakcie. Jedno pozretie nemusí znamenať súhlas - môže ísť o šok, kritiku alebo náhodu - ale model vidí merateľné správanie.

Profil nemusí byť zoznam ľudských viet „tento človek má rád X“. Môže to byť vektor alebo príslušnosť k podobným vzorom. Aj bez citlivého stĺpca sa niektoré vlastnosti dajú nepriamo odhadnúť z lokality, času, kontaktov a obsahu. Odstránenie mena preto nie je úplnou ochranou súkromia.

Odporúčanie vytvára expozíciu a expozícia vytvára nové dáta. Ak systém ukáže hlavne jeden typ obsahu, používateľ môže reagovať iba naň. Model potom usúdi, že práve tento typ je žiadaný. Diverzita a možnosť upraviť či resetovať odporúčania pomáhajú prerušiť slučku.

Používateľ môže znížiť zbytočný zber cez oprávnenia, históriu, nastavenia personalizácie a voľbu služby. Individuálne nastavenie však nevyrieši systémový dizajn. Prevádzkovateľ musí minimalizovať dáta, objasniť účel a neposúvať zodpovednosť za neprehľadný systém iba na človeka, ktorý klikol na dlhé podmienky.

Prečo systém niekedy pôsobí múdrejšie, než je

• Aplikácia pozná kontext z účtu, histórie, lokality a ďalších služieb, takže jej reakcia môže vyzerať ako všeobecné porozumenie.
• Veľký počet špecializovaných komponentov vytvára plynulú skúsenosť bez jednej centrálnej mysle.
• Presný zásah si zapamätáme viac než tiché omyly, ktoré systém nezobrazil alebo ktoré sme nevedeli rozpoznať.

Keď telefón navrhne odchod na letisko, môže skombinovať udalosť v kalendári, aktuálnu polohu, dopravu a pravidlo o predstihu. Nemusel „pochopiť náš život“. Aplikácia mala množstvo štruktúrovaných signálov a dobre navrhnutú integráciu.

Plynulosť rozhrania zakrýva prechody. Jeden model prepíše hlas, druhý rozpozná miesto, mapová služba vypočíta trasu a šablóna vytvorí vetu. Používateľ počuje jednu odpoveď a prirodzene pripíše celému systému jednotný úmysel.

Všímame si odporúčanie, ktoré presne trafilo vkus, ale nevidíme tisíce kandidátov a omylov. Ak systém prehrá nevhodnú skladbu, jednoducho ju preskočíme. Pri hodnotení kvality preto nestačí anekdota. Potrebujeme dlhodobejšie údaje, možnosť porovnania a vedomie toho, čo bolo optimalizované.

Táto perspektíva nepopiera schopnosť AI. Ukazuje, že hodnota často vzniká z kvalitného systému, dát a dizajnu okolo modelu. Rovnako aj zlyhanie nemusí mať jedinú „AI príčinu“; môže pochádzať zo senzora, pravidla, používateľského rozhrania alebo organizačného rozhodnutia.

Notifikácie a riadenie pozornosti

• Model môže odhadovať, ktoré upozornenie je relevantné, kedy ho poslať a či ho zoskupiť.
• Optimalizácia otvorenia notifikácie nie je to isté ako podpora používateľovho dlhodobého cieľa.
• Používateľ potrebuje zrozumiteľné kategórie, tichý režim a možnosť vypnúť marketingové podnety bez straty kritických správ.

Telefón a aplikácie súperia o obmedzenú pozornosť. Model predpovedá, či používateľ na správu zareaguje, a systém rozhodne o poradí, zvuku alebo čase. Užitočným výsledkom môže byť potlačenie rušenia a zvýraznenie urgentnej udalosti. Rovnaká technika však môže maximalizovať návrat do aplikácie bez ohľadu na to, či je prerušenie pre človeka prospešné.

Signál otvorenia je neúplný. Človek klikne aj preto, aby odstránil rušivú značku, zo strachu alebo po zavádzajúcom titulku. Ak sa model učí iba z kliknutí, môže posilniť naliehavosť a emocionálnosť. Dlhodobejšia metrika má zohľadniť vypínanie notifikácií, sťažnosti, spokojnosť a používateľom zvolený účel.

Rozdiel medzi servisným a marketingovým upozornením musí zostať viditeľný. Potvrdenie platby či bezpečnostný incident nie je rovnaká kategória ako odporúčané video. Aplikácia nemá podmieňovať kritickú funkciu súhlasom s behaviorálnym cielením, ak to nie je nevyhnutné.

Praktická kontrola zahŕňa vypnutie nepotrebných kategórií, súhrnný režim a čas bez vyrušovania. Prevádzkovateľ má merať aj neodoslanie: dobrý systém niekedy dosiahne cieľ práve tým, že používateľa nepreruší. AI môže chrániť pozornosť iba vtedy, ak je táto hodnota súčasťou návrhu, nielen zdrojom ďalšej interakcie.

Ako si zachovať kontrolu

• Zisti, či AI iba radí, filtruje, alebo vykonáva rozhodnutie s následkom.
• Skontroluj zdroje dát, nastavenia personalizácie, oprávnenia, históriu a dostupnú alternatívu.
• Pri významnom výsledku vyžiadaj vysvetlenie, opravu údajov a ľudské preskúmanie.

Prvá otázka znie: Čo presne systém robí? Automatická úprava fotografie má menší dopad než skóre ovplyvňujúce poistenie. Druhá: Aké údaje potrebuje? Aplikácia baterky nepotrebuje kontakty a jednoduchá kalkulačka polohu. Oprávnenie má zodpovedať funkcii.

Treťou otázkou je možnosť voľby. Dá sa personalizácia vypnúť, história vymazať a odporúčanie korigovať? Existuje chronologické poradie alebo manuálne vyhľadanie? Pri biometrickom prístupe je dostupný PIN? Kontrola je praktická iba vtedy, keď alternatíva funguje.

Pri vážnom výstupe sa pýtame na pôvod údajov, dátum, chybovosť a zodpovednú osobu. „Rozhodol algoritmus“ nie je dostatočné vysvetlenie. Organizácia vybrala systém, prah a proces. Musí vedieť opraviť nesprávny údaj a preskúmať konkrétny prípad.

Napokon si chránime pozornosť. Odporúčací systém je optimalizované prostredie, nie pasívne zrkadlo preferencií. Vypnutie nepotrebných notifikácií, priame vyhľadávanie a vedomý výber zdrojov obmedzia schopnosť poradia automaticky určovať ďalší krok.

Jeden bežný deň cez optiku AI

• Každodenná cesta ukazuje, že AI pôsobí vo vrstvách od zariadenia až po infraštruktúru.
• Rovnaký systém môže priniesť pohodlie jednému človeku a bariéru druhému.
• Kritické myslenie neznamená všetko odmietnuť, ale priradiť mieru dôvery následku.

Ráno telefón odfiltruje nočné upozornenia a hodinky odhadnú spánok. Predpoveď počasia a dopravy pomôže zvoliť odchod. Biometria odomkne zariadenie a klávesnica opraví správu. Každý krok používa iný druh dát a inú toleranciu chyby.

Cestou hudobná služba zoradí skladby, mapa prepočíta trasu a platobný systém skontroluje lístok. V práci filter roztriedi poštu, vyhľadávanie zoradí dokumenty a generatívny nástroj vytvorí návrh. Za hladkým rozhraním pôsobia modely, pravidlá, databázy a ľudia spravujúci výnimky.

Večer e-shop odporučí produkt, platforma video a fotoaparát automaticky upraví záber. Tieto systémy nielen reagujú na voľby; usporadúvajú možnosti, z ktorých voľba vznikne. Preto je dôležité rozlišovať pohodlie od neutrality.

Pri bežnej hudbe stačí stlačiť „nepáči sa mi“. Pri upozornení na zdravie treba prečítať, čo zariadenie skutočne meria, a pri príznakoch kontaktovať odborníka. Pri zamietnutí dôležitej služby žiadame preskúmanie. Rovnaké technické slovo AI teda neznamená rovnakú mieru dôvery.

Záver: AI je prostredie, nielen nástroj

• Každodenná AI formuje poradie informácií, pohodlie služieb aj niektoré príležitosti.
• Najdôležitejšie otázky sa týkajú cieľa, dát, chýb, vplyvu a možnosti kontroly.
• Informovaný používateľ využíva prínos, no nenecháva významné rozhodnutie bez primeraného overenia.

AI okolo nás najčastejšie predpovedá, rozpoznáva, zoraďuje alebo generuje. Nie je jednou skrytou mysľou v telefóne. Je sieťou špecializovaných modelov zasadených do produktov a inštitúcií. Ich správanie formujú dáta, metriky, obchodné pravidlá a používateľské rozhranie.

Mnohé prínosy sú reálne: dostupnejšia komunikácia, menej spamu, skoršie upozornenie, lepšia trasa či relevantnejší výsledok. Rovnako reálne sú falošné poplachy, nerovnomerný výkon, profilovanie a spätné väzby. Technická presnosť sama neurčuje, či je systém vhodný.

Denná AI gramotnosť preto nevyžaduje rozumieť každej architektúre. Vyžaduje rozoznať, kedy služba iba zvyšuje pohodlie a kedy ovplyvňuje právo, zdravie, peniaze alebo príležitosť. Pri prvom prípade stačí spätná väzba a nastavenie; pri druhom žiadame pôvod údajov, ľudské preskúmanie a funkčnú nápravu. Miera našej pozornosti má kopírovať mieru následku.

Najlepšou obranou proti mýtom nie je hľadať logo AI, ale sledovať rozhodovací reťazec. Aké údaje vstúpili, čo model odhadol, aké pravidlo nasledovalo a kto rieši omyl? Nasledujúca kapitola 9 - Kde AI funguje a kde zlyháva z týchto otázok vytvorí praktické kritériá vhodnosti.

Hĺbkové vysvetlenie a pedagogický seminár

Táto časť rozširuje tému ai okolo nás každý deň od základného porozumenia k samostatnej práci. Cieľom nie je zapamätať si čo najviac výrazov. Cieľ je identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby.

Pri každej úlohe sa oddeľuje odborná presnosť od jazykovej presvedčivosti. Dobrá odpoveď musí ukázať pôvod tvrdenia, podmienky platnosti a neistotu. Základné dôkazové pravidlo je: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Súčasne platí hranica: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie.

Pojmová mapa do hĺbky

1. Radenie obsahu

systém vyberá a usporadúva kandidátov podľa odhadovanej relevantnosti, záujmu, bezpečnosti a obchodných pravidiel. 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 radenie obsahu vo vzťahu k cieľu: identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania.

2. Odporúčanie

model predpokladá, čo by mohlo používateľovi vyhovovať, na základe podobností, histórie a aktuálneho kontextu. 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 odporúčanie vo vzťahu k cieľu: identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania.

3. Detekcia anomálie

platba, prihlásenie alebo správa sa označí ako neobvyklá vzhľadom na naučené vzory, nie ako definitívne podvodná. 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 detekcia anomálie vo vzťahu k cieľu: identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania.

4. Počítačové videnie

zariadenie analyzuje obraz pre odomknutie, triedenie fotografií, navigáciu alebo kontrolu kvality. 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 počítačové videnie vo vzťahu k cieľu: identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania.

5. Rozpoznávanie reči

zvuk sa mení na text alebo príkaz, pričom hluk, prízvuk a odborné mená ovplyvňujú chybovosť. 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 rozpoznávanie reči vo vzťahu k cieľu: identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania.

6. Personalizácia

rozhranie, ponuka alebo čas upozornenia sa prispôsobuje profilu a správaniu, čo môže pomáhať aj uzatvárať informačnú bublinu. 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 personalizácia vo vzťahu k cieľu: identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania.

7. Tiché rozhodovanie

AI býva skrytá vo filtri, poradí alebo rizikovom skóre, takže používateľ nemusí vedieť, že ovplyvnila jeho možnosť. 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 tiché rozhodovanie vo vzťahu k cieľu: identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania.

8. Právo na nápravu

pri významnom omyle je dôležité vedieť výsledok spochybniť, doplniť údaje a dostať prípad k zodpovednému človeku. 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 právo na nápravu vo vzťahu k cieľu: identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania.

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: Radenie obsahu a Odporúčanie

Pojmy radenie obsahu a odporúčanie sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: systém vyberá a usporadúva kandidátov podľa odhadovanej relevantnosti, záujmu, bezpečnosti a obchodných pravidiel. Druhý dopĺňa odlišnú časť obrazu: model predpokladá, čo by mohlo používateľovi vyhovovať, na základe podobností, histórie a aktuálneho kontextu. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 2: Odporúčanie a Detekcia anomálie

Pojmy odporúčanie a detekcia anomálie sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: model predpokladá, čo by mohlo používateľovi vyhovovať, na základe podobností, histórie a aktuálneho kontextu. Druhý dopĺňa odlišnú časť obrazu: platba, prihlásenie alebo správa sa označí ako neobvyklá vzhľadom na naučené vzory, nie ako definitívne podvodná. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 3: Detekcia anomálie a Počítačové videnie

Pojmy detekcia anomálie a počítačové videnie sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: platba, prihlásenie alebo správa sa označí ako neobvyklá vzhľadom na naučené vzory, nie ako definitívne podvodná. Druhý dopĺňa odlišnú časť obrazu: zariadenie analyzuje obraz pre odomknutie, triedenie fotografií, navigáciu alebo kontrolu kvality. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 4: Počítačové videnie a Rozpoznávanie reči

Pojmy počítačové videnie a rozpoznávanie reči sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: zariadenie analyzuje obraz pre odomknutie, triedenie fotografií, navigáciu alebo kontrolu kvality. Druhý dopĺňa odlišnú časť obrazu: zvuk sa mení na text alebo príkaz, pričom hluk, prízvuk a odborné mená ovplyvňujú chybovosť. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 5: Rozpoznávanie reči a Personalizácia

Pojmy rozpoznávanie reči a personalizácia sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: zvuk sa mení na text alebo príkaz, pričom hluk, prízvuk a odborné mená ovplyvňujú chybovosť. Druhý dopĺňa odlišnú časť obrazu: rozhranie, ponuka alebo čas upozornenia sa prispôsobuje profilu a správaniu, čo môže pomáhať aj uzatvárať informačnú bublinu. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 6: Personalizácia a Tiché rozhodovanie

Pojmy personalizácia a tiché rozhodovanie sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: rozhranie, ponuka alebo čas upozornenia sa prispôsobuje profilu a správaniu, čo môže pomáhať aj uzatvárať informačnú bublinu. Druhý dopĺňa odlišnú časť obrazu: AI býva skrytá vo filtri, poradí alebo rizikovom skóre, takže používateľ nemusí vedieť, že ovplyvnila jeho možnosť. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 7: Tiché rozhodovanie a Právo na nápravu

Pojmy tiché rozhodovanie a právo na nápravu sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: AI býva skrytá vo filtri, poradí alebo rizikovom skóre, takže používateľ nemusí vedieť, že ovplyvnila jeho možnosť. Druhý dopĺňa odlišnú časť obrazu: pri významnom omyle je dôležité vedieť výsledok spochybniť, doplniť údaje a dostať prípad k zodpovednému človeku. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak príklad hranicu prekračuje, treba ho označiť ako hypotézu alebo úlohu pre odborníka, nie ako hotový záver.

Väzba 8: Právo na nápravu a Radenie obsahu

Pojmy právo na nápravu a radenie obsahu sa v praxi stretávajú, ale neznamenajú to isté. Prvý opisuje túto skutočnosť: pri významnom omyle je dôležité vedieť výsledok spochybniť, doplniť údaje a dostať prípad k zodpovednému človeku. Druhý dopĺňa odlišnú časť obrazu: systém vyberá a usporadúva kandidátov podľa odhadovanej relevantnosti, záujmu, bezpečnosti a obchodných pravidiel. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. Takéto porovnanie je náročnejšie než zopakovanie definície, ale spoľahlivejšie odhalí skutočné porozumenie.

Kontrolný bod: Hranica tejto úvahy znie: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. 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: Navigácia do práce

Situácia: aplikácia odhaduje čas jazdy z historickej a aktuálnej premávky, no nepozná každú uzávierku ani osobnú preferenciu trasy. 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 radenie obsahu a počítačové videnie. Pri prvom platí: systém vyberá a usporadúva kandidátov podľa odhadovanej relevantnosti, záujmu, bezpečnosti a obchodných pravidiel. Pri druhom platí: zariadenie analyzuje obraz pre odomknutie, triedenie fotografií, navigáciu alebo kontrolu kvality. 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 identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní a súčasne rešpektovať hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Prípad 2: Fotografie v mobile

Situácia: zariadenie zoskupuje tváre a miesta, čím uľahčuje vyhľadávanie, ale vytvára citlivé odvodené informácie. 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 detekcia anomálie a personalizácia. Pri prvom platí: platba, prihlásenie alebo správa sa označí ako neobvyklá vzhľadom na naučené vzory, nie ako definitívne podvodná. Pri druhom platí: rozhranie, ponuka alebo čas upozornenia sa prispôsobuje profilu a správaniu, čo môže pomáhať aj uzatvárať informačnú bublinu. 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 identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní a súčasne rešpektovať hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Prípad 3: Internetový obchod

Situácia: poradie produktov kombinuje odhad záujmu, dostupnosť, cenu a obchodné priority, ktoré používateľ nevidí. 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 rozpoznávanie reči a právo na nápravu. Pri prvom platí: zvuk sa mení na text alebo príkaz, pričom hluk, prízvuk a odborné mená ovplyvňujú chybovosť. Pri druhom platí: pri významnom omyle je dôležité vedieť výsledok spochybniť, doplniť údaje a dostať prípad k zodpovednému človeku. 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 identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní a súčasne rešpektovať hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Ak táto stopa chýba, prípad ešte nie je uzavretý.

Prípad 4: Banková platba

Situácia: systém dočasne zadrží neobvyklú transakciu a človek potrebuje rýchly spôsob potvrdenia alebo nápravy. 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 tiché rozhodovanie a odporúčanie. Pri prvom platí: AI býva skrytá vo filtri, poradí alebo rizikovom skóre, takže používateľ nemusí vedieť, že ovplyvnila jeho možnosť. Pri druhom platí: model predpokladá, čo by mohlo používateľovi vyhovovať, na základe podobností, histórie a aktuálneho kontextu. 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 identifikovať každodenné AI systémy podľa ich funkcie, údajov a vplyvu a robiť informovanejšie rozhodnutia o ich používaní a súčasne rešpektovať hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. 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: Radenie obsahu v situácii fotografie v mobile

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: zariadenie zoskupuje tváre a miesta, čím uľahčuje vyhľadávanie, ale vytvára citlivé odvodené informácie. Hlavný pojem má tento význam: systém vyberá a usporadúva kandidátov podľa odhadovanej relevantnosti, záujmu, bezpečnosti a obchodných pravidiel. 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 detekcia anomálie, ktorý pripomína: platba, prihlásenie alebo správa sa označí ako neobvyklá vzhľadom na naučené vzory, nie ako definitívne podvodná. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 2: Odporúčanie v situácii internetový obchod

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: poradie produktov kombinuje odhad záujmu, dostupnosť, cenu a obchodné priority, ktoré používateľ nevidí. Hlavný pojem má tento význam: model predpokladá, čo by mohlo používateľovi vyhovovať, na základe podobností, histórie a aktuálneho kontextu. 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 personalizácia, ktorý pripomína: rozhranie, ponuka alebo čas upozornenia sa prispôsobuje profilu a správaniu, čo môže pomáhať aj uzatvárať informačnú bublinu. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 3: Detekcia anomálie v situácii banková platba

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: systém dočasne zadrží neobvyklú transakciu a človek potrebuje rýchly spôsob potvrdenia alebo nápravy. Hlavný pojem má tento význam: platba, prihlásenie alebo správa sa označí ako neobvyklá vzhľadom na naučené vzory, nie ako definitívne podvodná. 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 radenie obsahu, ktorý pripomína: systém vyberá a usporadúva kandidátov podľa odhadovanej relevantnosti, záujmu, bezpečnosti a obchodných pravidiel. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 4: Počítačové videnie v situácii navigácia do práce

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: aplikácia odhaduje čas jazdy z historickej a aktuálnej premávky, no nepozná každú uzávierku ani osobnú preferenciu trasy. Hlavný pojem má tento význam: zariadenie analyzuje obraz pre odomknutie, triedenie fotografií, navigáciu alebo kontrolu kvality. 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 počítačové videnie, ktorý pripomína: zariadenie analyzuje obraz pre odomknutie, triedenie fotografií, navigáciu alebo kontrolu kvality. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 5: Rozpoznávanie reči v situácii fotografie v mobile

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: zariadenie zoskupuje tváre a miesta, čím uľahčuje vyhľadávanie, ale vytvára citlivé odvodené informácie. Hlavný pojem má tento význam: zvuk sa mení na text alebo príkaz, pričom hluk, prízvuk a odborné mená ovplyvňujú chybovosť. 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 tiché rozhodovanie, ktorý pripomína: AI býva skrytá vo filtri, poradí alebo rizikovom skóre, takže používateľ nemusí vedieť, že ovplyvnila jeho možnosť. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 6: Personalizácia v situácii internetový obchod

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: poradie produktov kombinuje odhad záujmu, dostupnosť, cenu a obchodné priority, ktoré používateľ nevidí. Hlavný pojem má tento význam: rozhranie, ponuka alebo čas upozornenia sa prispôsobuje profilu a správaniu, čo môže pomáhať aj uzatvárať informačnú bublinu. 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 odporúčanie, ktorý pripomína: model predpokladá, čo by mohlo používateľovi vyhovovať, na základe podobností, histórie a aktuálneho kontextu. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 7: Tiché rozhodovanie v situácii banková platba

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: systém dočasne zadrží neobvyklú transakciu a človek potrebuje rýchly spôsob potvrdenia alebo nápravy. Hlavný pojem má tento význam: AI býva skrytá vo filtri, poradí alebo rizikovom skóre, takže používateľ nemusí vedieť, že ovplyvnila jeho možnosť. 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 rozpoznávanie reči, ktorý pripomína: zvuk sa mení na text alebo príkaz, pričom hluk, prízvuk a odborné mená ovplyvňujú chybovosť. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 8: Právo na nápravu v situácii navigácia do práce

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: aplikácia odhaduje čas jazdy z historickej a aktuálnej premávky, no nepozná každú uzávierku ani osobnú preferenciu trasy. Hlavný pojem má tento význam: pri významnom omyle je dôležité vedieť výsledok spochybniť, doplniť údaje a dostať prípad k zodpovednému človeku. 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 právo na nápravu, ktorý pripomína: pri významnom omyle je dôležité vedieť výsledok spochybniť, doplniť údaje a dostať prípad k zodpovednému človeku. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 9: Radenie obsahu v situácii fotografie v mobile

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: zariadenie zoskupuje tváre a miesta, čím uľahčuje vyhľadávanie, ale vytvára citlivé odvodené informácie. Hlavný pojem má tento význam: systém vyberá a usporadúva kandidátov podľa odhadovanej relevantnosti, záujmu, bezpečnosti a obchodných pravidiel. 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 detekcia anomálie, ktorý pripomína: platba, prihlásenie alebo správa sa označí ako neobvyklá vzhľadom na naučené vzory, nie ako definitívne podvodná. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 10: Odporúčanie v situácii internetový obchod

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: poradie produktov kombinuje odhad záujmu, dostupnosť, cenu a obchodné priority, ktoré používateľ nevidí. Hlavný pojem má tento význam: model predpokladá, čo by mohlo používateľovi vyhovovať, na základe podobností, histórie a aktuálneho kontextu. 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 personalizácia, ktorý pripomína: rozhranie, ponuka alebo čas upozornenia sa prispôsobuje profilu a správaniu, čo môže pomáhať aj uzatvárať informačnú bublinu. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 11: Detekcia anomálie v situácii banková platba

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: systém dočasne zadrží neobvyklú transakciu a človek potrebuje rýchly spôsob potvrdenia alebo nápravy. Hlavný pojem má tento význam: platba, prihlásenie alebo správa sa označí ako neobvyklá vzhľadom na naučené vzory, nie ako definitívne podvodná. 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 radenie obsahu, ktorý pripomína: systém vyberá a usporadúva kandidátov podľa odhadovanej relevantnosti, záujmu, bezpečnosti a obchodných pravidiel. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 12: Počítačové videnie v situácii navigácia do práce

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: aplikácia odhaduje čas jazdy z historickej a aktuálnej premávky, no nepozná každú uzávierku ani osobnú preferenciu trasy. Hlavný pojem má tento význam: zariadenie analyzuje obraz pre odomknutie, triedenie fotografií, navigáciu alebo kontrolu kvality. 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 počítačové videnie, ktorý pripomína: zariadenie analyzuje obraz pre odomknutie, triedenie fotografií, navigáciu alebo kontrolu kvality. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 13: Rozpoznávanie reči v situácii fotografie v mobile

Úlohu spracujte ako vysvetlenie pre začiatočníka. Východiskom je situácia: zariadenie zoskupuje tváre a miesta, čím uľahčuje vyhľadávanie, ale vytvára citlivé odvodené informácie. Hlavný pojem má tento význam: zvuk sa mení na text alebo príkaz, pričom hluk, prízvuk a odborné mená ovplyvňujú chybovosť. 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 tiché rozhodovanie, ktorý pripomína: AI býva skrytá vo filtri, poradí alebo rizikovom skóre, takže používateľ nemusí vedieť, že ovplyvnila jeho možnosť. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 14: Personalizácia v situácii internetový obchod

Úlohu spracujte ako odborné posúdenie tvrdenia. Východiskom je situácia: poradie produktov kombinuje odhad záujmu, dostupnosť, cenu a obchodné priority, ktoré používateľ nevidí. Hlavný pojem má tento význam: rozhranie, ponuka alebo čas upozornenia sa prispôsobuje profilu a správaniu, čo môže pomáhať aj uzatvárať informačnú bublinu. 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 odporúčanie, ktorý pripomína: model predpokladá, čo by mohlo používateľovi vyhovovať, na základe podobností, histórie a aktuálneho kontextu. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 15: Tiché rozhodovanie v situácii banková platba

Úlohu spracujte ako návrh kontrolovaného pracovného postupu. Východiskom je situácia: systém dočasne zadrží neobvyklú transakciu a človek potrebuje rýchly spôsob potvrdenia alebo nápravy. Hlavný pojem má tento význam: AI býva skrytá vo filtri, poradí alebo rizikovom skóre, takže používateľ nemusí vedieť, že ovplyvnila jeho možnosť. 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 rozpoznávanie reči, ktorý pripomína: zvuk sa mení na text alebo príkaz, pričom hluk, prízvuk a odborné mená ovplyvňujú chybovosť. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. Ak ju riešenie prekračuje, preformulujte záver na podmienené tvrdenie alebo odporúčanie na ďalšie odborné posúdenie.

Seminárna úloha 16: Právo na nápravu v situácii navigácia do práce

Úlohu spracujte ako diagnostika zlyhania. Východiskom je situácia: aplikácia odhaduje čas jazdy z historickej a aktuálnej premávky, no nepozná každú uzávierku ani osobnú preferenciu trasy. Hlavný pojem má tento význam: pri významnom omyle je dôležité vedieť výsledok spochybniť, doplniť údaje a dostať prípad k zodpovednému človeku. 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 právo na nápravu, ktorý pripomína: pri významnom omyle je dôležité vedieť výsledok spochybniť, doplniť údaje a dostať prípad k zodpovednému človeku. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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: prítomnosť AI a spôsob spracovania údajov treba overovať v dokumentácii služby a nastaveniach, nie odhadovať iba podľa vzhľadu rozhrania. Nakoniec skontrolujte hranicu: pohodlie alebo personalizácia neznamenajú, že systém pozná používateľa úplne, koná v jeho záujme alebo poskytuje neutrálne poradie. 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 osobná mapa kontaktov s AI obsahujúca účel, dáta, prospech, riziko, možnosť voľby a spôsob nápravy chyby. 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 pokrývajú odporúčacie systémy, biometriku, platby, zdravotníctvo a všeobecné riadenie AI.
• Konkrétne funkcie produktov sa menia; text sa preto opiera najmä o stabilné typy úloh a autoritatívne hodnotenia.
• Odkazy a aktuálnosť boli skontrolované k augustu 2026.

1. OECD: Explanatory memorandum on the updated OECD definition of an AI system, 2024.
2. Zhe Zhao a kol.: Recommending What Video to Watch Next: A Multitask Ranking System, ACM RecSys, 2019.
3. Jonathan Stray a kol.: Building Human Values into Recommender Systems, ACM Transactions on Recommender Systems, 2023.
4. NIST: Face Recognition Technology Evaluation - Demographic Effects, priebežne aktualizované hodnotenie.
5. Patrick Grother, Mei Ngan, Kayee Hanaoka: Face Recognition Vendor Test Part 3: Demographic Effects, NIST, 2019.
6. European Central Bank: European Fintech Payments Dialogue - Artificial intelligence in payments, 2025.
7. U.S. Food and Drug Administration: Artificial Intelligence-Enabled Medical Devices, priebežne aktualizovaný zoznam.
8. World Health Organization: Ethics and governance of artificial intelligence for health, 2021.
9. NIST: Artificial Intelligence Risk Management Framework (AI RMF 1.0), 2023.
10. Európska únia: Akt o umelej inteligencii - článok 3, vymedzenie pojmov, nariadenie (EÚ) 2024/1689.