Čo je umelá inteligencia a ako funguje

Definícia umelej inteligencie

Európsky Akt o umelej inteligencii definuje AI systém ako strojový systém navrhnutý tak, aby pracoval s rôznou mierou autonómnosti, mohol sa po nasadení prispôsobovať a zo vstupov odvodzoval spôsob vytvorenia výstupov. Výstupom môže byť predikcia, obsah, odporúčanie alebo rozhodnutie, ktoré ovplyvní fyzické alebo virtuálne prostredie. [1]

Podobnú definíciu používa OECD. Dôležitým slovom je „odvodzuje“. AI systém nevykonáva iba jednoduchú, človekom úplne predpísanú postupnosť krokov. Používa model alebo znalostnú reprezentáciu, pomocou ktorej určuje, aký výstup zodpovedá prijatému vstupu a cieľu systému. [2]

Umelú inteligenciu preto môžeme prakticky opísať ako systém, ktorý prijme informáciu, vyhodnotí ju pomocou modelu a vytvorí výstup použiteľný pri ďalšej činnosti.

Vstupom môže byť text, obraz, zvuk, číslo, video, údaj zo senzora alebo kombinácia viacerých formátov. Výstupom môže byť odpoveď, kategória, skóre, predikcia, odporúčanie, vytvorený obsah alebo príkaz pre ďalší systém.

Je každý algoritmus umelou inteligenciou?

Nie. Algoritmus je postup na vyriešenie úlohy. Môže byť veľmi jednoduchý alebo mimoriadne komplexný, no samotná zložitosť z neho nerobí AI.

Kalkulačka vykonávajúca presne stanovenú matematickú operáciu spravidla neodvodzuje nový spôsob riešenia podľa vstupu. Klasický informačný systém môže na základe pevného pravidla poslať faktúru po potvrdení objednávky. Takýto proces môže byť automatizovaný, ale nemusí používať umelú inteligenciu.

Rozdiel sa objaví vtedy, keď systém potrebuje zo vstupov odvodiť vzťah, ktorý nie je úplne zapísaný ako pevná séria pravidiel. Môže napríklad odhadovať, či zákazník pravdepodobne odíde, rozpoznať poškodenie na fotografii alebo zaradiť správu podľa jej významu.

Akt o umelej inteligencii výslovne rozlišuje AI od jednoduchších systémov založených iba na pravidlách stanovených človekom. Za jednu z kľúčových vlastností AI označuje schopnosť odvodzovania. [1]

Ako funguje umelá inteligencia

Praktické fungovanie AI možno rozdeliť na šesť navzájom prepojených častí. Skutočná kvalita systému nezávisí iba od modelu. Rovnako dôležité sú cieľ, vstupy, spôsob vyhodnocovania, ľudské rozhodnutia a prostredie, v ktorom sa systém používa.

Schéma 1: Šesť prvkov, ktoré rozhodujú o kvalite AI systému

1. Cieľ určuje, čo má systém optimalizovať

Každý AI systém potrebuje úlohu. Môže ísť o rozpoznanie objektu, odhad budúcej hodnoty, zoradenie možností, vytvorenie obsahu alebo odporúčanie ďalšieho kroku.

Technický cieľ však nemusí byť totožný s reálnym cieľom organizácie.

Model môže úspešne predpovedať, na ktorý reklamný odkaz človek klikne. To ešte neznamená, že reklama privedie správneho zákazníka alebo vytvorí zisk. Systém môže skrátiť čas vybavenia požiadavky, no zároveň zvýšiť počet nesprávne uzavretých prípadov.

Prvým krokom pri návrhu AI preto nemá byť výber nástroja. Musí ním byť presná definícia výsledku, ktorý sa má zlepšiť.

2. Dáta vytvárajú informačný základ

Model sa môže učiť z textov, obrazov, transakcií, meraní, zvukových záznamov, používateľského správania alebo historických rozhodnutí.

Dáta však nepredstavujú neutrálny obraz sveta. Vznikajú v konkrétnom prostredí a podľa konkrétnych pravidiel. Môžu byť neúplné, neaktuálne, nesprávne označené alebo ovplyvnené predchádzajúcimi rozhodnutiami.

Ak firma trénuje model na historických obchodných prípadoch, model sa nenaučí automaticky ideálnu obchodnú prax. Naučí sa vzory prítomné v historických údajoch, vrátane chýb, obmedzení a skreslení.

Kvalita dát preto neznamená iba technicky čistú tabuľku. Zahŕňa reprezentatívnosť, význam jednotlivých premenných, pôvod informácií, aktuálnosť, zákonnosť spracovania aj primeranosť pre konkrétny účel.

3. Model zachytáva vzťahy medzi vstupmi a výstupmi

Model je matematické alebo logické zobrazenie určitej časti problému. Nie je úplnou kópiou reality.

Jednoduchý model môže odhadovať cenu nehnuteľnosti podľa výmery, lokality a stavu. Komplexný model počítačového videnia môže pracovať s miliónmi obrazových prvkov a veľkým množstvom parametrov. Jazykový model zachytáva pravdepodobnostné a významové vzťahy medzi textovými jednotkami.

Model dokáže pracovať iba s informáciami, ktoré sa do jeho reprezentácie dostali prostredníctvom dát, pravidiel, architektúry alebo dodatočného kontextu. Ak relevantnú informáciu nemá, môže vytvoriť nesprávny výstup aj vtedy, keď technicky funguje presne podľa návrhu.

4. Tréning vytvára model, inferencia ho používa

Počas tréningu sa upravujú parametre modelu. Systém porovnáva svoje výstupy s tréningovým cieľom a postupne znižuje chybu alebo zlepšuje inú definovanú metriku.

Inferencia je použitie natrénovaného modelu na nový vstup.

Keď model hodnotí novú fotografiu alebo odpovedá na otázku, spravidla sa netrénuje od začiatku. Používa vzťahy vytvorené počas predchádzajúceho tréningu. Niektoré systémy sa po nasadení ďalej prispôsobujú, iné zostávajú rovnaké až do ďalšej riadenej aktualizácie.

Rozlíšenie tréningu a inferencie je dôležité aj z hľadiska dát. To, že používateľ vloží informáciu do systému počas používania, automaticky neznamená, že sa ňou základný model okamžite pretrénuje. Konkrétny spôsob spracovania závisí od služby, zmluvných podmienok, konfigurácie a použitej architektúry.

5. Výstup nie je automaticky pravda

AI môže vytvoriť veľmi presvedčivý výsledok. Presvedčivosť však nie je dôkazom správnosti.

Klasifikačný model môže prideliť nesprávnu kategóriu. Predikčný model môže zlyhať po zmene trhu. Generatívny systém môže vytvoriť neexistujúci zdroj, chybnú právnu interpretáciu alebo nepravdivý údaj.

Výstup treba chápať podľa typu systému. Predikcia je odhad založený na dostupných vzoroch. Odporúčanie vychádza z optimalizačného cieľa. Generovaný text je vytvorený obsah, nie automaticky overená databázová odpoveď. Skóre rizika nie je totožné s konečným rozhodnutím o človeku alebo udalosti.

NIST vytvoril rámec AI Risk Management Framework, ktorý organizáciám pomáha riadiť riziká AI počas návrhu, vývoja, nasadenia a používania. Rámec je dobrovoľný, sektorovo neutrálny a zameraný na praktické riadenie dôveryhodnosti systémov. [3]

6. Spätná väzba udržiava systém použiteľný

Prostredie sa mení. Mení sa správanie zákazníkov, jazyk, ekonomika, výrobný proces, spôsob podvodov aj kvalita vstupných dát.

Model, ktorý fungoval dobre pri nasadení, môže postupne strácať presnosť. Tento jav sa často spája so zmenou dátového rozdelenia alebo vzťahu medzi vstupmi a výsledkom.

AI systém preto potrebuje monitoring, pravidelné testovanie, záznamy o chybách, proces hlásenia incidentov a jasnú zodpovednosť. Bez týchto prvkov sa aj kvalitný model môže zmeniť na neviditeľný zdroj opakovaných problémov.

Hlavné typy umelej inteligencie

AI možno deliť podľa použitých metód, vytváraných výstupov, miery autonómnosti alebo účelu. Jedno univerzálne delenie preto nestačí. Nasledujúca tabuľka používa praktické rozdelenie podľa toho, čo systém robí.

Tabuľka 1: Praktické rozdelenie AI systémov podľa typu výstupu

Symbolická a znalostná AI

Symbolické systémy pracujú s explicitnými pravidlami, logikou, pojmami a vzťahmi. Môžu používať znalostné grafy, expertné pravidlá alebo formálne reprezentácie problému.

Ich výhodou býva čitateľnejšia logika a možnosť sledovať, ktoré pravidlo viedlo k výsledku. Nevýhodou je náročnosť ručného zachytenia zložitého sveta. Pri veľkom počte výnimiek sa systém môže stať ťažko udržiavateľným.

Strojové učenie

Strojové učenie je časť AI, pri ktorej sa model učí vzory z dát. Namiesto manuálneho zápisu všetkých rozhodovacích pravidiel sa optimalizujú parametre modelu.

Strojové učenie zahŕňa učenie s učiteľom, učenie bez učiteľa, posilňované učenie a ďalšie prístupy. Podrobne ich rozoberá samostatný samostatný článok o strojovom učení.

Neurónové siete a hlboké učenie

Neurónové siete pozostávajú z navzájom prepojených výpočtových jednotiek usporiadaných do vrstiev. Hlboké učenie používa siete s viacerými vrstvami a dokáže spracúvať komplexné vzory v obraze, zvuku, texte alebo senzorických údajoch.

Významný posun v počítačovom videní priniesla v roku 2012 hlboká konvolučná sieť predstavená v práci o klasifikácii databázy ImageNet. Autori pracovali s približne 1,3 milióna tréningových obrázkov a dosiahli výrazne lepší výsledok než predchádzajúce metódy. [4]

Generatívna AI

Generatívna AI vytvára nový obsah. Môže generovať text, obraz, video, zvuk, hudbu, programový kód alebo kombinované multimodálne výstupy.

Nie každá AI je generatívna. Systém na predikciu poruchy nemusí nič vytvárať. Model na detekciu podvodu môže iba prideliť skóre. Generatívne systémy sú viditeľnou časťou AI, nie celou oblasťou.

NIST upozorňuje, že generatívna AI prináša špecifické riziká spojené s dôveryhodnosťou obsahu, súkromím, bezpečnosťou, zaujatosťou, duševným vlastníctvom a interakciou človeka so systémom. [5]

Slabá a silná umelá inteligencia

Výrazy slabá a silná AI sa používajú pri diskusii o rozsahu schopností systému.

Slabá alebo úzka AI rieši konkrétne úlohy. Patrí sem väčšina reálne nasadených systémov, napríklad rozpoznávanie obrazu, odporúčanie produktov, predikcia dopytu alebo generovanie textu.

Silná alebo všeobecná AI sa zvyčajne opisuje ako hypotetický systém schopný flexibilne zvládať široké spektrum intelektuálnych úloh. Problémom je, že neexistuje jedna univerzálne prijatá technická skúška, ktorá by jednoznačne určovala, kedy systém túto hranicu prekročil.

Pre firmu je preto praktickejšie hodnotiť konkrétne schopnosti, limity a riziká systému než viesť spor o marketingové označenie jeho inteligencie.

Stručná história umelej inteligencie

Korene AI siahajú k výskumu logiky, výpočtov, pravdepodobnosti, učenia a ľudského myslenia. Za symbolický vznik umelej inteligencie ako samostatnej výskumnej oblasti sa však považuje Dartmouthský letný výskumný projekt z roku 1956. [6]

Stretnutie organizoval John McCarthy a názov „artificial intelligence“ sa stal pomenovaním novej oblasti výskumu. Účastníci vychádzali z predpokladu, že aspekty učenia a inteligencie možno opísať dostatočne presne na to, aby ich bolo možné strojovo simulovať.

Prvé desaťročia boli silne spojené so symbolickou AI, logikou, riešením problémov a expertnými systémami. Výskumníci sa pokúšali zapísať znalosti a pravidlá tak, aby s nimi mohol pracovať počítač.

Neskôr začali získavať väčší význam štatistické metódy a strojové učenie. Namiesto ručného zapisovania každého pravidla sa modely učili z dát.

Rozvoj grafických procesorov, rozsiahlych datasetov a nových tréningových postupov podporil nástup hlbokého učenia. Neurónové siete priniesli výrazný pokrok pri analýze obrazov, rozpoznávaní reči a spracovaní jazyka.

V roku 2017 bola predstavená architektúra Transformer. Pôvodná práca navrhla spracovanie sekvencií založené na mechanizme pozornosti, bez potreby pôvodných rekurentných alebo konvolučných štruktúr používaných v danom type úloh. Táto architektúra sa následne stala základom mnohých veľkých jazykových a multimodálnych modelov. [7]

História AI však nebola plynulým rastom. Obdobia nadšenia sa striedali s etapami sklamania, obmedzeného financovania a prehodnocovania očakávaní. Táto skúsenosť zostáva aktuálna. Technická ukážka ešte nie je dôkazom ekonomicky, právne a prevádzkovo udržateľného nasadenia.

Kde sa umelá inteligencia používa

Využitie umelej inteligencie je širšie než tvorba textu. AI môže pracovať v pozadí systému bez toho, aby ju používateľ priamo videl.

Výroba a kontrola kvality

Model počítačového videnia môže analyzovať snímky výrobkov a hľadať praskliny, deformácie, nesprávne umiestnenie súčiastky alebo inú odchýlku.

Systém môže kontrolovať väčší počet výrobkov a upozorňovať pracovníka na podozrivé prípady. Výsledok však závisí od kvality obrazu, osvetlenia, reprezentatívnosti tréningových dát a toho, či sa výrobné prostredie nezmenilo.

Prediktívna údržba

AI môže spracúvať vibrácie, teplotu, spotrebu energie, zvuk zariadenia a servisnú históriu. Cieľom je odhaliť vznikajúcu poruchu skôr, než spôsobí odstávku.

Systém nemusí presne predpovedať deň poruchy. Hodnotu môže priniesť aj včasným upozornením, ktoré umožní technikovi naplánovať kontrolu.

Detekcia podvodov

Finančné a obchodné systémy môžu analyzovať transakcie, zariadenia, účty, geografické súvislosti a časové vzory.

Príliš citlivý systém môže blokovať legitímne platby. Príliš benevolentný model prehliadne podvody. Kvalita sa preto nemeria iba počtom správnych výsledkov, ale aj cenou jednotlivých typov chyby.

Zdravotníctvo

AI môže podporovať analýzu medicínskych snímok, organizáciu dokumentácie, vyhľadávanie informácií alebo triedenie prípadov.

Výstup modelu však nemožno automaticky zameniť s diagnózou. Výkon závisí od populácie pacientov, pracoviska, technického vybavenia a spôsobu zapojenia do klinického procesu.

Marketing a obchod

Modely môžu segmentovať zákazníkov, predikovať pravdepodobnosť nákupu, odporúčať produkty, analyzovať spätnú väzbu alebo podporovať tvorbu obsahu.

Najväčšou chybou je optimalizovať ľahko merateľnú metriku, ktorá nereprezentuje skutočný obchodný cieľ. Kliknutie nie je automaticky predaj, počet zobrazení nie je zisk a množstvo vytvoreného obsahu nie je kvalita komunikácie.

Vyhľadávanie v interných znalostiach

AI môže pomáhať zamestnancom vyhľadávať v smerniciach, technickej dokumentácii, zmluvách alebo návodoch.

Kvalitný systém musí rozlišovať medzi odpoveďou založenou na dostupnom dokumente a odpoveďou, ktorú model iba pravdepodobnostne doplnil. Používateľ by mal mať prístup k pôvodnému zdroju a vedieť skontrolovať kontext.

Generovanie obsahu

Generatívna AI môže vytvárať prvé návrhy textov, obrázkov, kódu, prezentácií alebo zvukových výstupov.

Profesionálny výsledok však potrebuje zadanie, zdroje, redakčnú kontrolu, faktické overenie, posúdenie práv a zodpovednosť konkrétneho človeka. Rýchlosť tvorby sama osebe nevytvára odbornú hodnotu.

Miniatlas príkladov umelej inteligencie

Tabuľka 2: Miniatlas typických vstupov, výstupov a kontrolných bodov

Ako rozšírená je AI v Európskej únii

Podľa Eurostatu používalo v roku 2025 aspoň jednu zo sledovaných technológií umelej inteligencie 20 percent podnikov v EÚ s minimálne desiatimi pracovníkmi. V roku 2024 to bolo 13,5 percenta. [8]

Tabuľka 3: Podiel podnikov v EÚ používajúcich AI, vybrané roky

Graf 1: Podiel podnikov v EÚ používajúcich AI. Zdroj dát: Eurostat, hodnoty uvedené v článku.

Zdrojom je prieskum Eurostatu o využívaní informačných a komunikačných technológií v podnikoch. Výsledky sa vzťahujú na podniky s minimálne desiatimi pracovníkmi vo vybraných odvetviach, preto ich nemožno automaticky preniesť na všetky mikropodniky a živnostníkov. [9]

Najčastejšou sledovanou technológiou bola v roku 2025 analýza písaného jazyka, ktorú používalo 11,8 percenta podnikov. Generovanie obrazu, videa alebo zvuku uviedlo 9,5 percenta a generovanie písaného alebo hovoreného jazyka 8,8 percenta podnikov. [8]

V roku 2025 použilo generatívne AI nástroje 32,7 percenta obyvateľov EÚ vo veku od 16 do 74 rokov. Pri skupine od 16 do 24 rokov dosiahol podiel 63,8 percenta. Údaje sa týkajú použitia počas troch mesiacov pred zisťovaním a nemožno z nich odvodiť úroveň odbornosti ani intenzitu používania. [9]

Výhody umelej inteligencie

Najväčší prínos AI nevzniká tým, že organizácia začne používať nový nástroj. Vzniká odstránením konkrétneho obmedzenia v procese.

AI dokáže spracovať väčšie množstvo informácií, vyhľadávať opakujúce sa vzory, podporovať predikcie, pripravovať návrhy a vykonávať konzistentné hodnotenie.

Vhodne použitý systém môže skrátiť čas potrebný na prvotnú analýzu, upozorniť na anomáliu, zoradiť prípady podľa priority alebo pripraviť podklad pre odborníka.

Môže tiež zlepšiť dostupnosť informácií. Zamestnanec nemusí manuálne prechádzať stovky dokumentov, ak systém dokáže nájsť relevantnú pasáž a pripojiť pôvodný zdroj.

Prínos však musí byť merateľný. Nestačí konštatovať, že tím používa AI. Organizácia potrebuje vedieť, či sa znížila chybovosť, skrátil čas, zlepšila dostupnosť služby, zvýšila kvalita alebo znížili náklady.

Riziká umelej inteligencie

Nesprávny alebo vymyslený výstup

Generatívny systém môže vytvoriť nepravdivé tvrdenie, neexistujúci zdroj alebo nesprávne vysvetlenie. Jazyková plynulosť môže zvýšiť dôveru používateľa aj v chybný obsah.

Zaujatosť

Model môže reprodukovať nerovnosti alebo skreslenia prítomné v tréningových dátach. Problém nemusí byť viditeľný v priemernej presnosti, ale môže sa prejaviť pri konkrétnej skupine ľudí alebo pri menej častých prípadoch.

Strata súkromia

Používateľ môže do externého systému vložiť osobné údaje, obchodné tajomstvo, zdravotnú informáciu alebo interný dokument bez toho, aby poznal spôsob ďalšieho spracovania.

Bezpečnostné zneužitie

AI systém môže byť vystavený škodlivým vstupom, manipulácii, úniku údajov alebo zneužitiu pripojených nástrojov. Riziko rastie, keď má systém prístup k e-mailu, databázam, súborom alebo možnosti vykonávať operácie.

Automatizačné skreslenie

Človek môže považovať výsledok stroja za objektívnejší a presnejší, než v skutočnosti je. Formálna ľudská kontrola potom existuje iba na papieri. Skutočný dohľad vyžaduje odborné znalosti, čas, prístup k podkladom a právomoc výstup odmietnuť alebo zmeniť.

Strata odborných schopností

Ak ľudia prestanú samostatne analyzovať problém, môžu postupne strácať schopnosť rozpoznať chybu. AI preto nemá iba nahrádzať činnosť. Pri citlivých úlohách musí podporovať zachovanie odborného úsudku.

Ako vybrať vhodné využitie AI vo firme

Začnite problémom, nie produktom

Organizácia by mala najprv pomenovať konkrétnu stratu, oneskorenie, chybovosť alebo nevyužitú príležitosť.

Otázka „Kde by sme mohli používať AI?“ je príliš široká. Presnejšia otázka znie: „Pri ktorom rozhodnutí dnes strácame najviac času alebo kvality a vieme zmerať zlepšenie?“

Overte dostupnosť dát

Bez vhodných vstupov môže byť aj výkonný model nepoužiteľný.

Firma potrebuje poznať pôvod dát, ich kvalitu, úplnosť, právny základ, aktuálnosť a význam. Dôležité je aj to, či existuje dostatok príkladov zriedkavých, ale kritických situácií.

Stanovte cenu chyby

Chyba pri návrhu interného názvu dokumentu má iné následky než chyba pri rozhodovaní o zdraví, zamestnaní, úvere alebo bezpečnosti.

Čím vyšší je možný dopad, tým prísnejšie musia byť testovanie, dokumentácia, ľudský dohľad a možnosť nápravy.

Porovnajte AI s jednoduchším riešením

Nie každý problém potrebuje model umelej inteligencie. Niekedy postačí lepší formulár, kvalitnejšie pravidlo, databázové vyhľadávanie alebo klasická automatizácia.

Jednoduchšie riešenie môže byť lacnejšie, predvídateľnejšie a ľahšie kontrolovateľné.

Začnite kontrolovaným pilotom

Prvý projekt by mal mať jasné hranice, merateľný výsledok a bezpečnú možnosť návratu k pôvodnému procesu.

Vhodným pilotom môže byť návrh odpovede bez automatického odoslania, vyhľadávanie v schválenej znalostnej báze alebo označenie prípadov na následnú odbornú kontrolu.

FAQ

Čo je umelá inteligencia jednoducho?

Umelá inteligencia je strojový systém, ktorý zo vstupných informácií odvodzuje výstup, napríklad predikciu, odporúčanie, rozhodnutie alebo obsah. Výstup vytvára pomocou modelu, pravidiel, naučených vzorov alebo kombinácie viacerých metód.

Aký je rozdiel medzi AI a strojovým učením?

Umelá inteligencia je širšia oblasť. Strojové učenie je jeden zo spôsobov vytvárania AI systémov. Model sa pri ňom učí vzory z dát namiesto toho, aby človek ručne naprogramoval každé rozhodovacie pravidlo.

Je ChatGPT celá umelá inteligencia?

Nie. ChatGPT patrí medzi generatívne jazykové systémy. AI zahŕňa aj počítačové videnie, predikčné modely, odporúčacie systémy, robotiku, detekciu anomálií, znalostné systémy a mnohé ďalšie oblasti.

Dokáže AI rozmýšľať ako človek?

Systém môže vytvárať výsledky, ktoré pripomínajú ľudské uvažovanie, no z podobnosti výstupu nemožno automaticky odvodiť rovnaký vnútorný proces, vedomie alebo všeobecné porozumenie. Prakticky treba hodnotiť konkrétne schopnosti, limity a výsledky.

Je umelá inteligencia objektívna?

Nie automaticky. Výsledok ovplyvňujú dáta, cieľ, architektúra, metriky, rozhodnutia vývojárov a spôsob nasadenia. AI môže niektoré ľudské chyby znižovať, no môže tiež systematicky reprodukovať skreslenia.

Môže sa AI mýliť?

Áno. Príčinou môže byť nekvalitný vstup, nereprezentatívne dáta, zmena prostredia, nevhodný model, nesprávna interpretácia, bezpečnostný útok alebo prirodzená neistota predikcie.

Záver

Umelá inteligencia nie je kúzlo ukryté v algoritme. Je to spojenie cieľa, vstupov, dát, modelu, výpočtového procesu, ľudských rozhodnutí a prostredia, v ktorom sa výsledok používa.

Dokáže spracúvať veľké množstvo informácií, odhaľovať vzory, pripravovať návrhy a podporovať rozhodovanie. Rovnaký systém však môže vytvoriť presvedčivú chybu, preniesť historické skreslenie alebo automatizovať rozhodnutie, ktoré malo zostať pod priamou kontrolou človeka.

Pochopiť, ako funguje umelá inteligencia, preto neznamená naučiť sa zoznam populárnych nástrojov. Znamená vedieť sa pýtať, aký problém systém rieši, z akých dát vychádza, ako sa meria jeho výkon, čo sa stane pri chybe a kto nesie zodpovednosť za konečný výsledok.

Zdroje a podkladové dokumenty

1. Nariadenie Európskeho parlamentu a Rady (EÚ) 2024/1689, Akt o umelej inteligencii

2. OECD, Explanatory memorandum on the updated OECD definition of an AI system

3. NIST, Artificial Intelligence Risk Management Framework, AI RMF 1.0

4. Krizhevsky, Sutskever, Hinton, ImageNet Classification with Deep Convolutional Neural Networks

5. NIST, Artificial Intelligence Risk Management Framework, Generative Artificial Intelligence Profile

6. Dartmouth College, Artificial Intelligence coined at Dartmouth

7. Vaswani a kol., Attention Is All You Need

8. Eurostat, 20 % of EU enterprises use artificial intelligence technologies

9. Eurostat, Generative AI use in the European Union