Úvod do AI pre každého

Kapitola 01 · 20 min čítania Zadarmo

Algoritmus je postup, automatizácia vykonáva kroky a model odhaduje výsledok z naučených vzťahov. AI systém môže tieto časti kombinovať; nie každá automatická funkcia potrebuje AI.

Keď tabuľka spočíta výdavky, počítač vykonal výpočet. Keď aplikácia odhadne, ktoré výdavky sú nezvyčajné, rieši odlišnú úlohu. Súčet má presný postup. Posúdenie nezvyčajnosti potrebuje vymedziť, čo považujeme za bežné, a pracovať s neistotou. Práve rozdiel medzi takýmito úlohami pomáha pochopiť AI. Po tejto kapitole budete vedieť odlíšiť algoritmus, automatizáciu, strojové učenie a AI systém. Dokážete tiež vysvetliť, prečo jeden produkt môže obsahovať všetky tieto prvky a prečo úspešná odpoveď nepreukazuje ľudské myslenie. Umelá inteligencia je oblasť výskumu a technológií, ktoré umožňujú strojovým systémom vykonávať úlohy, ako sú rozpoznávanie, usudzovanie, plánovanie, učenie alebo tvorba obsahu. Konkrétny AI systém prijíma vstupy a vytvára výstupy, ktoré môžu ovplyvniť digitálne alebo fyzické prostredie. OECD vo svojej aktualizovanej definícii zdôrazňuje, že systém zo vstupov odvodzuje spôsob vytvárania predikcií, obsahu, odporúčaní alebo rozhodnutí. Systémy sa líšia mierou autonómie a tým, či sa po nasadení prispôsobujú. Definícia preto nevyžaduje, aby sa každá AI priebežne učila od každého používateľa. OECD, 2024.

Ťažisko tvoria časti „Definícia začína úlohou systému“, „Algoritmus je postup, nie označenie inteligencie“ a „Automatizácia opisuje vykonávanie práce“. Nejde iba o vysvetlenie pojmov. Kapitola ich prepája s rozhodnutiami, príkladmi a hranicami, ktoré treba poznať pri reálnom použití.

Po prečítaní budete vedieť vysvetliť hlavný princíp na vlastnom príklade a rozlíšiť údaj, odhad a vykonanú akciu. Praktickým výsledkom bude schopnosť určiť, čo treba pred použitím výsledku skontrolovať.

Kapitola odpovedá aj na otázku „Čo je hlavná myšlienka kapitoly „Čo je umelá inteligencia a čo ňou nie je“?“ Algoritmus je postup, automatizácia vykonáva kroky a model odhaduje výsledok z naučených vzťahov. AI systém môže tieto časti kombinovať; nie každá automatická funkcia potrebuje AI.

Kapitola 02 · 20 min čítania Zadarmo

Rozvoj AI nebol priamočiary. Dnešné schopnosti nadväzujú na výskum, dostupnejšie dáta a výpočtový výkon; úspech v jednej úlohe neznamená zvládnutie všetkých ostatných.

História AI sa nezačala uvedením chatbota pre verejnosť. Dnešné systémy nadväzujú na desaťročia práce s logikou, vyhľadávaním, štatistikou, neurónovými sieťami a výpočtovou technikou. Rozvoj nepostupoval plynulo. Niektoré úspechy sa rýchlo preniesli do praxe, iné vzbudili očakávania, ktoré dostupné metódy nedokázali splniť. Po tejto kapitole budete vedieť vysvetliť hlavné vývojové zmeny a zaradiť niekoľko dôležitých míľnikov. Dôležitejšie než memorovanie rokov bude porozumenie tomu, čo sa v danom období zmenilo: predstava o úlohe, spôsob jej riešenia alebo podmienky, v ktorých sa riešenie stalo použiteľným. Alan Turing publikoval v roku 1950 článok Computing Machinery and Intelligence. Namiesto nejasnej otázky, či stroje myslia, rozpracoval spôsob posudzovania ich správania v rozhovore. Jeho imitačná hra sa stala východiskom toho, čo dnes nazývame Turingovým testom. Turing, 1950. Posun spočíval v tom, že abstraktnú diskusiu prepojil s pozorovateľným výkonom. Človek môže porovnávať odpovede v určených podmienkach, hoci nemá priamy prístup k vnútornému prežívaniu iného účastníka. Takáto skúška však nie je univerzálnym meradlom všetkých schopností.

Ťažisko tvoria časti „Otázka, ktorú Turing premenil na skúšku“, „Dartmouth: vznik názvu a spoločného programu“ a „Symbolické metódy: znalosti zapísané tak, aby sa dali použiť“. Nejde iba o vysvetlenie pojmov. Kapitola ich prepája s rozhodnutiami, príkladmi a hranicami, ktoré treba poznať pri reálnom použití.

Po prečítaní budete vedieť vysvetliť hlavný princíp na vlastnom príklade a rozlíšiť údaj, odhad a vykonanú akciu. Praktickým výsledkom bude schopnosť určiť, čo treba pred použitím výsledku skontrolovať.

Kapitola odpovedá aj na otázku „Čo je hlavná myšlienka kapitoly „Ako sa umelá inteligencia vyvíjala“?“ Rozvoj AI nebol priamočiary. Dnešné schopnosti nadväzujú na výskum, dostupnejšie dáta a výpočtový výkon; úspech v jednej úlohe neznamená zvládnutie všetkých ostatných.

Kapitola 03 · 20 min čítania Zadarmo

AI je často súčasťou bežnej služby, nie samostatným robotom. Pri odporúčaní, navigácii či detekcii podvodu treba rozlišovať vstupné údaje, odhad a následnú akciu.

AI často spoznáte podľa funkcie, nie podľa viditeľného označenia. E-mailová služba presunie správu do spamu, telefón potlačí šum a obchod zoradí ponuku. Používateľ vidí výsledok, ale nie vždy vie, či vznikol pevným pravidlom, naučeným modelom alebo kombináciou oboch. Táto kapitola vás naučí rozobrať bežnú službu na vstupy, odhad a ďalšiu akciu. Pri konkrétnych firmách uvádzame iba verejne opísané mechanizmy. Modelové situácie predstavujú možné použitie, nie tvrdenie o fungovaní každej aplikácie na trhu. Vyhľadávač získava a organizuje informácie o stránkach. Keď zadáte dopyt, musí vybrať relevantné výsledky a určiť ich poradie. Pri tom môže používať mnoho metód vrátane jazykových modelov. Samotné vyhľadávanie však nie je totožné s generovaním odpovede. V klasickom zozname výsledkov otvárate konkrétne stránky. V generovanej odpovedi systém zostavuje nový text. Môže pritom využiť vyhľadané podklady, ale spôsob zostavenia odpovede vytvára ďalší priestor pre chybu: môže nesprávne spojiť údaje alebo prehliadnuť podmienku.

Ťažisko tvoria časti „Vyhľadávanie: nájsť stránku a napísať odpoveď sú odlišné úlohy“, „Odporúčania filmov, hudby a výrobkov“ a „Sociálne siete a spätná väzba“. Nejde iba o vysvetlenie pojmov. Kapitola ich prepája s rozhodnutiami, príkladmi a hranicami, ktoré treba poznať pri reálnom použití.

Po prečítaní budete vedieť vysvetliť hlavný princíp na vlastnom príklade a rozlíšiť údaj, odhad a vykonanú akciu. Praktickým výsledkom bude schopnosť určiť, čo treba pred použitím výsledku skontrolovať.

Kapitola odpovedá aj na otázku „Čo je hlavná myšlienka kapitoly „Kde sa s AI stretávame v bežnom živote“?“ AI je často súčasťou bežnej služby, nie samostatným robotom. Pri odporúčaní, navigácii či detekcii podvodu treba rozlišovať vstupné údaje, odhad a následnú akciu.

Kapitola 04 · 20 min čítania Zadarmo

Tréning hľadá použiteľné vzťahy v príkladoch. Výsledok treba hodnotiť aj na nových údajoch: zapamätanie tréningových príkladov ešte nie je schopnosť zovšeobecniť.

Obchod chce odhadnúť, koľko pečiva predá zajtra. Má záznamy o predaji, dňoch v týždni a otváracích hodinách. Nestačí ich nahrať do ľubovoľného nástroja a očakávať spoľahlivú odpoveď. Najprv treba určiť, čo presne sa odhaduje, ktoré údaje budú dostupné v čase rozhodnutia a ako sa úspešnosť overí. Učenie z dát je výpočtový proces, pri ktorom sa parametre modelu upravujú podľa príkladov a cieľa. Táto kapitola sleduje celý postup na modelovej predajni. Čísla a situácie slúžia na vysvetlenie; nejde o údaje skutočného podniku. „Zlepšiť predaj“ je obchodná ambícia, nie dostatočne určená úloha modelu. „Odhadnúť počet predaných kusov na ďalší deň“ je presnejšie zadanie. Vieme pomenovať vstup, požadovaný výstup aj čas, ku ktorému má odhad vzniknúť. Ani predaj sa nemusí rovnať dopytu. Ak predajňa objedná málo pečiva a vypredá ho dopoludnia, záznam ukáže počet predaných kusov. Neobsahuje všetkých zákazníkov, ktorí by ešte nakúpili. Model trénovaný iba na predaji môže preberať obmedzenie zásob. Tento rozdiel má praktický význam.

Ťažisko tvoria časti „Úloha musí byť presná skôr než dáta“, „Jeden riadok dát predstavuje konkrétny prípad“ a „Dáta sú meranie, nie samotná skutočnosť“. Nejde iba o vysvetlenie pojmov. Kapitola ich prepája s rozhodnutiami, príkladmi a hranicami, ktoré treba poznať pri reálnom použití.

Po prečítaní budete vedieť vysvetliť hlavný princíp na vlastnom príklade a rozlíšiť údaj, odhad a vykonanú akciu. Praktickým výsledkom bude schopnosť určiť, čo treba pred použitím výsledku skontrolovať.

Kapitola odpovedá aj na otázku „Čo je hlavná myšlienka kapitoly „Ako sa AI učí z dát“?“ Tréning hľadá použiteľné vzťahy v príkladoch. Výsledok treba hodnotiť aj na nových údajoch: zapamätanie tréningových príkladov ešte nie je schopnosť zovšeobecniť.

Kapitola 05 · 20 min čítania Zadarmo

Učenie s učiteľom využíva označené príklady, učenie bez učiteľa hľadá štruktúru a posilňované učenie pracuje so spätnou väzbou za konanie. Výber závisí od úlohy a dostupných údajov.

Tri tímy pracujú s podobnou tabuľkou. Prvý odhaduje, či zákazník vráti výrobok. Druhý hľadá skupiny podobných nákupov. Tretí skúša, kedy ponúknuť zľavu, aby dosiahol vhodný výsledok v dlhšom období. Rozdiel nie je iba v názve algoritmu. Každý tím má iný druh spätnej väzby a inú úlohu. V tejto kapitole rozlíšime učenie s učiteľom, bez učiteľa a posilňované učenie. Doplníme samoučenie s odvodenými cieľmi, ktoré je dôležité pre veľké jazykové modely. Po prečítaní budete vedieť určiť vhodný typ učenia podľa zadania, nie podľa reklamného názvu produktu. Učenie s učiteľom, po anglicky supervised learning, používa príklady so vstupom a cieľovým výsledkom. Model hľadá vzťah, ktorý umožní odhadnúť výsledok pri novom vstupe. Učiteľ tu neznamená človeka sediaceho pri každom výpočte. Označuje dostupnosť cieľov na učenie. Google: Supervised Learning. Predstavte si archív zákazníckych správ. Každá bola zaradená ako otázka o objednávke, reklamácia alebo technická požiadavka. Z textov a ich označení sa môže model učiť rozpoznávať kategóriu ďalšej správy.

Ťažisko tvoria časti „Pri učení s učiteľom sú výsledky v príkladoch známe“, „Klasifikácia odhaduje kategóriu“ a „Regresia odhaduje číselnú hodnotu“. Nejde iba o vysvetlenie pojmov. Kapitola ich prepája s rozhodnutiami, príkladmi a hranicami, ktoré treba poznať pri reálnom použití.

Po prečítaní budete vedieť vysvetliť hlavný princíp na vlastnom príklade a rozlíšiť údaj, odhad a vykonanú akciu. Praktickým výsledkom bude schopnosť určiť, čo treba pred použitím výsledku skontrolovať.

Kapitola odpovedá aj na otázku „Čo je hlavná myšlienka kapitoly „Strojové učenie a jeho základné typy“?“ Učenie s učiteľom využíva označené príklady, učenie bez učiteľa hľadá štruktúru a posilňované učenie pracuje so spätnou väzbou za konanie. Výber závisí od úlohy a dostupných údajov.

Kapitola 06 · 20 min čítania Zadarmo

Neurónová sieť je výpočtový model, nie zmenšený ľudský mozog. Jej parametre sa upravujú pri tréningu; viac vrstiev samo osebe nezaručuje správny výsledok.

Z fotografie rukou napísanej číslice sa dá vytvoriť dlhý zoznam čísel opisujúcich svetlé a tmavé miesta. Neurónová sieť s nimi vykoná sériu výpočtov a odhadne, ktorá číslica je na obrázku. Nemusíme si pri tom predstavovať malý mozog v počítači. Presnejšia predstava je nastaviteľný výpočtový model. Po tejto kapitole budete vedieť vysvetliť jednotku siete, váhu, vrstvu a tréning. Spoznáte rozdiely medzi niekoľkými architektúrami a pochopíte, prečo počet parametrov alebo vrstiev sám osebe nevyjadruje kvalitu výsledku. Názov neurónová sieť vznikol z inšpirácie nervovou sústavou. Umelá jednotka však nie je biologický neurón. Je to výpočtová operácia, ktorá spracuje vstupné hodnoty a vytvorí výstup. Pri učení siete nemusíme dokazovať podobnosť s celým ľudským mozgom. Potrebujeme vedieť, ako transformuje údaje a ako sa upravujú jej parametre. Príliš doslovná analógia by mohla vytvoriť mylnú predstavu, že sieť cíti, chce alebo chápe rovnakým spôsobom ako človek. V modelovej úlohe triedenia snímok môže jednotka reagovať na určitý vzorec hodnôt. Taká reakcia nie je vedomým pozorovaním predmetu. Je súčasťou výpočtu, ktorého užitočnosť sa overuje na výsledkoch.

Ťažisko tvoria časti „Biologická inšpirácia má hranice“, „Jednotka kombinuje vstupy podľa váh“ a „Prečo potrebujeme nelinearitu“. Nejde iba o vysvetlenie pojmov. Kapitola ich prepája s rozhodnutiami, príkladmi a hranicami, ktoré treba poznať pri reálnom použití.

Po prečítaní budete vedieť vysvetliť hlavný princíp na vlastnom príklade a rozlíšiť údaj, odhad a vykonanú akciu. Praktickým výsledkom bude schopnosť určiť, čo treba pred použitím výsledku skontrolovať.

Kapitola odpovedá aj na otázku „Čo je hlavná myšlienka kapitoly „Neurónové siete a deep learning“?“ Neurónová sieť je výpočtový model, nie zmenšený ľudský mozog. Jej parametre sa upravujú pri tréningu; viac vrstiev samo osebe nezaručuje správny výsledok.

Kapitola 07 · 20 min čítania Zadarmo

Jazykový model vytvára pokračovanie textu podľa naučených vzťahov a dodaného kontextu. Plynulosť odpovede nie je dôkazom pravdivosti ani overenia zdrojov.

Požiadate nástroj o stručné vysvetlenie fotosyntézy. Odpovie plynulým odsekom. Potom ho požiadate o vysvetlenie pre dieťa a text zjednoduší. Táto pružnosť vyplýva zo schopnosti vytvárať obsah podľa kontextu, nie iba vyberať jednu pripravenú odpoveď. Veľký jazykový model, LLM, je model trénovaný na rozsiahlych jazykových dátach, ktorý sa dá použiť pri viacerých úlohách. Generatívna AI je širšie označenie pre systémy vytvárajúce obsah. Nie každý generatívny model pracuje s jazykom a nie každý jazykový model slúži predovšetkým na generovanie. Model vykonáva výpočty. Chatbot je aplikácia, ktorá sprostredkuje rozhovor a môže pridávať ďalšie funkcie. Môže vyhľadávať, čítať dokumenty, ukladať nastavenia alebo používať nástroje. Ak aplikácia správne odpovie na dnešnú otázku o otváracích hodinách, nemusí ísť o poznatok z parametrov modelu. Mohla si údaje dohľadať. Ak odpovie na priložený dokument, môže ho spracovať ako kontext aktuálnej úlohy. Rovnaký základný model tak môže poskytovať odlišnú skúsenosť v rôznych produktoch. Záleží na dostupných nástrojoch, systémových pokynoch a podkladoch. Hodnotenie chatbotu preto nemožno redukovať na názov modelu.

Ťažisko tvoria časti „Model a chatbot nie sú rovnaká vec“, „Text sa mení na tokeny“ a „Reprezentácie umožňujú počítať vzťahy“. Nejde iba o vysvetlenie pojmov. Kapitola ich prepája s rozhodnutiami, príkladmi a hranicami, ktoré treba poznať pri reálnom použití.

Po prečítaní budete vedieť vysvetliť hlavný princíp na vlastnom príklade a rozlíšiť údaj, odhad a vykonanú akciu. Praktickým výsledkom bude schopnosť určiť, čo treba pred použitím výsledku skontrolovať.

Kapitola odpovedá aj na otázku „Čo je hlavná myšlienka kapitoly „Generatívna AI a veľké jazykové modely“?“ Jazykový model vytvára pokračovanie textu podľa naučených vzťahov a dodaného kontextu. Plynulosť odpovede nie je dôkazom pravdivosti ani overenia zdrojov.

Kapitola 08 · 20 min čítania Zadarmo

Text, obraz, zvuk a video predstavujú odlišné vstupy a úlohy. Multimodálny systém ich môže prepájať, ale kvalitu treba overiť pre každú konkrétnu funkciu.

Fotografia bločka, zvuk prednášky a video z dielne obsahujú informácie v rôznych podobách. Systém môže z každej z nich vytvoriť text, ale cesta k textu nie je rovnaká. Obraz potrebuje zachytiť priestorové vzťahy, zvuk priebeh v čase a video navyše súvislosť medzi snímkami. Modalita je druh informácie alebo spôsob jej zachytenia. Text, obraz a zvuk sú typické príklady. Multimodálny systém pracuje s viacerými takými podobami. Neznamená to, že každú zvláda rovnako dobre alebo že jediný model vykonáva všetky kroky. Pri posudzovaní nástroja si zapíšte, čo prijíma a čo vytvára. Systém obraz-text opisuje obrázok. Text-obraz generuje vizuál podľa pokynu. Zvuk-text prepisuje reč. Text-zvuk môže čítať napísaný obsah syntetickým hlasom. Rozdiel je praktický. Nástroj, ktorý dokáže opísať fotografiu, nemusí vedieť upraviť jej vybranú časť. Nástroj, ktorý vie vytvoriť hlas, nemusí poskytovať spoľahlivú identifikáciu hovoriaceho. Zručnosti sa nesmú odvodzovať iba z podobného rozhrania. Niektoré produkty spájajú samostatné modely. Prepisovač vytvorí text, jazykový model pripraví odpoveď a syntéza vytvorí zvuk.

Ťažisko tvoria časti „Vstup a výstup treba pomenovať osobitne“, „Text obsahuje význam aj štruktúru“ a „Obraz sa reprezentuje číslami a vzťahmi“. Nejde iba o vysvetlenie pojmov. Kapitola ich prepája s rozhodnutiami, príkladmi a hranicami, ktoré treba poznať pri reálnom použití.

Po prečítaní budete vedieť vysvetliť hlavný princíp na vlastnom príklade a rozlíšiť údaj, odhad a vykonanú akciu. Praktickým výsledkom bude schopnosť určiť, čo treba pred použitím výsledku skontrolovať.

Kapitola odpovedá aj na otázku „Čo je hlavná myšlienka kapitoly „Ako AI pracuje s textom, obrazom, zvukom a videom“?“ Text, obraz, zvuk a video predstavujú odlišné vstupy a úlohy. Multimodálny systém ich môže prepájať, ale kvalitu treba overiť pre každú konkrétnu funkciu.

Kapitola 09 · 20 min čítania Zadarmo

Spoľahlivosť sa posudzuje na relevantnej úlohe, nie podľa jednej pôsobivej ukážky. Kontrola má byť prísnejšia tam, kde chyba zasiahne zdravie, peniaze, práva alebo dôverné údaje.

Nástroj správne preloží náročný odsek a vzápätí nesprávne prečíta dátum v jednoduchej tabuľke. Tento rozpor nie je výnimočnou logickou záhadou. Výkon modelu sa líši podľa úlohy, vstupu a spôsobu spracovania. Z jednej úspešnej odpovede sa nedá odvodiť všeobecná spoľahlivosť. Po tejto kapitole budete vedieť vybrať vhodný spôsob kontroly. Rozlíšite plynulosť, správnosť, úplnosť a použiteľnosť výstupu. Naučíte sa tiež čítať údaj o úspešnosti bez toho, aby ste mu pripisovali širší význam, než poskytuje. AI môže pomáhať pri triedení, odhadoch, vyhľadávaní, transformácii obsahu a viacstupňovej práci. Slovo dokáže však potrebuje podmienky. Aké vstupy? Aký požadovaný výsledok? S akou chybovosťou? S akou ľudskou podporou? Model môže dobre sumarizovať krátke oznamy a horšie pracovať s dlhou zmluvou. Môže úspešne rozpoznať bežný predmet na jasnej fotografii a zlyhať na drobnom poškodení. Rozdiel často vyplýva z dát, reprezentácie a nárokov úlohy. Stanford AI Index 2026 opisuje nerovnomernosť schopností a výsledkov v rozličných testoch.

Ťažisko tvoria časti „Schopnosť treba viazať na konkrétnu úlohu“, „Plynulosť a pravdivosť sú rozdielne hodnotenia“ a „Halucinácia je presvedčivý obsah bez dostatočnej opory“. Nejde iba o vysvetlenie pojmov. Kapitola ich prepája s rozhodnutiami, príkladmi a hranicami, ktoré treba poznať pri reálnom použití.

Po prečítaní budete vedieť vysvetliť hlavný princíp na vlastnom príklade a rozlíšiť údaj, odhad a vykonanú akciu. Praktickým výsledkom bude schopnosť určiť, čo treba pred použitím výsledku skontrolovať.

Kapitola odpovedá aj na otázku „Čo je hlavná myšlienka kapitoly „Čo AI dokáže a kde má limity“?“ Spoľahlivosť sa posudzuje na relevantnej úlohe, nie podľa jednej pôsobivej ukážky. Kontrola má byť prísnejšia tam, kde chyba zasiahne zdravie, peniaze, práva alebo dôverné údaje.

Kapitola 10 · 20 min čítania Zadarmo

Agenti, multimodalita a robotika rozširujú možnosti AI, nie istotu úspechu. Rozlišujte výsledok experimentu, dostupnú funkciu a predpoveď; pri samostatných akciách určite oprávnenia a spôsob zastavenia.

Najviditeľnejšou zmenou je rozširovanie systémov od odpovede k práci s nástrojmi a viacerými druhmi vstupov. Model môže navrhovať postup, vyhľadať informáciu, vytvoriť súbor a skontrolovať výsledok. Pri robotike sa pridáva konanie vo fyzickom priestore. Táto kapitola vysvetľuje vývojové smery podľa verejne dostupných zdrojov overených k 4. októbru 2026. Neurčuje dátum vzniku všeobecnej inteligencie ani nepredpovedá, že každý experiment sa stane bežnou službou. Pri každom smere odlišuje doložený príklad od modelového scenára použitia. AI agent je systém, ktorý podľa cieľa a informácií z prostredia volí ďalšie kroky. V praxi môže používať model, nástroje, záznamy a opakovanú spätnú väzbu. Označenie agent však nemá v produktoch jednotný rozsah. Anthropic vo svojom odbornom článku rozlišuje pevnejšie pracovné postupy od agentov, pri ktorých model dynamicky riadi proces a používanie nástrojov. Toto rozlíšenie je užitočné, hoci nejde o jedinú možnú terminológiu. Building effective agents, 2024. V modelovej úlohe asistent odpovie, ktoré kroky treba vykonať pri príprave tabuľky.

Ťažisko tvoria časti „Agent sa odlišuje tým, čo môže vykonať“, „Pracovná slučka potrebuje výsledok z prostredia“ a „Infrastruktúra sa stáva dôležitou časťou agentov“. Nejde iba o vysvetlenie pojmov. Kapitola ich prepája s rozhodnutiami, príkladmi a hranicami, ktoré treba poznať pri reálnom použití.

Po prečítaní budete vedieť vysvetliť hlavný princíp na vlastnom príklade a rozlíšiť údaj, odhad a vykonanú akciu. Praktickým výsledkom bude schopnosť určiť, čo treba pred použitím výsledku skontrolovať.

Kapitola odpovedá aj na otázku „Čo je hlavná myšlienka kapitoly „Kam smeruje vývoj umelej inteligencie“?“ Agenti, multimodalita a robotika rozširujú možnosti AI, nie istotu úspechu. Rozlišujte výsledok experimentu, dostupnú funkciu a predpoveď; pri samostatných akciách určite oprávnenia a spôsob zastavenia.