AI (Umělá inteligence)

Umělá inteligence (Artificial Intelligence) je obor informatiky zabývající se vytvářením systémů schopných řešit úkoly, které vyžadují lidskou inteligenci. To zahrnuje rozpoznávání řeči, vizuální vnímání, rozhodování, překlad jazyků a učení se z dat.

Moderní AI se posunula od systémů založených na pevných pravidlech (expertí systémy) k systémům, které si pravidla odvozují samy z velkého množství dat.

1. Základní dělení AI

Existují dva pohledy na klasifikaci AI: podle schopností a podle šíře zaměření.

Podle schopností

Úzká AI (Narrow / Weak AI): Specializovaná na jednu konkrétní úlohu (např. šachy, rozpoznání obličeje, překlad textu). Všechna současná AI patří do této kategorie.
Obecná AI (General AI / AGI): Hypotetický systém s kognitivními schopnostmi na úrovni člověka, schopný se adaptovat na jakýkoliv úkol.
Superinteligence: Teoretická úroveň AI, která by svými schopnostmi výrazně překonala lidstvo.

Podle technologie (Hierarchie)

Artificial Intelligence: Nadmnožina všech technik umožňujících strojům napodobovat lidské chování.
Machine Learning (Strojové učení): Podmnožina AI využívající statistické metody k tomu, aby se stroje zlepšovaly na základě zkušeností (dat).
Deep Learning (Hluboké učení): Podmnožina ML využívající vícevrstvé neuronové sítě k analýze složitých dat (obraz, zvuk, text).

2. Klíčové podobory a aplikace

Obor	Popis	Příklad
NLP	Natural Language Processing – zpracování přirozeného jazyka.	Chatboti, překladače, LLM.
Computer Vision	Počítačové vidění – analýza a pochopení obrazu a videa.	Autonomní řízení, OCR, medicínská diagnostika.
Robotics	Integrace AI do fyzických strojů.	Průmyslové automaty, drony.
Generative AI	Vytváření nového obsahu (text, obrázky, hudba).	Midjourney, ChatGPT, DALL-E.

3. Jak se AI učí? (Typy učení)

Učení s učitelem (Supervised Learning): Model dostává data s jasnými popisky (např. fotka kočky označená jako „kočka“).
Učení bez učitele (Unsupervised Learning): Model hledá skryté vzorce v datech bez popisků (shlukování zákazníků do skupin).
Zpětnovazebné učení (Reinforcement Learning): Model se učí metodou pokus-omyl na základě odměn a trestů (např. AlphaGo).

4. Aktuální trendy a výzvy

Multimodalita: Modely, které chápou text, obraz i zvuk současně.
Efektivita: Snaha o zmenšování modelů (kvantizace), aby běžely na mobilech, nikoliv jen v datacentrech.
Etika a Bias: Řešení otázek autorských práv, halucinací a předpojatosti algoritmů.
Edge AI: Provádění výpočtů AI přímo na koncovém zařízení bez cloudu.

Tip: Při studiu AI je důležité rozlišovat mezi „marketingovým hype“ a reálnými technickými možnostmi. Většina moderních úspěchů v AI je výsledkem kombinace tří faktorů: masivních dat, vysokého výkonu GPU a architektury Transformer.

Zpět na hlavní rozcestník