Umělou inteligenci dnes používají lidé v kancelářích, zákaznických centrech i při vyhledávání informací, často bez toho, aby znali základní pojmy z jejího fungování. Hospodářské noviny proto zveřejnily přehled výrazů od tokenů až po ztrátové funkce. Podle Stanfordova institutu HAI uvedlo v roce 2025 používání AI ve své organizaci 88 procent dotazovaných firem. Generativní AI, tedy systémy vytvářející text, obraz, zvuk nebo programový kód, využívalo alespoň v jedné podnikové funkci 70 procent organizací. ([tech.hn.cz](https://tech.hn.cz/c1-67930530-od-agentu-pres-kvantizaci-az-po-ztratove-funkce-tady-jsou-pojmy-bez-jejichz-znalosti-se-v-dnesni-ai-rychle-ztratite))
Základní jednotkou, se kterou jazykové modely pracují, není slovo, ale token. Může jít o celé slovo, jeho část, znak nebo interpunkci. Model převede vstup na posloupnost tokenů, zpracuje ji a následně předpovídá další tokeny. Počet tokenů ovlivňuje délku kontextu, tedy kolik informací může model při jedné úloze zohlednit, i cenu provozu. OpenAI uvádí jako hrubé pravidlo pro angličtinu, že jeden token odpovídá přibližně čtyřem znakům nebo třem čtvrtinám slova; přesný poměr se ale liší podle jazyka a použitého modelu. ([help.openai.com](https://help.openai.com/en/articles/4936856-what-are-?utm_source=openai))
Inference označuje fázi, kdy již natrénovaný model odpovídá na konkrétní požadavek. Nejde tedy o jeho učení, ale o samotný výpočet odpovědi. Právě inference je důležitá pro ekonomiku služeb, protože probíhá při každém dotazu uživatele. Stanford HAI uvádí, že náklady na provoz modelu s výkonem přibližně na úrovni GPT-3.5 klesly od roku 2022 zhruba 280krát. U nejvýkonnějších systémů ale zůstává provoz dražší než u menších modelů. ([hai.stanford.edu](https://hai.stanford.edu/news/here-are-3-big-takeaways-from-stanfords-ai-index-report?utm_source=openai))
Fine-tuning neboli dolaďování je další trénování již existujícího modelu na užší sadě dat. Firma tak může model přizpůsobit vlastnímu oboru, stylu odpovědí nebo konkrétním úkolům. Odlišný postup představuje prompt engineering, tedy přesnější formulování zadání bez změny samotného modelu. V praxi může jít například o uvedení požadovaného formátu, kontextu nebo příkladů správné odpovědi.
Proč záleží na velikosti modelu
Kvantizace snižuje přesnost, s níž jsou uloženy parametry modelu. Parametry jsou číselné hodnoty, které během tréninku zachycují vztahy v datech. Pokud se například použije menší počet bitů, model zabere méně paměti a může běžet rychleji nebo levněji, za cenu možného poklesu přesnosti. Podobný cíl mají pruning, tedy odstraňování méně důležitých částí modelu, a distilace, při níž se menší „student“ učí napodobovat větší „učitel“.
AI agent je systém, který kromě vytvoření odpovědi dokáže plánovat více kroků, používat nástroje a reagovat na výsledek předchozí akce. Může například vyhledat podklady, pracovat s databází a připravit výstup podle zadaných pravidel. Podle Stanfordova AI Indexu zůstává nasazení agentů ve firmách zatím v rané fázi: jejich využití bylo v roce 2025 ve většině podnikových funkcí jednociferné. Základem vývoje modelů je ztrátová funkce, která měří rozdíl mezi očekávaným a skutečným výstupem. Trénink se ji snaží postupně snižovat úpravou parametrů. Právě kombinace dat, parametrů, výpočetní kapacity a následného dolaďování určuje, co model umí a jaké náklady jeho provoz přináší. ([hai.stanford.edu](https://hai.stanford.edu/ai-index/2026-ai-index-report/economy?utm_source=openai))
Zdroj: Hospodářské noviny
Tento článek byl vytvořen s pomocí umělé inteligence a redakčně zkontrolován.