AI slovník
Terminologická základna umělé inteligence
648 odborně zpracovaných pojmů s definicí, praktickým vysvětlením, 3 240 FAQ, souvisejícími entitami a redakční stopou.
- Pojmy
- 648
- Kategorie
- 565
- FAQ
- 3240
A/B testování
A/B testing je kontrolovaný experiment, ve kterém se porovnávají dvě nebo více verzí produktu, modelu, promptu či rozhodovacího pravidla na náhodně rozdělených uživatelích nebo případech. Předem se určí primární metrika, hypotéza, minimálně významný efekt a způsob statistického vyhodnocení. Randomizace pomáhá oddělit účinek testované změny od sezónnosti, rozdílů mezi skupinami a dalších rušivých vlivů. Při sekvenčním sledování je třeba upravit inferenční postup, aby opakované nahlížení do výsledků nezvyšovalo falešnou pozitivitu.
ablační studie
Ablation study, česky ablační studie, je experiment, při kterém se z modelu, datové pipeline nebo tréninkového postupu odstraní vybraná složka a výsledek se porovná s úplnou verzí. Cílem je odhadnout kauzální příspěvek konkrétní architektonické části, typu vstupu, ztrátové funkce nebo tréninkového triku. Přesvědčivá ablace mění jednu věc najednou, používá stejná data a opakuje měření při více náhodných inicializacích. Při složitých modelech se výsledek interpretuje spolu s interakcemi mezi komponenty, ne jako izolovaná vlastnost jedné části.
Accelerated Linear Algebra kompilátor
XLA je open source kompilátor pro strojové učení, který optimalizuje výpočty lineární algebry pro CPU, GPU a další akcelerátory. Framework odevzdá výpočetní graf v high-level operations, kompilátor provede transformace, fúziu operací, plánování paměti a generování cílového kódu. Kompilace může snížit počet kernel launchů a medzivýsledků, ale přináší čas kompilace a omezení podporovaných operací. XLA není model ani runtime rozhraní uživatele. Výkonnostný přínos závisí na tvarů tenzorů, dynamiky grafu, backendu a velikosti dávky.
adversariální příklad
Adversarial example je vstup záměrně vytvořený nebo upravený tak, aby vyvolal chybnou či útočníkem zvolenou reakci modelu, ačkoli pro člověka může působit nezměněně nebo legitimně. Úprava může být digitální, například malé změny pixelů, nebo fyzická, například vzor na objektu snímaném kamerou. Úspěšnost závisí na threat modelu, povoleném rozsahu zásahu, znalosti modelu a podmínek, ve kterých se vstup zpracovává. Při hodnocení se uvádí i to, či perturbace zachovává sémantický význam a zda je proveditelná mimo laboratorní podmínky.
Adversariální testování červeným týmem
Red teaming je autorizované adversariální testování, při kterém nezávislá nebo funkčne oddelená skupina cíleně hledá způsoby selhání, zneužitia a obejití ochranných opatření AI systému. Vychází z threat modelu, scenárů použití a realistických schopností útočníka. Zahrnuje bezpečnost, soukromí, škodlivý obsah, prompt injection, diskriminačné chování i provozní slabiny. Výsledkem mají být reprodukovatelné důkazy, závažnost, návrh mitigace a retest, ne pouze seznam provokatívnych promptů.
adversariální trénink
Adversarial training je tréninková metoda, při které se do učení záměrně zařazují adversariálně upravené vstupy a model se optimalizuje tak, aby na nich zachoval správné chování. Často se formuluje jako robustní optimalizace, která minimalizuje ztrátu při nejhorší povolené perturbaci v definovaném okolí vstupu. Metoda může zvýšit odolnost vůči konkrétní třídě útoků, ale výsledek závisí na threat modelu, síle generátoru útoků a tréninkového rozpočtu.
adversariální útok
Adversarial attack je záměrná činnost útočníka, jejímž cílem je změnit chování modelu nebo AI systému manipulací dat, vstupů, modelových artefaktů, externích zdrojů či provozního prostředí. Útok může probíhat během sběru dat, tréninku, nasazení nebo inference. Mezi cíle patří snížení dostupnosti, obejití detekce, vynucení konkrétního výstupu, extrakce informací nebo narušení integrity systému. Posouzení proto vždy potřebuje explicitní threat model, který popisuje schopnosti, znalosti a omezení útočníka.
agent vykonávající úlohy na webe
Web agent je AI systém, který plánuje a provádí sekvenci operací nad webovým prostredím, například vyhledávání, otvárání stránok, extrakci údajů, vyplňání formulárů nebo porovnávání zdrojů. Pozorování může prichádzat ze struktury DOM, prístupového stromu, API nebo obrazu obrazovky. Agent kombinuje model, nástroje, stav úlohy a pravidla oprávnění. Spolehlivost ovlivňují dynamické rozhraní, nejednoznačné pokyny, prompt injection, změna obsahu a nevratné akce, proto musí mít omezený rozsah a kontrolní body.
AI agent
AI agent je softvérový systém, který interpretuje cíl a kontext, plánuje nebo vybírá další krok a provádí akce prostřednictvím nástrojů, rozhraní či jiných systémů. Obvykle kombinuje model, riadiacu logiku, dostupné nástroje, stav nebo paměť a ochranné pravidla. Od běžného generování odpovědi se odlišuje tím, že může měnit externí stav, například vytvořit záznam, odoslat správu, spustit kód nebo získat údaje z databáze. Míra agentnosti roste s délkou plánování, počtem dostupných akcií a schopností pokračovat bez průběžného potvrzení člověka.
AI analýza röntgenových snímků
X-ray image analysis je použití algoritmů na klasifikaci, detekci, lokalizaci, segmentaci, měření nebo generování správ z röntgenových obrazů. Model pracuje s projekčnou snímkou, ve které se anatomické struktury prekrývají a intenzita závisí na akvizíce a zpracování. Klinický systém musí rozlišovat triáž, pomoc při detekci a autonómny diagnostický záměr. Hodnocení zahrnuje externí pracoviská, zařízení, demografické skupiny, prevalenci a workflow. Vysoké AUC na retrospektívnom datasete nepreukazuje klinický přínos ani bezpečnost při nasazení.
AI asistent
AI assistant je používatelsky orientovaná aplikace, která využívá jeden nebo více AI modelů na podporu člověka při získavaní informací, tvorbě obsahu, analýze nebo vykonaní úlohy. Může pracovat v konverzačnom rozhraní, v kancelárskom softvéri nebo v špecializovanom pracovnom postupe. Jeho hranice určuje dostupný kontext, nástroje, oprávnění a pravidla. Odpovědnost za rozhodnutí může zůstat na uživateli i tehdy, když asistent navrhne hotový výstup.
AI gramotnost
AI literacy, gramotnost v oblasti AI, je soubor znalostí, zručností a kritického porozumění potřebných na informované používání, dohled nebo řízení AI systémů. Zahrnuje pochopení možností a limitů, kvality dat, nejistoty, lidského dohledu, bezpečnosti, práv a dopadů. Podle AI Act mají poskytovatelia a nasadzovatelia prijat opatření na zabezpečení dostatočnej úrovně gramotnosti svojich pracovníků s ohladom na jejich technické znalosti, zkušenosti a kontext použití.
AI orientovaná na člověka
Human-centered AI je přístup k návrhu a správe AI, který začíná ludskými potrebami, hodnotami, schopnostmi a důsledkami používání, ne pouze optimalizací technickej metriky. Zahrnuje participaci dotknutých lidí, analýzu pracovného kontextu, prístupnost, zrozumitelné ovládání, možnost nápravy, přiměřenou autonómiu a měření dopadu na jednotlivců i organizaci. Neznamená automaticky, že člověk musí schvalovat každý výstup. Rozdělení úloh se navrhuje podle rizika a kompetencií. Deklarace orientace na člověka nemá hodnotu bez důkazů z výskumu uživatelů a provozních výsledků.
AI pipeline
AI pipeline je usporiadaný sled kroků, kterými procházejí data, model a výsledky od získání vstupů přes čištění, transformace, trénink, hodnocení, registraci a nasazení až po monitoring. V generativní aplikaci může zahrnovat i chunking, embedding, indexování, retrieval, sestavení promptu a postprocessing. Pipeline má definovat rozhraní, verze artefaktů, závislosti a kontrolní body, aby byl proces reprodukovatelný a změny sledovatelné.
Akční hodnotová funkce
Q-function je funkce, která každé přípustné dvojici stavu a akce přiřazuje Q-value. Může být reprezentovaná tabulkou, lineárním modelem, stromem nebo neuronovou sítí. Splňuje Bellmanovu rovnici pro zvolenou politiku nebo Bellmanovu optimální rovnici pro Q*. Funkce je globální objekt definovaný nad prostorem stavů a akcií, zatímco Q-value je její hodnota v jednom bodě. Při aproximaci mimo pokrytých dat může vracet přesvědčivé, ale nepodložené odhady.
aktivační funkce
Activation function, aktivační funkce, je matematická transformace aplikovaná na vážený součet vstupů neuronu. Zavádí nelinearitu, díky které může vícevrstvá síť aproximovat složité vztahy, místo toho, aby se celý model choval jako jediná lineární transformace. Volba funkce ovlivňuje tok gradientů, rychlost učení, stabilitu a rozsah výstupů. Běžné příklady jsou Relu, sigmoid, tanh, GELU a softmax. Vhodnost se posuzuje podle umístění ve vrstvě, ztrátové funkce a numerických vlastností během zpětného šíření.
aktivní učení
Active learning je přístup k strojovému učení, při kterém model nebo výběrová strategie určuje, které neoznačené příklady mají být předloženy člověku či jinému orákulu na doplnění správného štítku. Cílem je dosáhnout požadované kvality s menším množstvím nákladně označených dat. Výběr může vycházet z nejistoty modelu, reprezentativnosti vzorku, očekávané změny modelu nebo kombinace kritérií. Proces probíhá iterativně. Výběrová politika se musí hodnotit odděleně od modelu, protože může měnit složení novozískaných tréninkových dat.
algoritmické zkreslení
Algorithmic bias je systematický vzorec v datech, modeli, pravidlách nebo procese nasazení, který vede k nepřiměřeně odlišným chybám, výsledkem nebo dopadom pro určité osoby či skupiny. Může vzniknout nereprezentatívnym výběrem dat, historickou nerovností, chybným označováním, proxy premennými, nevhodnou cílovou metrikou nebo rozdílným způsobem používání systému. Posouzení vyžaduje rozlíšit statistickou odchylku, kvalitu služby a reálný společenský dopad.
algoritmus
Algorithm, algoritmus, je konečný a jednoznačne opísaný postup, který transformuje vstupy na výstupy prostřednictvím série kroků. Může být deterministický, když stejný vstup vede k rovnakému výsledku, nebo používat náhodnost. V AI se algoritmy používají na trénink modelů, vyhledávání, optimalizaci, rozhodování a zpracování dat. Algoritmus není synonymom modelu: tréninkový algoritmus model vytváří nebo upravuje, zatímco model uchovává naučené parametry či pravidla.
Algoritmus k nejbližších sousedů
K-nearest neighbors, zkráceně k-NN, je neparametrická metoda, která při predikci vyhladá k tréninkových příkladů nejbližších novému bodu podle zvolené metriky. Při klasifikaci agreguje jejich třídy, při regresii jejich cílové hodnoty, případně s váhami podle vzdálenosti. Model nemá klasickou tréninkovou fázu, uchovává data a rozhoduje lokálně. Výkon závisí na škálování, metriky, hodnoty k, hustoty vzorků a dimenzionality. Při rovnosti hlasů je třeba předem určit deterministické pravidlo, aby pořadí dat nemenilo výsledek.
Algoritmus víceramenného bandity
Bandit algorithm řeší sekvenční rozhodování, při kterém systém opakovaně vybírá jednu z dostupných akcií a pozoruje pouze odměnu za zvolenou akci. Cílem je maximalizovat kumulatívnu odměnu při súčasnom vyvažování prieskumu neznámých možností a využívání možností, které se dosud javili jako nejlépe. Kvalita se často vyjadřuje regretom, tedy rozdílem mezi získanou odměnou a odměnou ideálnej strategie. Kontextové bandity navíc zohladňují vlastnosti uživatele nebo situace před výběrem akce.
Algoritmus YIN na odhad základní frekvence
YIN je algoritmus na odhad základní frekvence F0 řeči nebo hudobného signálu. Vychází z rozdielovej funkce mezi posunutými úsekmi signálu, kterou normalizuje kumulatívnym průměrem, potom vyhledává vhodné minimum pod prahem a spresňuje odhad periód. Úpravy oproti priamej autokorelaci snižují chyby o oktávu a citlivost na amplitúdu. YIN se používá při pitch trackingu, analýze intonace, hudobnej transkripcii nebo jako předzpracování pro audio modely, ale při šume, polyfónii a neperiodickom zvuku potřebuje detekci neozvučených rámců.
Analýza hlavních komponentů
Principal component analysis, zkráceně PCA, je lineární transformace, která převede centrované numerické data do ortogonálnych smerů zoradených podle vysvetlenej variance. První komponenta zachycuje největší možný rozptyl, další největší rozptyl kolmý na předchozí směry. PCA lze vypočítat eigendecomposition kovariančnej matice nebo singular value decomposition datové matice. Používá se na kompresi, vizualizaci, odšumení a odstranění korelovaných rozměrů. Výsledek je citlivý na škálu příznaků, outliery a nelineárnu strukturu.
Analýza chyb
Error analysis je systematické skúmání nesprávnych nebo neuspokojivých výstupů s cílem vytvořit taxonomii zlyhaní, určit jejich frekvenci, závažnost a pravdepodobnou príčinu. Neobmedzuje se na průměrnou metriku. Spojuje konkrétně případy s dátovými rezmi, anotacemi, komponenty pipeline a podmienkami použití. Výsledkem má být prioritizovaný seznam zásahů, například oprava štítků, nový eval set, změna retrievalu, úprava promptu, kalibrace prahu nebo bezpečnostní kontrola.
Ansámblové učení
Ensemble learning je přístup, který kombinuje predikce více modelů s cílem dosáhnout lepší přesnost, stabilitu nebo odhad nejistoty než při jednom členovi. Výsledky se mohou priemerovat, hlasovat, vážiť nebo vstupovat do meta-modelu. Bagging snižuje varianci tréninkem na odlišných vzorcích, boosting buduje členů postupně se zameráním na chyby a stacking učí kombinátor z out-of-fold predikcí. Přínos závisí na kvality i rozmanitosti chyb, ne pouze od počtu modelů.
Aproximace jádrové funkce
Kernel approximation je technika, která nahradí implicitní práci s plnou n krát n kernelovou maticou konečnou explicitní reprezentací příznaků s nižší dimenzí. Metody jako Nyström nebo random Fourier features približují zvolený kernel tak, aby se následně dal použít rychlý lineární model. Výpočetní a paměťová úspora závisí na počtu komponentů, spektra dat a kernelu, přičemž hrubá aproximace může snížit přesnost i kalibraci. Transformace se musí fitovat pouze na tréninkových datech, aby nevznikl validační únik.
Architektura enkóder-dekóder
Encoder-decoder architecture je modelové usporiadání, ve kterém encoder vytvoří reprezentace vstupu a decoder z nich vytváří cílový výstup. Používá se při úlohách, kde se vstupní a výstupná sekvence liší, například při preklade, sumarizaci, prepise nebo generování odpovědi z dokumentu. V Transformeri decoder kombinuje maskovanou self-attention nad už vytvorenými tokenmi s cross-attention nad výstupy encodera. Trénink, dekódování a způsob podmieňování určují přesnost i typické chyby.
Architektura nulové důvěry
Zero trust architecture je bezpečnostní model, který neposkytuje implicitní důveru uživateli, zařízení, službe ani sieťovej lokalite pouze proto, že se nachází ve uvnitř organizačného perimetra. Každý přístup k zdroju se rozhoduje podle overenej identity, stavu zařízení, politiky, kontextu a minimálně potrebného oprávnění. V AI platforme se zásady uplatňují na modelové endpointy, datasety, vektorové databáze, tajemství, tréninková clustre, agentné nástroje a servisné identity.
Architektura společného embeddingového prostoru
Joint embedding architecture je systémové usporiadání dvou nebo více enkodérů, projekčných vrstev a tréninkového cíle, které vytváří kompatibilní reprezentace různých vstupů v společném latentním prostoru. Architektura určuje, zda se váhy zdielají, jak se reprezentace normalizují, kde se spojují modality a jaký mechanismus bráni kolapsu. Kontrastivně řešení používají pozitivně a negativně páry, prediktívne řešení mohou odhadovat cílový embedding bez rekonštrukce vstupu. Pojem označuje návrh systému, ne jednotlivý vektor vytvořený po inferenci.
Atribuce interakcí ve vysvětlení AI
XAI interaction attribution rozděluje část predikce mezi společné účinky dvojic nebo večších skupin vstupních vlastností, které nelze vysvetlit pouze součtem jejich samostatných príspevků. Příkladem jsou SHAP interaction values, kde se celková atribuce rozkladá na hlavní efekty a párové interakce. Výsledek závisí na referenčního rozdělení a od predpokladů při chybějících vlastnostiach. Interakčná hodnota popisuje chování modelu, ne automaticky fyzickou nebo kauzálnu vezbu mezi premennými.
audit AI
AI audit je systematické, zdokumentované a přiměřeně nezávislé preskúmání AI systému, jeho řízení nebo konkrétního súladu s předem určenými kritériami. Audit může hodnotit dokumentaci, data, modelové testy, kontrolní procesy, dodávatelský řetězec, přístupová práva a reálně provozní důkazy. Výsledkem není obecné potvrzení, že systém je bezpečný, ale závěr v přesně vymedzenom rozsahu, čase, verzi a podle uvedeného štandardu či politiky.
Augmentace během inference
Test-time augmentation, zkráceně TTA, vytváří při inferenci několik významově ekvivalentných transformací toho istého vstupu a agreguje jejich predikce. V obraze může jít o zrkadlení, výrezy, změnu měřítka nebo rotace, které zachovávají cílový štítek. Agregace používá průměr pravděpodobností, hlasování nebo zpětné geometrické zarovnání masiek a bodů. TTA může snížit citlivost na polohu a měřítko, ale násobí výpočetní náklady a při nevhodnej transformaci systematicky zhorší výsledek.
Augmentace náhodným chvením parametrů
Jitter augmentation je rodina náhodných malých perturbací aplikovaných na tréninkový vstup s cílem simulovat prirodzenou variabilitu a omezit závislost modelu od presných hodnot. V obraze může jít o color jitter, tedy náhodnou změnu jasu, kontrastu, sýtosti nebo odtieňa. V časových radoch se jitter často realizuje pridáním malého šumu, v súradniciach posunom bodů a v zvuku variací amplitúdy nebo času. Rozsah perturbace musí zachovat třídu a fyzikálny význam, jinak augmentace vytvoří nesprávně označené příklady.
Automatické popisování obrázků
Image captioning je úloha, při které model vytvoří prirodzenojazykový popis vizuálního vstupu. Systém musí rozpoznat objekty, vlastnosti, činnosti a vztahy, vybrat významné prvky scény a usporiadat jejich do gramaticky správné věty nebo dlhšieho textu. Moderní řešení spojují obrazový enkóder s autoregresívnym jazykovým dekóderom nebo používají jednotný multimodální model. Kvalita se neposudzuje pouze podle podobnosti s referenčnými vetami, protože jeden obrázek může mít více správných opisů. Kritické jsou faktická věrnost, pokrytí a absence vymyslených objektů.
automatické rozpoznávání řeči
Speech recognition je převod zvukového signálu řeči na text nebo jinou symbolickou reprezentaci. Systém zpracovává akustické vlastnosti, modeluje jazykové pravděpodobnosti a dekóduje nejpravděpodobnější sekvenci slov, tokenů nebo foném. Moderní modely mohou být end-to-end a trénované na rozsáhlých vícejazyčných datech. Výkon ovlivňuje hluk, prízvuk, mikrofón, překryv mluvčích, odborná slovná zásoba a způsob segmentace zvuku. Pro živé použití se zvlášť měří zpoždění čiastkového přepisu a stabilita už zobrazených slov.
automatizace pracovních postupů
Workflow automation je návrh a provádění opakovatelného procesu jako sekvence spúšťačů, pravidel, úloh, integrací, schválení a výnimiek bez potřeby ručně koordinovat každý krok. V AI řešení může workflow volať klasifikátor, extrakčný model, generativní model nebo agenta, ale zároveň musí riadit vstupy, oprávnění, stav, retry politiku, časové limity a audit. Deterministická orchestrace a pravděpodobnostní AI krok nejsou to jisté. Kritické rozhodnutí potřebují validační brány, lidské schválení nebo kompenzačnou operaci. Úspěch se měří end-to-end výsledkem procesu, ne pouze přesností jednoho modelu.
Automatizované hladání neuronové architektury
Neural architecture search, zkráceně NAS, je soubor metod na automatické hladání struktury neuronové sítě pro zadanou úlohu a omezení. NAS definuje prostor kandidátů, strategii vyhledávání a způsob odhadu výkonu bez úplného tréninku každé možnosti. Může optimalizovat přesnost, latenci, paměť, spotrebu energie nebo kombinaci cílů. Používá evolučné algoritmy, reinforcement learning, bayesovskou optimalizaci nebo diferencovatelné relaxace. Výsledek může být preučený na benchmark nebo závislý od konkrétního hardwaru.
automatizované získavání údajů z webu
Web scraping je programové načtení webových stránok a extrakce vybraných údajů z HTML, DOM, vložených štruktúr nebo sieťových odpovědí. V AI projektoch se používá při tvorbě korpusů, monitoringu, vyhledávání a obohacování dat. Technická schopnost načíst stránku neznamená oprávnění obsah ukladat, kombinovat nebo použít na trénink. Návrh musí zohladnit robots.txt, podmínky služby, autorské právo, ochranu osobních údajů, rýchlostné limity, původ dat a změny struktury stránky.
Bagging
Bagging je ensemble metoda, která trénuje několik modelů na bootstrapových vzorcích původných dat a jejich výstupy agreguje. Bootstrapový vzorek vzniká náhodným výběrem s opakováním, proto jednotlivé modely vidí odlišné kombinace příkladů. Při regresii se predikce obvykle průměrují, při klasifikaci se používá hlasování nebo průměr pravděpodobností. Hlavním přínosem je snižování variability nestabilních modelů, zejména stromů, přičemž systematické zkreslení základního algoritmu nemusí výrazně klesnout.
Barevný prostor Ycbcr
Ycbcr je způsob reprezentace obrazu, který oddeluje jasovou zložku Y od dvou farebných rozdielových složek Cb a Cr. Hodnoty vznikají lineárnou nebo nelineárnou transformací z RGB podle konkrétního štandardu, například ITU-R BT.601, BT.709 nebo BT.2020, proto označení Ycbcr bez matrice, rozsahu a prenosovej charakteristiky není úplným popisom. V AI pipeline se používá při dekódování videa, kompresii, augmentaci, detekci kože, odhade kvality a modelech, které spracúvají jas a farbu odděleně.
Bayesovská optimalizace
Bayesian optimization je strategie na optimalizaci drahej black-box funkce s malým počtem vyhodnotení. Místo přímého gradientu udržuje pravděpodobnostní surrogate model neznámej funkce, často Gaussian process, a pomocí acquisition function vybírá další bod experimentu. Acquisition function kombinuje očekávaný přínos s nejistotou, čím vyvažuje prieskum a využívání. Metoda je vhodná při časovo nebo finančne nákladnom tréninku, ale její účinnost klesá ve velmi vysokorozmerných priestoroch, při silnom šume nebo při špatně zadaných podmínkách.
Bayesovská síť
Bayesian network je orientovaný acyklický graf, ve kterém uzly představují náhodné proměnné a hrany vyjadrují priame podmíněné závislosti. Ku každému uzlu patří podmíněné pravděpodobnostní rozdělení vzhledem na jeho rodičů. Společné rozdělení všech proměnných se faktorizuje jako součin těchto lokálních rozdělení. Síť umožňuje inferenci při neúplných pozorovaniach, aktualizaci presvedčení po důkaze a kombinování dat s doménovou znalostí. Směr hrany sám sám o sobě nedokazuje kauzalitu bez dalších predpokladů a dizajnu.
Benchmarkový dataset
Benchmark dataset je štandardizovaný soubor dat a hodnotící protokol používaný na porovnávání modelů při stejné nebo přesně definovanej úloze. Zahrnuje vstupy, referenční výstupy nebo anotace, pravidla dělení, metriky a často i omezení použití. Dobrý benchmark měří relevantní schopnost, obsahuje reprezentativní a kvalitné příklady a chrání testovaci část před kontaminací. Vysoké skóre nepreukazuje obecnou kvalitu modelu, pokud je dataset úzký, saturovaný, uniknutý do tréninku nebo vzdálený od produkčného kontextu.
BERT
BERT je rodina encoderových transformerových modelů predtrénovaných na obojsmerné reprezentace textu. Původní model používá masked language modeling, při kterém predikuje zakryté tokeny z lavého i pravého kontextu, a v původní verzi i úlohu next sentence prediction. Po předtrénování se model jemne dolaďuje nebo používá jako encoder pro klasifikaci, extrakci entít, otázky a odpovědi či vyhledávání. BERT není autoregresivní generátor textu v štýle decoderových LLM, ačkoli jeho reprezentace lze zapojit do generativních systémů.
bezpečnostní argumentační spis
Safety case je strukturovaný argument podopretý důkazmi, který vysvětluje, proč je AI systém při přesně určenom použití a podmínkách dostatečně bezpečný. Spojuje tvrzení o rizikách, technické a organizačné kontrolní opatření, výsledky testů, limity platnosti, zodpovednosti a zvyškové riziko. Není to obecné vyhlásení o bezpečnosti ani jednorazový audit. Při změně modelu, dat, integrace nebo provozního prostředí se musí aktualizovat. Důkaz má uvádět i nejistotu měření a situace, které testovací plán nepokrýva.
Bezpečnostní klasifikátor
Safety classifier je model nebo hybridný rozhodovací modul, který přiřazuje vstupu, výstupu nebo plánovanej akcii bezpečnostní kategorii a případně skóre rizika. Může pracovat před hlavním modelem, po jeho odpovedi nebo při volaní nástroje. Rozhodnutí se porovná s politikou produktu a vede k povolení, odmietnutiu, úprave nebo eskalaci. Klasifikátor je pouze jedna kontrolní vrstva. Nezaručuje úplnou bezpečnost, protože může selhat při novém jazyku, kódování, kontextu nebo cielenej obchádzke.
Bias
Bias v AI označuje systematickou odchylku, která může vzniknout v datech, měření, anotacích, výběru cíle, modeli, hodnocení nebo spůsobe nasazení. Pojem má více významů a netreba ho zamieňat s bias parametrem neuronu ani se štatistickým biasom odhadu. V spoločenskom kontextu může zkreslení vést k rozdílným chybám nebo dopadom mezi skupinami. Posouzení vyžaduje určit, vůči čomu je výsledek odchýlený, kdo nese následky a či rozdíl vzniká z legitímnej vlastnosti úlohy nebo z nevhodného procesu.
Binární klasifikace
Binary classification je úloha, ve které model přiřazuje vstup do jedné z dvou vzájomne definovaných tříd, například podvod nebo bez podvodu. Model často vytváří skóre nebo odhad pravděpodobnosti pozitivní třídy a rozhodovací práh ho mění na label. Výkon se posuzuje přes confusion matrix, precision, recall, specificity, ROC AUC, PR AUC, kalibraci a náklady chyb. Třídy nemusí být vyvážené a označení pozitivní třídy je konvence. Kvalita závisí na přesné definice labelu, časového horizontu a dostupnosti pravdy.
Binární křížová entropie
Binary cross-entropy je ztrátová funkce pro binární cíl, která porovnává label y v množině 0, 1 s predikovanou pravděpodobností p. Pro jeden příklad má tvar mínus y krát log p mínus (1 mínus y) krát log (1 mínus p). Silně penalizuje sebavedomé nesprávně predikce a odpovídá negativní log-likelihood Bernoulliho modelu. V implementaci se často kombinuje sigmoid a logaritmické operace do numericky stabilní funkce pracujúcej s logits. Vážená verze může měnit příspěvek tříd, ale sama neopraví chybnou kalibraci nebo zlé labely.
BLEU score
BLEU je automatická metrika, která porovnává n-gramovou shodu kandidátskeho překladu s jedním nebo více referenčnými prekladmi. Používá modifikovanou precision pro n-gramy a brevity penalty, která penalizuje příliš krátké výstupy. Skóre se původne navrhlo na hodnocení kvality systému na úrovni korpusu, ne jako spolehlivý verdikt o jedné vete. BLEU nezachytáva zcela význam, faktičnost, styl ani prijatelné parafráze, proto se má interpretovat spolu s ludským hodnotením a ďalšími metrikami.
BM25
BM25 je lexikálny rankingový model z probabilistic relevance framework, který skóruje dokument podle výskytu dotazových termů, jejich vzácnosti v kolekcii a normalizace délky dokumentu. Term frequency má saturujúci přínos, takže desiaty výskyt slova nepridáva stejnou hodnotu jako první. Parameter k1 řídí saturaci a parameter b silu dlžkovej normalizace. BM25 nepracuje přímo se sémantickou podobností, proto nemusí najít dokument s vhodnou parafrázou bez spoločných termů. V hybridnom vyhledávání se často kombinuje s embeddingovým retrieverom.
BPE tokenizace
Byte pair encoding v NLP je subword tokenizačná metoda, která začíná základními symbolmi a iterativně spojuje nejčastěji sousední dvojice do nových tokenů. Výsledný slovník obsahuje celé časté slova, části slov i základní jednotky pro vzácné tvary. Praktické implementace mohou pracovat nad znakmi nebo bajtmi a používají naučené pořadí merge operací. BPE snižuje problém neznámých slov, ale segmentace není morfologická analýza. Volba korpusu a velikosti slovníka ovlivňuje délku sekvencí, pokrytí jazyků, cenu inference a zpracování citlivých reťazců.
Cílová funkce optimalizace
Objective function je matematicky vyjadrené kritérium, které optimalizační postup minimalizuje nebo maximalizuje. Může pozostávat ze ztrátové funkce na datech, regularizačných členů, nákladů, odmien nebo penalizací za porušení omezení. Při více cieloch se používají váhy, lexikografické pravidla nebo Pareto analýza. Cílová funkce je zástupný signál pro zamýšlený výsledek, proto její optimum nemusí být totožné s najlepším používatelským, obchodným nebo spoločenským výsledkem.
cílové kódování kategorií
Target encoding nahrazuje kategorii číselnou štatistikou odvodenou z cílové proměnné, například vyhladeným průměrem cíle pro danou hodnotu. Při klasifikaci může vytvářet odhady podmienených pravděpodobností tříd. Metoda je účinná při stlpcoch s vysokou kardinalitou, ale nesprávný výpočet způsobuje únik cíle a přeučení. Tréninková kódování se proto počítá mimo aktuálního riadka nebo fold-u a kombinuje se s globálnym průměrem. Vyhladzovací parameter se vybírá pouze na tréninkových foldoch, ne podle výkonu na konečnom teste.
Cílový štítek nebo anotace
Label je cílová informace priradená pozorování, ze které se model při učení s učitelom učí požadovaný výstup. Může mít podobu třídy, číselnej hodnoty, množiny štítků, masky, pořadí, preference nebo časového průběhu. Label nemusí být objektívna pravda, často jde o ludskou anotaci, měření nebo provozní proxy ukazovatel. Jeho význam musí být určený anotací schémata, pravidly vzniku, časovým okamihom a způsobem řešení nejistoty či neshody anotátorů.
Citlivost nebo úplnost záchytu
Recall vyjadřuje podíl skutečně pozitivních případů, které systém označil jako pozitivně. V binární klasifikaci se počítá TP dělené součtem TP a FN. Ve vyhledávání Recall@k měří, jaká část všech relevantních položek se nachází mezi prvými k výsledky. Hodnota závisí na definice pozitivní třídy, rozhodovacího prahu a způsobu průměrování při více třídách. Vysoký recall nezaručuje nízký počet falešných poplachů, proto se interpretuje spolu s precision a nákladmi chyb.
Clustering
Clustering je skupina nesupervidovaných metod, které rozdělují příklady do shluků podle podobnosti nebo hustoty bez předem daných cílových štítků. Algoritmy jako k-means, hierarchické shlukování, DBSCAN nebo Gaussian mixture používají odlišnou predstavu o tvaru a vzdálenosti skupin. Výsledek není objektívne odhalená pravda, ale struktura závislá od příznaků, škálování, metriky, počtu shluků a parametrů. Kvalita se posuzuje internými metrikami, stabilitou a zejména použitelností v doménové úloze.
CNN architektura s depthwise separable convolution
Xception je konvoluční neuronová architektura navržená Françoisom Cholletom jako extrémna interpretace modulů Inception. Prostorovou filtraci provádí samostatně v každém kanáli pomocí depthwise convolution a následně mieša kanály bodovou konvolúcí 1 krát 1. Síť používá reziduální spojení a vstupní, stredný a výstupný tok bloků. Oddělení priestorových a medzikanálových korelací může efektivněji využívat parametry, ale nezaručuje nižší latenci na každém hardwaru. Implementace musí správně nastavit padding, stride a normalizaci.
Concept drift
Concept drift je změna statistického vztahu mezi vstupmi a cílem v čase, která může snížit výkon modelu naučeného na minulých datech. Formálně se mění společná distribuce nebo podmínění cíle na príznakoch, přičemž se odlišuje od čistého data driftu bez změny rozhodovacího vztahu. Drift může být náhly, postupný, opakujúci se nebo lokální. Detekce používá oneskorené labely, chybové signály, distribuční testy a doménové události. Reakce může zahrnovat retréning, vážení novších dat, ensemble nebo změnu procesu.
částečně-řízené učení
Semi-supervised learning je učení z malé množiny označených příkladů a večšej množiny neoznačených dat. Algoritmus využívá strukturu neoznačeného rozdělení pomocí pseudoštítků, konzistenčnej regularizace, grafového šíření nebo generativního modelování. Přínos závisí na predpokladu, že neoznačené data pochádzají z relevantného prostředí a jejich struktura souvisí s cielovými třídami. Nesprávně pseudoštítky se mohou zosilňovat a zhoršit model. Poměr označených a neoznačených příkladů se uvádí spolu s pravidlem jejich miešání v dávkách.
Člověk zapojený do rozhodovací smyčky
Human-in-the-loop je usporiadání, ve kterém člověk poskytuje vstup do cyklu učení, rozhodování nebo provedení AI systému. Může označovat anotování neistých příkladů, potvrzení kritické predikce, opravu výstupu, výběr akce nebo zpětnou vezbu použitou na další trénink. Samotná přítomnost člověka nezaručuje kontrolu. Zásah musí prísť v správném čase, uživatel potřebuje informace, kompetenci, oprávnění a reálnou možnost výsledek změnit. Při vysoké frekvencii, automation bias nebo slabé zodpovednosti se člověk může stát pouze formálnym schvalovatelom.
Datová augmentace
Datová augmentace je soubor postupů, které vytvářejí nové tréninková příklady transformací existujúcich dat při zachování významu cílové třídy nebo úlohy. Při obrazech může jít o otočení, orez, změnu jasu či syntetická překrytí, při textu o kontrolované parafráze a při zvuku o posun tónu nebo pridání šumu. Cílem je rozšírit variabilitu dat, snížit přeučení a zlepšit generalizaci modelu na situace, které neboli přesně zastúpené v původním souboru.
Datová deduplikace
Datová deduplikace je identifikace a řízené odstranění nebo zoskupení záznamů, které představují ten jistý objekt, událost nebo obsah. Nejde pouze o přesně zhodné soubory, ale i o blízké kopie, preformátované dokumenty, opakované fotografie, parafráze či záznamy jedné entity s odlišným identifikátorom. V AI deduplikace omezuje prevažování často opakovaného obsahu, memorování, datový únik mezi rozdeleniami a skreslené metriky. Musí zachovat legitimní opakování, které nesou informaci o frekvencii.
Datová kvalita
Datová kvalita vyjadřuje míru, do jaké data splňají požadavky konkrétního účelu. Při AI se neposudzuje pouze přesnost jednotlivých hodnot, ale i úplnost, konzistentnost, aktuálnost, reprezentatívnost, jednoznačnost, správnost štítků, pokrytí okrajových případů a vhodnost pro cílovou populaci. Dataset může být technicky čistý, ale nekvalitný pro daný model, pokud nezachytáva reálně podmínky použití nebo obsahuje systematické merace a výběrové zkreslení.
Datová linie
Datová linie je zdokumentovaná cesta konkrétního datového prvku nebo datasetu od zdrojového systému přes import, čištění, spájání, výpočty a verze až po jeho použití v modeli, reporte nebo rozhodnutí. Na rozdíl od obecného popisu původu zachycuje i technické transformace a závislosti mezi objektmi. Umožňuje určit, které modely zasiahne chyba v zdroji, reprodukovat tréninkový dataset a spetne vysvetlit, jak se konkrétní hodnota dostala do modelové pipeline.
Datová validace
Datová validace je systematické overování, či vstupní nebo tréninková data splňají definovanou schéma, rozsahy, typy, vztahy, distribuční očakávání a doménové pravidla. Kontroly mohou zachytit chybějící pole, neplatné kategorie, prudkou změnu podielů, porušení referenční integrity, anomálne jednotky nebo rozdíl mezi tréninkovým a produkčným formátem. Validace se provádí při prijatí zdroje, po transformacích i před inferencí, přičemž výsledek musí vést k blokování, karanténe nebo riadenej výnimke.
Datové otrávení
Datové otrávení je útok nebo škodlivé zasahování do tréninkových dat, při kterém útočník vkladá, mění nebo selektívne odstraňuje příklady tak, aby ovplyvnil naučené chování modelu. Cílem může být obecné zhoršení výkonu, posun rozhodovací hranice, diskrétna manipulace konkrétní třídy nebo vytvoření zadných vrátok aktivovaných špecifickým vzorom. Útok může zasáhnout surová data, štítky, zpětnou vezbu uživatelů i externí zdroje automaticky sťahované do tréninkové pipeline.
Datové předzpracování
Datové předzpracování je řízená premena surových vstupů na reprezentaci vhodnou pro trénink nebo inferenci modelu. Zahrnuje například čištění chybných záznamů, zpracování chybějících hodnot, normalizaci, kódování kategorií, tokenizaci, výběr atributů, časové agregace a odstranění duplicít. Kroky musí být definované jako reprodukovatelná pipeline a parametry učené z dat se mají odhadovat pouze na tréninkové množině, jinak vzniká riziko datového úniku a rozdílu mezi tréninkem a prevádzkou.
Datové rozdělení
Datové rozdělení je rozčlenení dostupných příkladů na oddělené množiny s různou úlohou, typicky tréninkovou, validační a testovaci. Tréninková množina určuje parametry modelu, validační podporuje výběr architektury a hyperparametrů a testovací poskytuje co najnezávislejší odhad výsledného výkonu. Způsob dělení musí respektovat čas, skupiny, entity a způsob nasazení, aby se stejný uživatel, dokument, zařízení nebo budúca informace nedostali do více částí a nevytvorili únik.
Datové řízení
Datové řízení je organizačný systém pravidel, rolí, rozhodovacích právomocí a kontrol, kterým organizace zabezpečuje, že data používané v AI mají určený původ, vlastníka, účel, kvalitu, přístupové podmínky a dobu uchovávání. Zahrnuje politiky sběru, klasifikaci citlivosti, schvalování použití, dokumentaci transformací, řešení incidentů a dohled nad dodávatelmi. Jeho výsledkem nemá být pouze dokumentace, ale preukázatelná schopnost vysvetlit, kdo s daty narábal a proč.
Datový drift
Datový drift označuje změnu štatistických vlastností vstupních dat po nasazení modelu ve srovnání s daty, na kterých byl model trénovaný nebo validovaný. Může se měnit rozdělení hodnot, frekvence kategorií, kvalita měření, sezónnost nebo zastoupení používatelských skupin. Drift ještě automaticky neznamená pokles přesnosti, ale je varovným signálom, že původní předpoklady modelu prestávají odpovídat provozu a je potřeba preverit výkon, príčinu změny a potřebu zásahu.
Datový posun
Datový posun je zastrešujúci pojem pro rozdíl mezi pravdepodobnostným rozdělením dat, z kterých se model učil, a rozdělením dat, na kterých se hodnotí nebo používá. Může jít o změnu vstupů, změnu podielu tříd, změnu vztahu mezi vstupem a cílem nebo kombinaci těchto javů. Posun vzniká časem, výberovým mechanizmom, odlišným regiónom, zariadením či politikou. Jeho analýza určuje, či stačí prekalibrovat práh, upravit vzorkování nebo je potřeba změnit model a sběr dat.
Datový původ
Datový původ je soubor informací o vzniku, vlastníctve, získaní, právach, umístění a zmenách dat během jejich životního cyklu. Při AI má odpovídat na otázky, kdo data vytvořil, akou metodou, kdy, za jakým účelem, s jakým súhlasom nebo licencí, které zásahy byly vykonané a zda lze zdroj důveryhodne ověřit. Provenance podporuje auditovatelnost, reprodukovatelnost, posuzování kvality a reakci na incidenty, protože oddeluje důvěryhodné údaje od nejasného nebo nelegitímneho obsahu.
Datový únik
Datový únik vzniká, když se během tréninku nebo prípravy modelu dostane do vstupů informace, která by při reálném použití nebola dostupná, případně když se obsah validační nebo testovací množiny nepřímo využije na učení. Může jít o budúcu hodnotu, proměnnou odvodenou z výsledku, normalizaci vypočítanou nad celým datasetem nebo duplicity mezi rozdeleniami. Únik vytváří uměle vysoký výkon v experimente, protože model řeší jednoduchšiu úlohu než tu, kterou bude řešit v provozu.
Dávka dat
Batch je skupina příkladů spracovaných modelem v jednom výpočtovém kroku. Při tréninku se ztráta a gradient obvykle odhadují z mini-batchu, po kterém optimalizátor aktualizuje parametry. Velikost dávky ovlivňuje pameťové nároky, paralelizaci, šum gradientu, rychlost konvergence a někdy i generalizaci. Full batch obsahuje celý tréninkový soubor, stochastic režim pracuje s jedním příkladem a mini-batch používá počet mezi týmito extrémami. Dávka při inferenci může združovat nezávislé požadavky kvůli vyššej propustnosti.
Dávková inference
Batch inference je režim, ve kterém model zpracuje větší soubor vstupů mimo interaktivní požadavky, obvykle podle harmonogramu nebo po dostupnosti dat. Predikce se zapisují do tabulky, datového skladu, souboru nebo fronty na další použití. Dávková inference upřednostňuje propustnost, cenu a opakovatelnost před okamžitou odezvou. Pipeline musí řešit verzi modelu, časový řez vstupů, idempotenci, rozdělení práce, obnovu po chybě a sledování toho, ku kterému modelu a datům každá predikce patří.
Dávková normalizace
Batch normalization je vrstva, která během tréninku štandardizuje aktivace pomocí průměru a rozptylu vypočítaného z mini-batchu a potom aplikuje naučitelnou škálu a posun. Při inferenci se zpravidla používají průběžně odhadnuté populačné statistiky, ne statistiky aktuální požadavky. Metoda často umožňuje vyšší rychlost učení a stabilnější trénink, ale její chování závisí na velikosti a reprezentativnosti dávky. Při velmi malých batchoch, sekvenčních modelech nebo distribuovanom tréninku může být vhodnější jiná normalizace.
Decision boundary
Decision boundary je množina bodů ve vstupnom nebo reprezentančnom prostoru, na které klasifikační model mění priradenou třídu. Při binárnom lineárním klasifikátore může být hranicou priamka nebo nadrovina, při nelineárnych modelech má složitý zakřivený tvar. Poloha hranice vyplývá z naučených parametrů, loss funkce, regularizace a dat. Její vzdálenost od příkladů souvisí s rezervou rozhodnutí, citlivostí na šum a odolností vůči malým změnám vstupu.
Dekóder
Dekóder je komponenta modelu, který mění internou reprezentaci na výstup v požadovanom prostoru, například text, obraz, zvuk, segmentačnou masku nebo rekonštruovaný vstup. V encoder decoder architektúre přijímá latentní vektory od enkódera a postupně obnovuje strukturu výstupu. V autoregresivním jazykovém modeli tvoří nasledujúce tokeny z předchozího kontextu a vlastních skrytých stavů. Konkrétní význam proto závisí na architektury, ale společnou funkcí je překlad reprezentace na interpretovatelný nebo použitelný výsledek.
Dělení dokumentů na úseky
Chunking je rozdělení dokumentu nebo datového toku na menší jednotky, které lze samostatně indexovat, embedovat, vyhladávat nebo posielat modelu. V RAG systéme chunk nese text a metadata o zdroji, pozici, nadpise či oprávnění. Strategie může být pevná podle tokenů, rekurzívna, štruktúrna nebo sémantická a často používá překryv. Cílem není vytvořit co najmenšie kusy, ale zachovat významovou súdržnost při prijatelnej granularite, recalli, kontextovej ceně a přesnosti citování.
Destilace znalostí
Knowledge distillation je tréninková technika, při které študentský model napodobňuje učitelský model nebo ensemble pomocí mekkých cílů, logitů, medzivrstvových reprezentací, attention máp nebo generovaných příkladů. Teplota zmekčuje pravděpodobnostní rozdělení a odhaluje vztahy mezi třídami, které one-hot štítek neobsahuje. Cílem bývá menší, rychlejší nebo lacnejší model, přičemž je třeba ověřit přenos chyb, biasu, kalibrace a bezpečnostného chování učitela. Destilačný cíl může kombinovat více lossů, kterých relativně váhy mění to, co študent prevezme.
detekce anomálií
Anomaly detection je úloha identifikovat pozorování, události nebo vzory, které se významne odlišují od očekávaného chování. Model může pracovat bez označených anomálií, s malým počtem příkladů nebo jako klasifikátor s plným dohladom. Výstupem bývá skóre neobvyklosti a práh, po kterého překročení vznikne upozornení. Úspěšnost závisí na definice normálu, kontextu, časového okna a ceny falešných poplachů a přehlédnutých událostí. V časových a behaviorálních datech může být anomálny celý sled událostí, ačkoli jednotlivé hodnoty vyzerají běžně.
Detekce anomálií pomocí z-skóre
Z-score anomaly detection je jednoduchá pravidlová metoda, která označuje pozorování za podozrivé, když absolutní hodnota jeho štandardizovanej odchylky překročí zvolený práh, například 3. Předpokládá stabilní referenční průměr a smerodajnou odchylku, přičemž nejlépe funguje při přibližně symetrickom jednorozmernom rozdělení bez výrazných ťažkých chvostů. V online provozu je třeba určit okno, způsob aktualizace statistik a ochranu před tím, aby anomálie samy posúvali baseline.
Detekce halucinací
Hallucination detection je soubor postupů, které určují, či generovaný výstup obsahuje tvrzení bez dostatočnej opory. Detektor může porovnávat odpověď se zdrojovým textem, databázou nebo výsledkem nástroje, vyhodnocovat logickou podporu mezi důkazem a tvrdením, hladat neexistujúce entity nebo testovat konzistentnost opakovaných generování. Úloha se liší od obecné kontroly kvality, protože musí lokalizovat konkrétní nepodloženou část. Výsledek je často pravděpodobnostní skóre, které závisí na dostupnosti autoritatívneho referenčního materiálu a od granularity tvrzení.
Detekce nových nebo neznámých vzorů
Novelty detection je úloha identifikovat nové pozorování, které se významne odlišují od distribuce čistých tréninkových dat reprezentujúcich normálny stav. Model se učí hranici nebo hustotu běžných příkladů a na nových vstupech vytváří novelty score nebo binární rozhodnutí. Na rozdíl od outlier detection se předpokládá, že tréninková množina není kontaminovaná anomáliami. Používají se one-class SVM, Local Outlier Factor v novelty režime, autoenkódery nebo metody hustoty. Práh musí vycházet z provozních nákladů.
Detekce objektů neviděných při tréninku
Zero-shot object detection lokalizuje objekty pomocí ohraničujúcich rámců a přiřazuje im třídy, které nemali označené detekčné příklady při tréninku. Model propojuje vizuálně regiony s textovou nebo atribútovou reprezentací kandidátnych kategorií. Moderní open-vocabulary detektory využívají vision-language předtrénování a textové dotazy. Úloha je náročnejšia než zero-shot klasifikace celého obrazu, protože musí současně navrhnout správný region, oddělit pozadí a pomenovat objekt.
Detekce odlehlých pozorování
Outlier detection hledá pozorování, které se podle zvolené reprezentace a modelu výrazně odlišují od večšiny dat. Metody využívají hustotu, vzdálenost, izolaci, robustnou kovarianci nebo rekonštrukčnou chybu. Při outlier detection se často předpokládá, že tréninkový soubor už obsahuje určitý podíl odlehlých bodů, na rozdíl od novelty detection trénovanej na převážně čistých normálnych datech. Odlahlosť není automaticky chyba ani podvod. Může jít o vzácny platný jev, proto se práh a následná akce odvodzují od domény.
Detekce pokusů o obejití pravidel modelu
Jailbreak detection je proces identifikace vstupů, konverzačních trajektorií nebo výstupů, které pravděpodobně směřují k obejití behaviorálních omezení modelu. Detektor může kombinovat pravidla, klasifikátor, embeddingovou podobnost, signály z dekódování, analýzu historie a kontrolu výsledného obsahu. Musí rozlišovat legitimní výzkum, citaci nebo bezpečnostní diskusi od operačního návodu. Klíčové metriky jsou recall při nebezpečných útocích, falešné blokování, odolnost vůči obfuskaci a latence v produkční cestě.
Detekce tváře
Face detection je úloha počítačového vidění, která zjišťuje přítomnost lidských tvárí a určuje jejich polohu v obraze nebo videu, zpravidla pomocí ohraničujúcich rámčeků, bodů nebo masiek. Výstup neříká, komu tvár patří. Detektor může být samostatný model nebo první stupeň biometrického řetězce před zarovnáním a porovnáním. Kvalita se posuzuje podle citlivosti, falešných detekcií, lokalizačnej přesnosti, rychlosti a výkonu při různých pózach či svetle.
Detekce vstupů mimo distribuce
Out-of-distribution detection, zkráceně OOD detection, identifikuje vstupy, které se významne liší od distribuce reprezentovanej tréningovými nebo referenčnými daty. Rozdíl může vzniknout novou třídou, senzorom, prostredím, štýlom, populací nebo procesům sběru. Detektor vytváří skóre, které se prahuje na známé a neznámé, případně na úroveň rizika. Softmax istota samotná bývá nedostatočná. Evaluace používá oddělené OOD datasety, AUROC, AUPR a false positive rate při zvoleném recall, přičemž výsledek silně závisí na typu posunu.
Detekční hlava modelu YOLO
YOLO detection head je výstupná část sítě, která z príznakových máp vytváří lokalizačné a klasifikační predikce. Podle verze může současně nebo odděleně odhadovat vzdálenosti k hranám rámce, objektovosť, třídní logity a prípadné distribuce souřadnic. Hlava pracuje na jedné nebo více mierkach a může být anchor-based nebo anchor-free, coupled nebo decoupled. Její výstup ještě nemusí představovat konečné detekce, protože se aplikuje dekódování, prahování a případně non-maximum suppression.
Diarizace mluvčích
Speaker diarization je proces rozdělení zvukového záznamu na časové úseky podle toho, kdo právě hovoří. Typická pipeline zahrnuje detekci řeči, segmentaci, tvorbu embeddingů mluvčího, shlukování a úpravu hranic. Výstup používá anonymné označení, například SPEAKER_00, a nemusí poznat jméno osoby. Úloha se komplikuje při prekrývajúcej se řeči, krátkych vstupech, hluku a změně akustiky. Diarizace neprepisuje obsah slov a sama sám o sobě není biometrickou identifikací.
Difuzní model
Difuzní model je generativní model, který se učí obrátit postupný proces pridávání šumu do dat. Během tréninku dostává vzorku z různých úrovní zašumení a učí se odhadovat šum, čistou vzorek nebo skóre distribuce. Při generování začíná náhodným šumem a opakovanými denoising krokmi vytváří obraz, zvuk nebo jinou strukturu. Podmínění textem, třídou či dalším vstupem usmerňuje výsledek. Kvalita závisí na tréninkového korpusu, reprezentace, sampleru, počtu kroků a způsobu řízení podmínky.
Digitální dvojča
Digitální dvojča je dynamická digitální reprezentace konkrétního fyzického objektu, procesu nebo systému, která se průběžně aktualizuje daty ze svojho reálného náprotivku. Spojuje model konštrukce nebo chování, senzorové údaje, stavové odhady a simulačné či analytické funkce. AI může v dvojčati predikovat poruchy, odhadovat nepozorované veličiny, optimalizovat prevádzku nebo vyhodnocovat scénáře. Klúčová je identifikovatelná vezba na konkrétní entitu a řízená synchronizace, ne pouze statický 3D model.
Diskrétní textový prompt
Hard prompt je prompt vytvořený z diskrétnych tokenů přirozeného jazyka nebo jiných symbolů, které uživatel přímo čte a upravuje. Obsahuje instrukce, kontext, příklady, omezení či požadovaný formát a vstupuje do modelu přes bežnou tokenizaci. Označení hard ho odlišuje od soft promptu, kterého naučené spojité vektory nemusí odpovídat čitatelným slovám. Hard prompt nemění parametry modelu a jeho účinek závisí na formulace, pořadí informací, kontextového okna a verze modelu. Není bezpečnostnou hranicou, protože může být prebitý konfliktom nebo prompt injection útokům.
Diskriminační model
Diskriminační model se učí přímo mapování vstupu na cíl nebo podmíněné rozdělení cíle při daném vstupe. Při klasifikaci odhaduje hranice mezi třídami nebo pravděpodobnost třídy bez potřeby modelovat, jako vznikli samotné vstupní data. Logistická regrese, support vector machine a mnohé klasifikační neuronové sítě jsou diskriminačné modely. Ve srovnání s generativním modelem bývá účelovo zaměřený na predikci, ale neposkytuje automaticky mechanismus na realistické vytvárání nových vstupních vzorků.
Distribuovaný trénink
Distribuovaný trénink je učení modelu pomocí více výpočetních zařízení nebo uzlů, které si rozdělují data, parametry nebo části výpočtového grafu. Při data parallelism má každé zařízení kopii modelu a zpracovává jinou dávku, potom se gradienty synchronizují. Při model parallelism se samotný model rozdělí mezi zařízení. Distribuce umožňuje větší modely a kratší čas tréninku, ale přináší komunikačné náklady, problémy synchronizace, tolerance porúch, reprodukovatelnosti a efektívneho využitia hardwaru.
Dlhá krátkodobá paměť, LSTM
Long short-term memory, LSTM, je typ rekurentnej neuronové sítě s bunkovým stavem a riadiacimi bránami, které regulují zapisování, zapomínání a čtení informace v sekvenci. Forget gate určuje, co zůstane z předchozího bunkového stavu, input gate řídí nový kandidátny obsah a output gate formuje skrytý stav. Tato architektura zmierňuje problém miznúcich gradientů oproti jednoduché RNN, ale nezaručuje uchování lubovolne dlouhých závislostí a výpočet zůstává sekvenční v čase.
Dolaďování pomocí soft promptů
Prompt tuning je PEFT metoda, která ponechá parametry předtrénovaného modelu zmrazené a učí malou sadu spojitých vektorů, nazývaných soft nebo virtual tokens. Tyto vektory se pridají k embeddingom vstupu a optimalizují backpropagation pro konkrétní úlohu. Na rozdíl od ručně písaného promptu nemusí odpovídat čitatelným slovám. Jeden základní model může obsluhovat více úloh s rozdielnymi soft promptmi a nízkou úložnou réžiou. Výkon závisí na velikosti modelu, počtu virtuálnych tokenů, inicializace, dat a toho, či úloha vyžaduje hlbšiu změnu reprezentací.
Dolaďování předtrénovaného modelu
Fine-tuning je další trénink předtrénovaného modelu na datech nebo cílí špecifickom pro novou úlohu, doménu nebo požadované chování. Aktualizovat lze všechny parametry, vybrané vrstvy nebo malou sadu adaptérů. Učení obvykle používá nižší learning rate a potřebuje samostatnou validaci, aby se obmedzilo přeučení, catastrophic forgetting a regrese mimo cílové oblasti. Dolaďování mění modelové váhy, čím se odlišuje od promptování, retrievalu a kontextových demonštrací.
Dolování náročných negativních příkladů
Hard negative mining je proces, při kterém se z velké množiny negativních kandidátů cíleně vybírají ty, které aktuální model zamieňa s pozitívnymi nebo im přiřazuje vysokou podobnost. Výběr může probíhat v rámci minibatchu, z průběžně obnovovaného indexu, pomocí staršej verze modelu nebo kombinací více retrieverů. Cílem je soustředit učení na rozhodovací hranici a zvýšit diskriminačnou schopnost. Příliš agresívne dolování může zosilnit chyby anotace, opakovaně vyberat stejné případy, snížit rozmanitost a destabilizovat trénink.
Doménová adaptace
Doménová adaptace je skupina metod, které upravují model naučený na zdrojové doméně tak, aby fungoval v cílové doméně s odlišným rozdělením dat, ale príbuznou úlohou. Cílová doména může mít málo štítků nebo být zcela neoznačená. Metody zahrnují vážení příkladů, zarovnání reprezentací, adversariální učení doménovo invariantných znaků, self training a jemné doladení. Úspěch předpokládá, že mezi doménami existuje prenositelná struktura a že adaptace nezakryje rozdíly důležité pro bezpečnost.
Doporučovací systém
Recommender system vybírá a zoraďuje položky, které mají být užitečné pro konkrétního uživatele nebo situaci. Využívá interakce, vlastnosti obsahu, profil, kontext a někdy i pravidla. Produkční architektura často obsahuje generování kandidátů, scoring a reranking. Model může optimalizovat kliknutí, nákup, dlhodobou spokojnost nebo kombinovaný cíl. Chování systému ovlivňuje budoucí tréninková data, proto je třeba riadit cold start, expozičné zkreslení, popularitu, diverzitu, bezpečnost a experimentování.
Dopředný průchod
Forward pass je postupné provedení operací modelu od vstupních tenzorů po výstupní aktivace, skóre nebo predikci. Každá vrstva aplikuje svoje váhy, bias, normalizaci, aktivaci nebo jinou transformaci na výstup předchozí části. Během tréninku dopředný průchod vytvoří hodnoty a výpočetní graf potřebný na výpočet loss a následný backward pass. Při inferenci se gradienty obvykle nesledují a vrstvy jako dropout či batch normalization pracují v eval režime.
Dotaz informačního systému
Query je formalizovaná požadavek odoslaná vyhladávaciemu, databázovému nebo modelovému systému s cílem získat, filtrovat nebo vypočítat výsledek. Může obsahovat text, strukturované podmínky, vektor, časový rozsah, identitu kolekce nebo požadovaný typ odpovědi. Query není automaticky prompt. Prompt může riadit generování a obsahovat instrukce, zatímco query často reprezentuje informační potřebu pro retrieval vrstvu. Její přesný význam závisí na syntaxe, schémata a kontextu relace.
dotazovací jazyk pro XML a XDM data
Xquery je funkcionálny dotazovací jazyk W3C určený na zpracování XML a hodnot v Xquery and Xpath Data Model. Používá Xpath výrazy, FLWOR konštrukce, funkce, moduly, typy a konštruktory na filtrování, spájání, transformaci a vytvárání nových dokumentů. Xquery 3.1 pracuje i s mapami, polami a JSON kompatibilnými štruktúrami. V AI systémech může pripravovat korpusy, metadata nebo validační reporty. Výkon závisí na indexů a optimalizátora databáze. Dynamicky vložený uživatelský text může způsobit Xquery injection.
Dropout
Dropout je regularizačná technika pro neuronové sítě, při které se během tréninku náhodně vynuluje část aktivací vybraných neuronů. Síť se tak nemůže spoliehat na stále stejnou úzku kombinaci jednotek a učí redundantnejšie, všeobecnejšie reprezentace. Při inferenci se neuróny nevypínají, místo toho se použije zodpovedajúce škálování aktivací. Dropout může snížit přeučení, ale jeho vhodná míra závisí na architektury, velikosti dat, normalizace a místa aplikace v síti.
Druhé seřazení kandidátů
Reranking je druhá nebo neskoršia fáza, která preusporiada omezený seznam kandidátů pomocí presnejšieho modelu, bohatších příznaků nebo dodatočných pravidel. Zatímco první retriever optimalizuje rychlost a recall nad velkým korpusem, reranker může provést nákladnou interakci mezi dopytom a každým kandidátom, například cross-encoderem. Reranking zvyšuje přesnost prvních pozic, ale nedokáže obnovit relevantní položku, která nebola v kandidátnom zozname. Může také uplatnit diverzitu, čerstvost či bezpečnostní omezení.
Důležitost vstupní vlastnosti
Feature importance je skóre, které vyjadřuje, do jaké míry určitá vstupní vlastnost přispívá k predikčnej schopnosti modelu podle zvolené metody. Může být globálně pro celý dataset nebo lokálně pro jeden příklad. Impurity-based importance v stromoch, permutation importance, koeficienty a agregované atribuce merají rozdílně veci a mají odlišné zkreslení. Vysoká důležitost neznamená kauzalitu ani obchodnou hodnotu a při korelovaných features se příspěvek může rozdelit nestabilne.
Dvojitý sestup
Dvojitý sestup je jev, při kterém testovací chyba s rastúcou kapacitou modelu nejprve klesá, potom v okolí interpolačného prahu stúpne a při dalším zvečšování modelu znovu klesá. Interpolačný práh nastáva, když model dokáže téměř dokonale přizpůsobit tréninková data včetně šumu. Jev narúša jednoduchou predstavu, že zložitejší model po bodě přeučení pouze zhoršuje generalizaci. Může se objavit při změně počtu parametrů, délky tréninku nebo velikosti datasetu a závisí na optimalizace i struktury dat.
Dynamické dávkování
Dynamické dávkování je technika serverování modelů, při které se samostatné inferenční požadavky na krátký čas zhromaždia a spoja do jedné výpočetní dávky. Server průběžně volí velikost dávky podle príchodů, maximálnej čakacej doby, délky vstupů a dostupnej paměti. Cílem je zvýšit propustnost a využití akcelerátora bez nepřiměřeného nárastu latence. Při sekvenčních modelech musí systém řešit padding, rozdielnu délku generování, priority a férovost mezi krátkymi a dlhými požiadavkami.
E-E-A-T
E-E-A-T je rámec kvalitativních vlastností obsahu, který zahrnuje zkušenost autora s tématem, odbornou způsobilost, autoritativnost zdroje a důvěryhodnost výsledné stránky nebo webu. Google uvádí, že nejde o jeden samostatný rankingový faktor, ale o koncept používaný při posuzování, či obsah působí užitečně a spolehlivě, přičemž důvěra má centrální postavení. Při AI knowledge base se E-E-A-T prokazuje identitou autora, metodikou, citacemi, revizemi, transparentností a opravou chyb.
Embedding drift
Embedding drift je změna rozdělení, geometrie nebo praktického významu vektorových reprezentací v čase. Může vzniknout změnou vstupního obsahu, předzpracování, chunkování, modelu nebo jeho verze. V RAG a sémantickom vyhledávání je kritická nekompatibilita, když nové dotazy vznikají v jiném prostoru než starší indexované dokumenty. Drift se sleduje pomocí vzdáleností distribúcií, stability sousedů, výkonnostných metrik a kontrolných dotazů, přičemž samotný statistický posun ještě nedokazuje zhoršení služby.
Embedding space
Embedding space je mnohorozmerný vektorový prostor, ve kterém jsou objekty umiestnené embedding modelem a jejich vztahy se vyhodnocují z geometrie. Blízkost může reprezentovat sémantickou podobnost, funkčnou zamenitelnost nebo jinou vlastnost určenou tréninkovým cílem. Prostor charakterizuje dimenze, hustota, anisotropia, lokálně susedstvá a použitá metrika. Jeho osi nelze automaticky chápat jako pomenované koncepty a dvojrozmerná vizualizace může skreslit vzdálenosti původního vysokorozmerného prostoru.
Emergentní schopnosti
Emergent abilities označují schopnosti, které se při měření série modelů javia jako neprítomné při menšej škále a zretelne se objeví až při večšom modeli, objeme dat nebo výpočtu. Původná formulace zdůrazňuje, že takový skok nelze jednoduše predpovedat extrapolací menších modelů. Interpretace je však predmetom diskuse, protože prahové nebo nelineárně metriky mohou plynulé zlepšení zobrazit jako náhly vznik. Tvrzení o emergencii proto vyžaduje více škál, citlivé metriky a statistickou nejistotu.
Energetický model
Energy-based model přiřazuje dvojici vstupu a konfigurace, případně samotnému pozorování, skalárnu energii, přičemž nižší energie znamená vyšší kompatibilitu podle naučeného modelu. Predikce se získává hladáním konfigurace s nízkou energiou nebo odvodením pravděpodobnosti z energetickej funkce. Normalizace na pravděpodobnostní rozdělení může vyžadovat náročný partition function. Trénink proto často snižuje energii správných příkladů a zvyšuje energii negativních vzorků pomocí kontrastívnych nebo aproximačních metod.
Engine obchodních pravidel
Business rules engine je softvérová komponenta, která provádí explicitně zapísané rozhodovací pravidla odděleně od hlavného aplikačného kódu. Pravidla mohou mít podobu rozhodovacích tabuliek, podmínek, priorít nebo štandardizovaných modelů, například DMN. Engine vyhodnocuje fakta a vrací rozhodnutí, oprávnění, klasifikaci nebo další krok. Není to nevyhnutelně strojové učení, protože pravidla mohou být ručně vytvořené a deterministické. V hybridnej AI může engine uplatnit povinné omezení na výstup modelu nebo premenit predikci na auditovatelné rozhodnutí.
Enkóder
Encoder je část modelu, která mění vstup na vnitřní reprezentaci vhodnou pro další zpracování. V sekvenčních architektúrach vytváří kontextualizované reprezentace tokenů nebo súhrnný stav, v autoenkóderi mapuje data do latentního kódu a v multimodálnom systéme může kódovat obraz či zvuk. Transformerový encoder používá self-attention nad vstupem a feed-forward vrstvy, přičemž obvykle vidí celý vstup najednou. Výstup může slúžit klasifikátoru, decoderu, retrieveru nebo jinému modulu.
Entropy
Entropy je míra neurčitosti pravděpodobnostního rozdělení. Shannonova entropie se počítá jako záporný součet pravděpodobností násobených jejich logaritmami a dosahuje nízkou hodnotu při koncentrovanom rozdělení, vysokou při rovnomernejšom rozdělení. V strojovém učení se používá při výběru rozdělení v rozhodovacích stromoch, při odhade nejistoty predikce, v regularizaci a v reinforcement learningu. Hodnota závisí na základu logaritmu a neříká, zda je najpravdepodobnejšia třída správná.
Epocha tréninku
Epoch je tréninkový interval, během kterého algoritmus zpracuje přibližně jeden úplný průchod přes tréninkovou množinu. Při datasete s N příklady a batch size B obsahuje epocha přibližně N dělené B aktualizačných kroků, přičemž posledná dávka může být menší. Význam se komplikuje při distribuovanom tréninku, sampling with replacement, nekonečných datových streamoch nebo dynamickej augmentaci. Počet epoch proto není univerzálnou mírou výpočtu a musí se číst spolu s počtem kroků, tokenů a efektivně videných příkladů.
Evaluační benchmark
Evaluation benchmark je štandardizovaný balík úloh, dat, instrukcí, metrik a pravidel, který umožňuje porovnat AI systémy za definovaných podmínek. Dobrý benchmark určuje cíl měření, populaci příkladů, scoring, povolené nástroje, počet pokusů, verzi modelu a způsob agregace nejistoty. Výsledek platí pouze pro tento protokol. Benchmark může časem saturovat, uniknout do tréninkových dat nebo prestat reprezentovat reálně použití, proto potřebuje správu verzií, audit kontaminace a doplnění scenárovými testy.
Evaluační dataset
Evaluation dataset je soubor příkladů a očakávaných výsledků nebo hodnotiacich kritérií, který se používá na měření chování modelu či celého AI systému. Může být validační, testovací, regresný, bezpečnostní, kontrafaktuálny nebo scenárový. Musí mít zdokumentovaný původ, cílovou populaci, anotátorů, časový rozsah, pravidla použití a známé medzery. Pokud se podle výsledků opakovaně ladí systém, dataset prestáva být nezávislým testem a je třeba zaviesť nový holdout nebo slepou evaluaci.
Evoluční algoritmus
Evolutionary algorithm je populačná optimalizačná metoda inšpirovaná evolučnými princípmi. Udržuje množinu kandidátnych řešení, hodnotí jejich fitness funkcí a vytváří další generace pomocí selekce, mutace, rekombinace nebo elitizmu. Nevyžaduje derivaci cílové funkce a dokáže pracovat s diskrétnymi, nespojitými či viacvrcholovými priestormi. Používá se při návrhu architektúr, optimalizaci hyperparametrů, pravidel, promptů nebo riadiacich stratégií, ale může spotrebovat mnoho hodnocení.
Expertní systém
Expert system je AI systém, který řeší úzko vymedzenou odbornou úlohu pomocí explicitně reprezentovaných znalostí a inferenčního mechanizmu. Typicky obsahuje knowledge base s pravidly, faktmi nebo rámcami, pracovnou paměť, strategii odvozování a rozhraní na vysvětlení závěru. Na rozdíl od modelu učeného převážně ze štatistických vzorů je jeho rozhodovace logika přímo formulovaná expertmi nebo knowledge engineerom. Silnou stránkou je kontrolovatelnost, slabinou údržba a krehkosť mimo pokrytých pravidel.
explanations Lokálně interpretovatelné modelovo nezávislé vysvětlení, LIME
Local interpretable model-agnostic explanations, LIME, vysvetlují jednu konkrétní predikci tak, že v okolí hodnoteného vstupu vytvoří perturbované vzorku, získají na nich výstupy původního modelu a s vyššou váhou blízkych bodů natrénují jednoduchý interpretovatelný surrogate model. Koeficienty surrogate modelu opisují lokálně chování, ne globálnu logiku klasifikátora. Výsledek závisí na definice okolia, způsobu perturbace, kernel width, náhodného seed a reprezentace vstupu.
Explóze gradientu
Explóze gradientu je jev, při kterém se derivace při spetnom šírení přes mnoho vrstev nebo časových kroků násobia tak, že jejich norma prudko roste. Výsledkem jsou neprimerané změny parametrů, oscilujúca ztráta, pretečení numerických hodnot nebo Nan. Častá je v rekurentních sítích a hlubokých kompozíciách s nevhodnou inicializací či spektrálnymi vlastnostmi Jacobianů. Diagnostika sleduje normy podle vrstev a kroků. Zmiernení zahrnuje gradient clipping, stabilnejšiu inicializaci, normalizaci, reziduální spojení a úpravu learning rate.
Extrakce entít
Entity extraction je proces prevodu neštruktúrovaného textu na strukturované záznamy o objektoch, které jsou relevantní pro danou úlohu. Může zahrnovat nájdení zmienok, určení typu entity, normalizaci hodnoty, získání atributů a vztahů nebo přiřazení identifikátora. Je širší než klasické named entity recognition, protože doménová entita nemusí být vlastní jméno a výstup může obsahovat například číslo smlouvy, výrobok, dávku, diagnózu, datum účinnosti a vezbu mezi nimi. Schéma určuje, které objekty a vezby se mají vyhladat.
Extrakce informací
Information extraction je automatické prevádzání nestruktúrovaného nebo polostruktúrovaného obsahu na explicitní datové prvky a vztahy. Úloha zahrnuje rozpoznávání pomenovaných entít, extrakci atributů, událostí, časových údajů, vztahů a vyplňání schémata z dokumentu. Systém může používat pravidla, sekvenční model, generativní model nebo jejich kombinaci. Výstup musí rozlišovat textový důkaz, normalizovanou hodnotu a nejistotu. Při dlouhých dokumentech je kritické zachovat původ pasáže a vezbu mezi entitami. Extrakce není obyčajné zhrnutie, protože má vytvořit kontrolovatelnou strukturu podle předem určenej ontológie nebo kontraktu.
Extrakce vstupních reprezentací
Feature extraction je převod surového vstupu na informativní číselnou reprezentaci použitou dalším modelem nebo pravidlem. Pojem může označovat ruční odvození charakteristik, například spektrogramu ze zvuku, i získání aktivací z vnitřní vrstvy předtrénované neuronové sítě. Při transfer learningu se extraktor často zmrazí a trénuje se pouze nová hlava. Výsledná reprezentace musí zachovat informaci důležitou pro cílovou úlohu bez nepřiměřeného šumu, zkreslení nebo doménové neshody.
F1 skóre
F1 score je harmonický průměr precision a recall pro zvolenou pozitivní třídu. Nadobúda hodnotu od 0 do 1 a roste pouze tehdy, když model současně omezuje falešné pozitíva i falešné negatíva. Harmonický průměr trestá výraznou nerovnováhu mezi oboma zložkami více než aritmetický průměr. Při multiclass úlohách se F1 počítá po třídách a agreguje jako macro, micro nebo weighted průměr, přičemž každá volba odpovídá na jinou hodnotiacu otázku. Při nevyvážených datech se proto uvádí i způsob agregace a podpora tříd.
Fairness metric
Fairness metric je kvantitatívne pravidlo, které porovnává výsledky, chybovost, skóre nebo zaobchádzání mezi definovanými skupinami nebo kontrafaktuálnymi situacemi. Příklady jsou demographic parity difference, equal opportunity difference, equalized odds, disparate impact ratio nebo rozdíl kalibrace. Metrika operacionalizuje konkrétní predstavu spravodlivosti, ne spravedlnost jako celok. Její interpretace závisí na volby skupin, referenční populace, prahu, nejistoty a účelu rozhodování.
Falešně negativní výsledek
False negative je případ, ve kterém je skutečná třída pozitívna, ale klasifikátor předpoví negativní výsledek. V confusion matrix patří do bunky FN. Jeho význam závisí na toho, která událost byla označená jako pozitívna, proto musí být tato konvence vždy uvedená. False negative count je počet takýchto případů, zatímco false negative rate jejich dělí počtem všech skutečně pozitivních příkladů. Změna rozhodovacího prahu zpravidla mění FN spolu s ostatnými chybami.
Falešně pozitivní výsledek
False positive je příklad, při kterém je skutečná třída negativní, ale model předpoví pozitivní výsledek. V confusion matrix se označuje FP. Počet FP nelze interpretovat bez velikosti negativní populace a bez definice pozitivní třídy. False positive rate se počítá jako FP dělené součtem FP a true negatives. Při vyhledávání, detekci a biometrickém porovnávání může jeden nevhodný práh vytvářet velké množství falešných poplachů, zejména při velmi rozsáhlé databázi.
Federovaná analytika
Federated analytics je způsob výpočtu agregovaných statistik nad decentralizovanými daty bez zhromaždení surových záznamů v jednom centrálnom úložisku. Koordinátor odošle analytickou úlohu oprávneným klientom nebo inštitúciám, lokálně uzly vypočítají čiastkové výsledky a systém jejich bezpečně agreguje. Na rozdíl od federated learning nemusí být cílem trénovat model, ale získat počty, histogramy, frekvence nebo jiné súhrny. Ochrana závisí na minimálnych kohort, secure aggregation a privacy mechanizmů.
Federované průměrování
Federated averaging, zkráceně Fedavg, je algoritmus federated learning, při kterém vybraní klienti dostanou aktuální globální model, provedou několik lokálních optimalizačných kroků a odošlou aktualizované parametry nebo rozdíly. Server následně vytvoří nový globální stav váženým průměrem, často podle počtu lokálních příkladů. Více lokálních kroků snižuje počet komunikačných kůl, ale při neidenticky rozdělených datech může vést ku client drift a nestabilnej konvergencii.
Federované učení
Federated learning je distribuovaný přístup k tréninku, při kterém více klientů nebo organizací zlepšuje společný model na lokálně uložených datech a vymieňa si modelové aktualizace místo priamych surových záznamů. Proces koordinuje výběr účastníků, distribuci modelu, lokální výpočet, agregaci a opakování kůl. Data mohou být nevyvážené, non-IID a dostupné pouze prerušovane. Federovaný návrh snižuje potřebu centralizace, ale nezaručuje soukromí bez dalších technických a organizačných opatření.
Formát a úložiště Zarr
Zarr je špecifikace a ekosystém na ukladání vícerozměrných typovaných polí rozdělených do komprimovaných chunků. Metadata opisují tvar, datový typ, pořadí osí, chunkování a kodeky, zatímco jednotlivé bloky lze číst nezávisle z lokálneho disku nebo objektového úložiště. V aplikovanej AI se používá pro satelitné snímky, mikroskopiu, klimatické kocky, embeddingy a tréninková datasety, kde úplné načtení pola do paměti není možné ani potřebné.
funkce užitečnosti
Utility function mapuje výsledek, stav nebo trajektóriu na číselnou hodnotu vyjadrujúcu preferenci rozhodovatela. Agent potom volí akci maximalizujúcu očakávanou užitečnost vzhledem na nejistotu a možné následky. Užitečnost nemusí být totožná s okamžitou odměnou, může zahrnovat čas, riziko, náklady, férovost, bezpečnost nebo dlhodobé cíle. Její návrh je normatívne rozhodnutí. Nesprávně špecifikovaná funkce vede k reward hackingu, nežiaducim kompromisom a optimalizaci meratelnej náhrady místo skutečného cíle. Váhy a omezení mají být schválené vlastníkmi rizika, ne ponechané pouze na implementátora optimalizačného algoritmu.
Funkční transformace v JAX
JAX transformation je operátor vyššieho rádu, který prijme Python funkci a vytvoří novou funkci s upravenou výpočtovou sémantikou. Mezi základní transformace patří grad pro diferenciaci, jit pro kompilaci, vmap pro automatické batchování a pmap nebo novější shardované mechanizmy pro paralelizaci. Transformace funguje trasováním primitívnych operací do medzireprezentace a jejich interpretací podle pravidel transformace. Skladatelnost umožňuje například diferencovat vektorizovanou funkci, ale vyžaduje čisté funkce, statické tvary v relevantních miestach a kompatibilní řízení toku.
Fúze poradí
Rank fusion spojuje dvě nebo více zoradených množin výsledků do jednoho konsenzuálneho pořadí. Vstupní zoznamy mohou pochádzat z lexikálneho, vektorového, multimodálneho nebo pravidlového vyhledávání. Metody pracují se skóre, poradovou pozící nebo párovými preferenciami. Reciprocal Rank Fusion přiřazuje dokumentu součet príspevků nepřímo úmerných jeho pozici v jednotlivých zoznamoch. Fúze zvyšuje robustnost vůči slabine jednoho retrievera, sama však nevytváří nové kandidáty.
Fuzzy logic
Fuzzy logic je formalizmus pro práci s neurčitými pojmami, ve kterém může prvek patrit do fuzzy množiny s mírou členstva od 0 do 1. Hodnota členstva vyjadřuje stupeň shody s pojmom, například jako velmi je teplota vysoká, ne pravděpodobnost náhodné události. Fuzzy systém převádí vstupy na členstvá, aplikuje pravidla typu IF-THEN, agreguje jejich a podle potřeby provede defuzzifikaci na konkrétní výstup. Kvalita závisí na tvaru funkcí členstva a bázy pravidel.
GAN inversion
GAN inversion je postup, při kterém se reálný vstup, nejčastěji fotografie, mapuje do latentního kódu už natrénovaného generativního adversariálneho modelu. Kód se hledá optimalizací, pomocí enkodéra nebo kombinací obou prístupů tak, aby generátor vstup co najvernejšie zrekonštruoval. Klúčovým kompromisom je přesnost rekonštrukce verzus editovatelnost latentní reprezentace. Vstup mimo distribuce generátora může vyžadovat kód, který síce kopíruje pixely, ale ztrácí realistické nebo významově usporiadané vlastnosti latentního prostoru.
Gaussovský proces
Gaussian process je pravděpodobnostní rozdělení nad funkciami, při kterém má lubovolná konečná množina funkčných hodnot společné vícerozměrné Gaussovo rozdělení. Model je určený strednou funkcí a kernelem, který vyjadřuje podobnost vstupů a předpoklady o hladkosti, periodicite či mierke změn. Po pozorování dat vzniká posteriorné rozdělení s prediktívnym průměrem i nejistotou. Gaussovské procesy jsou dátovo efektivně a interpretovatelné, ale přesný výpočet typicky roste kubicky s počtem tréninkových bodů, co omezuje velké datasety.
Gaussovský směsový model
Gaussian mixture model je pravděpodobnostní model, který popisuje rozdělení dat jako vážený součet konečného počtu vícerozměrných Gaussových komponentů. Každý komponenta má vlastní střed, kovarianční strukturu a směšovací váhu, přičemž příslušnost pozorování ke komponentaě je latentní a vyjadřuje se pravděpodobností. Parametry se často odhadují algoritmem expectation maximization. GMM poskytuje měkké shlukování i hustotu pravděpodobnosti, ale výsledek závisí na počtu komponentů, typu kovariance, škálování proměnných a citlivosti na odlehlé body.
Generalizace
Generalizace je schopnost modelu dosahovat primeraný výkon na nových příkladech, které neboli použité při učení, ale pochádzají z cílové populace a odpovídají definovanému kontextu použití. Neznamená pouze nízkou tréninkovou chybu ani mechanické zapametání vzorků. Ovlivňuje ji reprezentatívnost dat, kapacita modelu, regularizace, validační dizajn a shoda mezi tréninkovým a prevádzkovým prostredím. Výkon při distribučnom posune je osobitná otázka, protože běžná generalizace předpokládá přibližně stejný proces tvorby dat.
Generalizační chyba
Generalizační chyba je očekávaná hodnota ztrátové funkce modelu na nových příkladech z cílového rozdělení dat. Keďže celé rozdělení není známé, v praxi se odhaduje testovacou chybou na nezávislej vzorku. Odhad závisí na velikosti a reprezentativnosti testu, variability metrik a od toho, či test nebol použitý při ladění. Nízká tréninková chyba neposkytuje spolehlivý odhad generalizačnej chyby. Při distribučnom posune se mění samotný cílový proces, proto historická testovací chyba nemusí opisovat budoucí provozní riziko.
Generativní adversariální síť
Generative adversarial network je generativní rámec s dvěma modely trénovanými v súťažnom cílí. Generátor mění náhodný latentní vstup, případně podmínku, na syntetická vzorku. Diskriminátor odhaduje, či vzorek pochází z reálných dat nebo z generátora, a jeho gradient poskytuje generátoru signál na zlepšení. Ideálna rovnováha nastáva, když generované rozdělení odpovídá datům a diskriminátor nedokáže původ rozlíšit. Praktický trénink je citlivý na nestabilitu, mode collapse, volbu strát a rovnováhu učení obou sítí.
Generativní model
Generativní model popisuje společné nebo podmíněné rozdělení dat tak, aby z něho bylo možné vzorkovat nové pozorování, doplňat chybějící části nebo hodnotit pravděpodobnost dat. Může modelovat p(x), společné p(x,y) nebo podmíněné p(x|c). Do této skupiny patří autoregresívne modely, variačné autoenkodéry, difúzne modely, GAN i některé zmesové modely. Ne každý generativní model poskytuje explicitní vierohodnost, GAN ji například reprezentuje nepřímo. Kvalita se proto posuzuje podle vernosti, rozmanitosti, kalibrace a účelu výstupu.
Generativní předtrénovaný transformátor
Generative pro-trained transformer označuje líniu autoregresívnych jazykových modelů založených na dekóderovej architektúre Transformer. Model se nejprve predtrénuje predikcí dalšího tokenu na rozsáhlých textových datech a následně se může dolaďovat, inštrukčne trénovat nebo prispůsobovat preferenciám. Při generování odhaduje rozdělení nasledujúceho tokenu vzhledem na předchozí kontext. GPT je název konkrétní modelové rodiny a tréninkové tradíce, ne obecné pomenování každého LLM nebo každého Transformera. Výkon omezuje tokenizace, kontextové okno a kvalita adaptace.
Generativní umělá inteligence
Generativní umělá inteligence označuje AI systémy, kterých modely vytvářejí nový obsah, například text, obraz, zvuk, video, kód nebo strukturované data, na základě naučeného rozdělení a vstupního podmínění. Výstup vzniká pravdepodobnostnou syntézou, ne jednoduchým vyhladáním jedné uloženej odpovědi. Praktický systém zahrnuje i promptování, zdroje, nástroje, filtry, uživatelské rozhraní a dohled. Generování může napodobňovat vzory bez porozumění faktickej pravdivosti, proto se zvlášť hodnotí podpora tvrzení, původ dat, bezpečnost a vhodnost pro danou úlohu.
Generování kandidátů
Candidate generation je první fáza viacstupňového vyhladávacieho nebo odporúčacieho systému, která z rozsiahleho katalógu rychle vybere menší množinu potenciálne relevantních položek. Používá indexy, pravidla, embeddingové vyhledávání, kolaboratívne signály nebo lahké modely optimalizované na recall a latenci. Výslední kandidáti následně vstupují do presnejšieho rankera. Pokud vhodná položka v této fáze vypadne, pozdější skórování ji už nedokáže obnovit, proto se kvalita posuzuje i recallom na úrovni kandidátnej množiny a podle pokrytí důležitých segmentů.
Generování obrázků
Image generation je syntéza nového obrazového výstupu modelem na základě naučené distribuce a volitelnej podmínky, například textu, masky, náčrtu, referenčního obrazu nebo třídy. Difúzne modely postupně odstraňují šum z latentní či pixelovej reprezentace, GAN používají súťaž generátora a diskriminátora a autoregresívne systémy predikují obrazové tokeny. Výstup není jednoduchou kópiou jednoho tréninkového záznamu, ale může reprodukovat zapametané prvky nebo stereotypy dat. Hodnocení zahrnuje věrnost podmienke, vizuálnu kvalitu, rozmanitost, bezpečnost, původ a riziko zavádzajúceho použití.
Generování otázek
Question generation je automatická tvorba otázek z textu, znalostní struktury, odpovědi nebo pedagogického cíle. Model musí zvolit predmet otázky, formulaci, typ odpovědi a případně úroveň náročnosti. Při answer-aware prístupe dostane cílovou odpověď a vytvoří otázku, která k ní vede. Kvalita se neposudzuje pouze gramatikou. Otázka musí být zodpovedatelná ze zdroje, jednoznačná, primeraná cielu a nesmí prezrádzat odpověď nežiaducim způsobem.
Generování přirozeného jazyka
Natural language generation, zkráceně NLG, je proces vytvárání textu nebo rečového obsahu z dat, symbolickej reprezentace, dokumentů, dialógového stavu nebo modelové distribuce. Zahrnuje výběr informací, plánování obsahu, formulaci vět, realizaci gramatiky a často i kontrolu štýlu či faktickej opory. Moderní jazykové modely mohou tyto kroky spájat do jedné neuronové architektury, ale aplikačný systém stále potřebuje určit zdroje, omezení, dekódování a pravidla validace výsledku.
Generování rozšířené vyhledáváním, RAG
Retrieval-augmented generation, RAG, spojuje retrieval externích zdrojů s generativním modelem, který vytváří odpověď podmienenou získaným kontextem. Pipeline obvykle zahrnuje zpracování dotazu, vyhladání kandidátů, prípadný reranking, sestavení kontextu, generování a práci s citacemi. RAG umožňuje používat aktualizovatelnou neparametrickou paměť bez úplného pretrénování modelu. Nezaručuje faktičnost, protože může selhat retrieval, výběr pasáže, interpretace kontextu i generování.
Generování ukotvené v znalostech
Knowledge-grounded generation je generování textu nebo jiného výstupu podmíněné explicitně dodanými znalosťami, například vyhladanými dokumentmi, databázovými faktmi, grafovými cestami nebo nástrojovým výsledkem. Cílem je zvýšit faktičnost, aktuálnost a dohledatelnost oproti čisto parametrickej odpovedi. Grounding však vzniká až tehdy, když výstup verne používá poskytnutý důkaz. Samotné priložení kontextu nezaručuje podporu tvrzení, proto se měří atribuce, faithfulnes a pokrytí zdrojů. Produkční systém má uchovat i identitu verze zdroje, ze které byla odpověď sestavená.
Genetický algoritmus
Genetický algoritmus je populačná stochastická optimalizačná metoda inšpirovaná evolučnými princípmi. Udržuje populaci zakódovaných návrhů, každému přiřadí skóre vhodnosti a další generace skládá selekcí, krížením a mutací. Nevyžaduje gradient ani hladkou cílovou funkci, proto se používá při diskrétnych, kombinatorických nebo simulací hodnocených problémoch. Výsledek závisí na reprezentace kandidáta, tlaku selekce, operátorů a výpočtového rozpočtu. Algoritmus nezaručuje nájdení globálneho optima a při slabé diverzite může predčasne skonvergovat.
Geometrické hluboké učení
Geometrické hluboké učení je rámec neuronových metod, které využívají geometrii, topológiu a symetrie dat mimo pravidelnej euklidovskej mriežky. Zahrnuje učení na grafech, množinách, varietach, mračnách bodů a grupách transformací. Architektura se navrhuje tak, aby byla invariantná nebo ekvivariantná vůči relevantným změnám, například permutaci uzlů či rotaci objektu. Tím vkladá do modelu induktívny předpoklad, který může snížit potřebu dat a zlepšit přenos. Nesprávně zvolená symetria však může odstranit informaci, která je pro cíl důležitá.
Giniho nečistota
Giniho nečistota je míra heterogenity tříd v uzle klasifikačního stromu, vypočítaná jako 1 mínus součet druhých mocnín podielů jednotlivých tříd. Hodnota je nulová, když všechny příklady patří do jedné třídy, a roste při rovnomernejšom premiešaní. Při učení stromu se kandidátne rozdělení porovnávají podle váženého poklesu nečistoty mezi rodičovským a dcérskymi uzlami. Kritérium nevyjadruje ekonomickou cenu omylů ani kalibraci pravděpodobností. Při mnoha možnostiach rozdělení může také prispievat k skreslení důležitosti vlastností.
Globálně vektory slov
Glove je metoda učení statických slovních embeddingů z globálnych statistik spoluvýskytu slov v korpuse. Optimalizuje váženou regresnou úlohu tak, aby skalárne součiny vektorů reprodukovali logaritmy počtů spoluvýskytu, přičemž pomery těchto počtů zachycují významové vztahy. Výsledkem je jeden vektor pro každý prvek slovníka, nezávislý od konkrétní věty. Vektory mohou nést syntaktické a sémantické analógie, ale nerozlišují významy polysemických slov podle kontextu a nevědí reprezentovat token mimo naučeného slovníka bez dodatočnej strategie.
Globálně vysvětlení modelu
Globálně vysvětlení popisuje chování modelu napříč celou definovanou populací nebo rozsahem vstupů, ne důvody jedinej predikce. Může mít podobu zjednodušeného surrogate modelu, globální důležitosti vlastností, pravidel, partial dependence grafů nebo analýzy interakcí. Jeho kvalita závisí na fidelity k původnému modelu, stability při změně vzorku a pokrytí relevantních podskupín. Priemerované vysvětlení může zakrýt opačné efekty nebo lokálně výjimky, proto se globální obraz kombinuje s lokálnymi a skupinovými analýzami.
Glorotova inicializace váh
Xavier initialization, známa i jako Glorot initialization, nastavuje počiatočnou měřítko váh podle počtu vstupních a výstupných spojení vrstvy. Uniformná nebo normálna verze volí rozptyl tak, aby se při dopředném i spetnom prechode přibližně zachovala velikost signálu. Metoda byla navržená zejména pro symetrické saturujúce aktivace, například tanh, a lineární vrstvy. Při Relu se často upřednostňuje He inicializace. Xavier neodstraňuje potřebu normalizace, vhodného learning rate ani kontroly reziduálnych vetiev. Nesprávný gain může stále vést k miznúcim nebo explodujúcim gradientem.
Gradient vanishing
Miznutie gradientu je jev, při kterém se derivace prenášané do skorších vrstev nebo vzdialených časových kroků zmenšují k nule. Vzniká při opakovaném násobení Jacobianmi s malými hodnotami a při saturujúcich aktivacích, jako jsou sigmoid nebo tanh mimo citlivej oblasti. Časné parametry potom dostávají zanedbatelný učebný signál, takže model se učí pomalu a nedokáže zachytit dlouhé závislosti. Problém zmierňují vhodné inicializace, Relu rodina, reziduální spojení, normalizace a hradlové bunky. Gradient clipping ho nerieši, protože omezuje velké, ne malé gradienty.
Gradientní posilování
Gradient boosting je aditívna ensemble metoda, která buduje model po etapách a v každé etape přidává slabý learner aproximujúci záporný gradient zvolené ztrátové funkce vzhledem na aktuálně predikce. Nejčastěji se používají plytké rozhodovací stromy. Nový strom opravuje systematické chyby předchozího souboru, přičemž learning rate řídí velikost příspěvku. Počet stromů, jejich hloubka, subsampling a regularizace určují kompromis mezi podučením a preučením. Xgboost, Lightgbm a Catboost jsou optimalizované varianty, ne synonyma základního algoritmu.
Gradientní sestup
Gradientní sestup je iteratívna optimalizačná metoda, která mění parametry modelu v smere opačnom k gradientu ztrátové funkce. Gradient udáva lokální směr najrýchlejšieho rastu, proto jeho záporný směr při dostatečně malém kroku ztrátu snižuje. Batch variant používá všechny data, stochastic jeden příklad a minibatch jejich menší vzorek. Learning rate určuje velikost kroku a zásadne ovlivňuje stabilitu i rychlost. V nekonvexných neuronových sítích metoda negarantuje globálně optimum a může spomalovat v sedlových bodech nebo při špatně škálovaných smeroch.
Graf čiastočnej závislosti
Partial dependence plot, zkráceně PDP, zobrazuje průměrnou predikci modelu při postupnom nastavování jedné nebo dvou vybraných vlastností, zatímco ostatní vlastnosti zůstávají na hodnotách pozorovaných v datech. Pro každou testovanou hodnotu se predikce spriemerují přes vzorek. Graf popisuje globální modelový vztah, ne kauzální účinek. Při silně korelovaných vstupech může vytvářet nereálne kombinace a při heterogénnych případech může průměr zakrýt opačné lokálně chování.
Grafová neuronová síť
Graph neural network je neuronová architektura určená pro data reprezentované uzlami, hranami a jejich atributy. Typická message passing vrstva vytvoří správy ze sousedů, agreguje jejich operací nezávislou od pořadí a aktualizuje stav uzla. Opakováním vrstev se rozširuje dosah informace. GNN řeší klasifikaci uzlů, predikci hrán, doporučení i úlohy na celém grafu. Výsledek závisí na konštrukce grafu a dostupných hrán. Příliš mnoho vrstev může vést k oversmoothingu, dlouhé vzdálenosti k oversquashingu a nesprávně časové hrany k úniku budoucích informací.
Grafová pozornostní síť
Graph attention network je architektura GNN, která při agregaci sousedů počítá naučené attention koeficienty pro jednotlivé hrany nebo dvojice uzlů. Koeficienty se v susedstve normalizují a určují váhu transformovaných vlastností při aktualizaci reprezentace uzla. Několik attention heads může stabilizovat učení nebo zachytit odlišné vztahy. GAT umožňuje rozdílně vážení sousedů bez pevnej spektrálnej bázy a podporuje induktivní úlohy. Pozornostní váhy však nejsou automaticky kauzálnym vysvětlením a původná formulace má omezení statickej pozornosti.
halucinace AI
AI hallucination, přesněji konfabulace generativního modelu, je výstup, který je nepravdivý, nepodložený nebo neodpovídá poskytnutému zdroju, ačkoli je formulovaný plynulo a presvedčivo. Může jít o vymyslený fakt, citaci, událost, právní predpis, výpočet nebo tvrzení o vykonanej akcii. Jev souvisí s tím, že model generuje pravdepodobné pokračování podle naučených vzorů a nemá zabudovaný obecný mechanismus overování pravdivosti. Při systémech založených na zdrojích se navíc rozlišuje faktická chyba, nesprávná citace a tvrzení bez dostatočnej opory.
Halucinace modelu
Hallucination je výstup generativního modelu, který působí jazykovo nebo vizuálně presvedčivo, ale není podložený vstupem, dostupným důkazem ani overitelnou skutočností. Může jít o vymyslený fakt, neexistujúcu citaci, nesprávně spojení pravdivých údajů nebo detail doplnený bez opory. NIST používá širší pojem confabulation, protože model nemá lidské vedomie ani zmyslovou zkušenost. Riziko roste při nejasnej otázce, chybějícím kontextu, zastaraných znalostech a úlohách, ve kterých se od modelu očekává konkrétnost i bez důkazů.
Hammingova vzdálenost
Hamming distance je počet pozic, na kterých se dvě stejně dlouhé sekvence liší. Při binárnych vektoroch se rovná počtu bitů, které je třeba preklopit, aby se jeden vektor změnil na druhý. Metrika se používá při chybových kódoch, porovnávání hashů, binárnych embeddingoch, klasifikaci kategorií a vyhledávání v diskrétnom prostoru. Nezohladňuje velikost ani sémantickou závažnost rozdílu, pouze shodu pozic. Pro sekvence odlišnej délky není přímo definovaná bez doplnení zarovnání, výplne nebo jiné editačnej metriky.
Hardwarový akcelerátor
Hardware accelerator je specializovaný procesor nebo výpočetní jednotka navržená tak, aby vybrané operace vykonávala rychleji nebo energeticky úspornejšie než obecný CPU. V AI jde zejména o GPU, TPU, NPU, FPGA a ASIC optimalizované pro násobení matic, tenzorové operace, nízkou přesnost a vysokou paralelizaci. Skutečný přínos závisí na datového toku, pameťovej propustnosti, podporovaných formátů, kompilátora a využitia jadier. Teoretický počet operací za sekundu proto sám neurčuje latenci, náklady ani výkon konkrétního modelu.
Hashovací trik
Hashing trick je způsob prevodu velkého nebo otevřeného slovníka prvků do vektora pevnej délky pomocí hashovacej funkce. Každý token, kategorie nebo příznak se mapuje do jednoho z předem určených košů, případně i se znamienkom, a jeho hodnota se v daném koši pripočíta. Metoda nepotřebuje uchovávat kompletný slovník a ví zpracovat nové hodnoty, ale různé prvky mohou skončit v stejném koši. Tyto kolíze jsou nevratné a při příliš malém počtu rozměrů snižují rozlišovaci schopnost. Hashing trick se nesmí zamieňat s kryptografickým hashováním.
Hebbovské učení
Hebbian learning je rodina lokálních pravidel, při kterých se váha spojení mění podle súčasnej aktivity propojených jednotek. Zjednodušene, opakovaná společná aktivace pro-synaptického a post-synaptického neuronu posilňuje jejich spojení. Základní pravidlo je bez učitela a nevyžaduje globálně zpětné šíření chyby, proto je významné v neurovede i neuromorfných systémech. Neobmedzená pozitívna zpětná vazba však může vést k rastu váh a strate selektivity. Praktické varianty proto používají normalizaci, súťaž, práh nebo Ojaovo pravidlo.
Heterogenní graf
Heterogeneous graph je graf, který obsahuje více typů uzlů, více typů hrán nebo oboje. V znalostnom grafu mohou uzly reprezentovat osoby, firmy a dokumenty, zatímco hrany vyjadrují zamestnání, vlastníctvo či citaci. Typ určuje význam vlastností, povolené relace a způsob agregace informací. Model proto nemůže všech sousedů zpracovat jednou nerozlíšenou transformací bez ztráty sémantiky. Heterogénne grafové neuronové sítě používají reláciovo specifické parametry, meta-cesty, pozornost nebo sdílení váh mezi typmi. Kvalita závisí i od správné ontológie a neúplnosti hrán.
Hierarchické posilované učení
Hierarchical reinforcement learning je přístup, který rozkladá dlhú rozhodovací úlohu na více úrovní. Vyšší politika volí podciel, možnost nebo zručnost a nižší politika provádí sekvenci primitívnych akcií, zatímco se podúloha neskončí. Hierarchie může zlepšit prieskum, opetovné použití chování a přiřazení odměny při dlouhém horizonte. Formálně se často popisuje přes options framework, kde možnost obsahuje iniciačnou množinu, vnitřní politiku a podmínku ukončení. Nesprávně podciele mohou omezit optimálne řešení a prenášat chyby mezi úrovňami.
Hierarchické shlukování
Hierarchical clustering je metoda shlukování, která vytváří vnorenou postupnost skupin reprezentovanou dendrogramom. Aglomeratívny variant začíná jednotlivými body a opakovaně spojuje nejbližší zhluky, divizívny začíná celou množinou a postupně ji rozděluje. Výsledek závisí na metriky vzdálenosti a linkage pravidla, například single, complete, average nebo Ward. Počet shluků se nemusí zadať před tréninkem, vybere se rezom stromu. Hierarchie však není automaticky objektívna taxonomie a časné chybné spojení se v běžném aglomeratívnom postupe už neopraví.
Hloubkový buffer v 3D renderování
Z-buffer je rasterizačná datová struktura, která pro každý pixel uchovává dosud najbližšiu hlbkovou hodnotu vůči kamere. Při kreslení fragmentu se jeho hloubka porovná s uloženou hodnotou a farba se zapíše pouze tehdy, když fragment projde nastaveným depth testem. V AI pipeline se používá při generování syntetických scén, výrobe depth máp, maskování zakrytých bodů, projekcii 3D anotací a kontrole viditelnosti při neurónovom renderování.
Hluboká neuronová síť
Deep neural network je neuronová síť s více po sebe nasledujúcimi transformačnými vrstvami mezi vstupem a výstupem. Každá vrstva aplikuje naučenou lineárnu nebo jinou parametrickou operaci a nelinearitu, čím vytváří čoraz abstraktnejšiu reprezentaci. Hloubka umožňuje efektivně skladat složité funkce, ale zároveň komplikuje optimalizaci, interpretaci a kontrolu generalizace. Konkrétnou hlbokou sítí může být konvoluční síť, transformer, rekurentní architektura nebo kombinovaný multimodální model.
Hluboké učení
Deep learning je oblast strojového učení založená na neuronových sítích s více vrstvami, které se učí hierarchické reprezentace přímo z dat. Nižší vrstvy zachycují jednodušší vzory, vyšší vrstvy jejich skladají do abstraktnejších vlastností potřebných pro predikci nebo generování. Parametry se obvykle optimalizují gradientnými metódami a spetným šírením chyby. Hluboké učení umožnilo výrazný pokrok v obraze, řeči, textu a multimodalite, ale vyžaduje mnoho dat, výpočtů, validace a řízení rizik.
hodnocení vysvětlení AI
XAI evaluation je soubor experimentů, metrik a používatelských štúdií, kterými se posuzuje kvalita vysvětlení AI systému. Technická vrstva zkoumá například fidelity, stabilitu, citlivost, lokalizačnou přesnost nebo konzistenci. Funkční vrstva zjišťuje, či vysvětlení pomáhá odhalit chybu, porovnat modely nebo provést audit. Lidská vrstva měří porozumění, čas, správnost rozhodnutí a riziko nadmernej důvěry. Jediná univerzální metrika neexistuje, hodnotící protokol musí vycházet z konkrétního použití.
hodnotová funkce
Value function v posilňovanom učení přiřazuje stavu nebo dvojici stav a akce očekávaný kumulatívny diskontovaný výnos při určité politice. Stavová hodnota V vyjadřuje perspektívu ze stavu, akční hodnota Q zahrnuje i zvolenou akci. Funkce propojuje okamžité odměny s dlhodobými následkami a může být uložená tabulkovo nebo aproximovaná neuronovou sítí. Její přesnost závisí na politiky, dynamiky prostředí, diskontného faktora a distribuce skúseností. Není totožná s reward function.
Homomorfní šifrování
Homomorphic encryption je kryptografická technika, která umožňuje provést vybrané algebraické operace přímo nad zašifrovanými daty. Po dešifrování výsledku uživatel získá hodnotu odpovídající výpočtu nad původným plaintextom, ačkoli spracovatel plaintext neviděl. Částečně homomorfní schémata podporují omezený typ operace, leveled schémata konečný okruh a fully homomorphic encryption obecný výpočet s bootstrappingom. V AI může chránit vstupy nebo inferenci, ale přináší velké výpočetní, pameťové a numerické náklady. Bezpečnost navíc závisí na parametrů, správy klúčů a modelu hrozieb.
horní hranice spolahlivosti při sekvenčním výběru
Upper Confidence Bound, zkráceně UCB, je princip sekvenčného rozhodování, který pro každou akci kombinuje odhad očekávané odměny s bonusom za nejistotu. Algoritmus vybírá akci s nejvyšší hornou hranicou, čím přirozeně vyvažuje exploitation známých možností a exploration málo preskúmaných možností. Bonus klesá s počtem pozorování dané akce a roste s časem nebo štatistickou nejistotou. Teoretické regret záruky platí jen při konkrétních predpokladoch o odměnách a stacionarite. Implementace se dokumentuje presným tvarem bonusu, inicializací ramien, horizontom a pravidlem při rovnosti indexů.
Hradlová rekurentní jednotka
Gated recurrent unit je rekurentní neuronová bunka, která aktualizuje skrytý stav pomocí aktualizačnej a resetovacej brány. Aktualizačná brána určuje poměr mezi zachováním předchozí paměti a prijatím nového kandidátneho stavu, resetovace brána zas řídí, kolik minulosti se použije při výpočtu kandidáta. GRU má méně brán a parametrů než typická LSTM, ale stále zmierňuje problém miznúcich gradientů při dlhších sekvenciách. Výpočet zůstává časovo sekvenční, proto se při velmi dlouhých kontextoch hůře paralelizuje než architektury založené na pozornosti.
Hybridní umělá inteligence
Hybrid AI je zastrešujúce označení systému, který kombinuje odlišné paradigmy umělé inteligence tak, aby jedna kompenzovala omezení druhé. Často spojuje neuronové učení z dat se symbolickými pravidly, znalostným grafem, optimalizačným algoritmem, simulací nebo expertným systémem. Hybridita může být modulárna, když komponenty komunikují přes rozhraní, nebo tesnejšia, když se pravidla premietnu do tréninkové ztráty či architektury. Název sám neříká, jak se řeší konflikty mezi komponenty, kde vzniká odpovědnost ani či kombinace skutečně zlepšuje generalizaci a vysvětlitelnost.
Image-to-image translation
Image-to-image translation je úloha, ve které model mapuje vstupní obraz z jedné vizuálnej domény nebo reprezentace na zodpovedajúci obraz v druhé. Příkladem je převod mapy na satelitnou snímku, dennej scény na nočnou, náčrtu na fotografii, hlučného obrazu na vyčistený nebo masky na realistický vzhlad. Při párovanom tréninku jsou dostupné korešpondujúce dvojice, při nepárovanom se používá cyklická konzistence nebo jiné omezení. Dobrá transformace má zachovat identitu a geometrii, které se měnit nemají, a upravit pouze cílové vlastnosti. Generátor může vytvořit přesvědčivý, ale fakticky nepravdivý detail.
Imitační učení
Imitation learning učí agenta provádět úlohu z ukážok chování experta místo přímého definování odměny pro každý stav. Při behavior cloning se demonštrace premení na páry pozorování a akce a politika se trénuje jako supervidovaný model. Interaktívne metody, například Dagger, zbierají opravy experta i v stavech, do kterých se dostane samotný žiak. Hlavním problémem je distribučný posun, protože malá chyba zavedie agenta mimo trás pozorovaných v datech a další rozhodnutí se kumulatívne zhoršují. Výkon závisí na kvality demonštrací, pokrytí stavů a definice pozorování.
Implicitní zpětná vazba
Implicit feedback jsou pozorované prejavy používatelského chování, z kterých se nepřímo odhaduje preference bez explicitného hodnocení. Patří sem kliknutí, prehratia, nákupy, čas sledování, preskočení nebo opakované návštevy. Signál obvykle vyjadřuje míru expozíce a záujmu, ne jednoznačný názor. Nevykonaná akce nemusí znamenat nesúhlas, protože uživatel položku nemusel vidět. Modely pro implicitné data pracují s nejistotou negativních příkladů, váhou důvěry a pozící v rozhraní. Bez korekce mohou zosilnit popularitu, historické nerovnosti a slučku, ve které doporučení samo vytváří budoucí tréninková data.
Induktivní zkreslení modelu
Inductive bias je soubor predpokladů, které vedou učiaci algoritmus při výběru řešení pro nepozorované případy. Když více modelů stejně dobře vysvětluje tréninková data, bias určuje, kterému se dá prednost. Může být zabudovaný do architektury, například lokalita a sdílení váh v konvolučnej síti, do regularizace, datové augmentace, optimalizace nebo prioru. Bez akejkolvek preference nelze z konečnej vzorku spolehlivě generalizovat. Induktívny bias není automaticky nežiaduca spoločenská zaujatosť, ačkoli nevhodný předpoklad může zhoršit výkon pro určité skupiny nebo prostředí.
Inference
Inference je výpočetní fáza, ve které natrénovaný model zpracuje nový vstup a vytvoří predikci, embedding, generovaný obsah nebo rozhodovací skóre bez aktualizace svojich naučených parametrů. Zahrnuje předzpracování, dopředný průchod modelem, dekódování a následné pravidla, které prevádzají surový výstup na použitelný výsledek. Při jazykovém modeli probíhá autoregresívne, token po tokene, při klasifikátore může jít o jediný průchod. Inference se liší od tréninku požiadavkami na latenci, dostupnost, paměť a reprodukovatelnost. Správnost závisí i od verze tokenizeru, vstupní schémata a postprocessingu.
Inference bez kopírování dat
Zero-copy inference je implementačný přístup, při kterém vstupní nebo výstupní tenzory procházejí mezi komponenty inferenčního systému bez zbytočného kopírování jejich obsahu do nového pameťového prostoru. Komponenty si odovzdají pohlad, ukazovatel, buffer nebo handle na zdielanou CPU či GPU paměť. Cílem je snížit latenci, spotrebu pameťovej propustnosti a špičkovou alokaci. Skutečný přínos závisí na kompatibility zařízení, formátu, zarovnání, životnosti bufferu a synchronizace.
Inference latency
Inference latency je čas od prijatia vstupu inferenčným systémem po dostupnost požadovaného výstupu. Může zahrnovat sieťový přenos, čakání ve fronte, předzpracování, načtení dat, výpočet modelu, dekódování a serializaci odpovědi. Při generativních modelech se zvlášť měří time to first token a čas mezi ďalšími tokenmi, protože uživatel vníma začiatok odpovědi jinak než její úplné dokončení. Průměr nestačí, důležité jsou percentily p95 a p99, které zachycují pomalé požadavky. Latence závisí na velikosti batchu, délky vstupu, hardwaru, paralelizace a aktuálního zaťažení.
Inference v nízké bitové přesnosti
Quantized inference je provádění dopredného výpočtu modelu s nízkobitovými reprezentacemi a kernelmi, například int8, int4 nebo zmiešanou přesností. Runtime načte kvantizačné parametry, převede vstupy do požadovaného rozsahu, provede podporované operace a podle potřeby dekvantizuje výstup. Skutečný výkon závisí na hardwaru, datového layoutu, velikosti dávky a počtu operací, které zůstávají ve float formáte. Kvantizovaný soubor bez kompatibilného runtime není důkaz nízkobitovej exekúce.
Inferenční koncový bod
Inference endpoint je sieťové nebo lokálně rozhraní, přes které aplikace odevzdá vstup nasadenému modelu a prijme jeho výstup. Typicky definuje adresu, protokol, autentifikaci, vstupnou schéma, formát odpovědi, limity velikosti a pravidla chyb. Za rozhráním může být jeden model, ensemble, predspracovací řetězec nebo směrování mezi více verzemi. Endpoint není samotný model, ale provozní služba zahrňajúca serving runtime, škálování, monitorování a bezpečnostní kontroly. Návrh musí řešit idempotenci, timeout, retry, dávkování a ochranu citlivých dat, jinak aplikace neví spolehlivě interpretovat výsledek.
Inicializace parametrů nulami
Zero initialization je nastavení váh nebo jiných parametrů modelu na nulovou hodnotu před optimalizací. Při viacneurónovej vrstvě se nulová inicializace všech váh zpravidla nepoužívá, protože neuróny dostanou stejné gradienty a zůstanou symetrické, takže se nenaučia rozdílně příznaky. Nulou se však běžně inicializují zkreslení, některé reziduální škály, stavové buffery nebo výstupní vrstvy, když návrh záměrně vyžaduje počiatočnou nulovou funkci. Vhodnost závisí na parametru a toku gradientu.
Inkrementální učení
Incremental learning je způsob tréninku, při kterém model přijímá nové data, třídy nebo úlohy postupně a aktualizuje se bez úplného pretrénování na celém historickom korpuse. Variant class-incremental přidává kategorie, task-incremental rozlišuje úlohy a online učení zpracovává prichádzajúce příklady v krátkych intervaloch. Klúčovým rizikem je katastrofické zapomínání, když nové gradienty poškodia výkon na skorších znalostech. Používají se replay buffery, regularizace důležitých parametrů, destilace a rozširování architektury. Provoz musí rozlišovat skutečné učení od obyčajného periodického retrainingu a sledovat pořadí dat.
Integrované gradienty
Integrated gradients je metoda atribuce, která přiřazuje vstupním prvkem příspěvek k vybranému výstupu diferencovatelného modelu. Vypočítá gradient predikce podél cesty od referenčního baseline vstupu k analyzovanému vstupu a tyto gradienty integruje. Součet atribucí přibližně odpovídá rozdílu mezi výstupem pro skutečný vstup a baseline, co je vlastnost completeness. Metoda splňuje axiomy sensitivity a implementation invariance, ale výsledek závisí na volby baseline, počtu aproximačních kroků a cílové třídy. Atribuce popisuje lokální citlivost modelu, ne kauzální důvod ani správnost rozhodnutí.
Interpretovatelnost modelu
Interpretability je míra, do jaké člověk dokáže pochopit vnitřní mechanizmy modelu nebo vztah mezi vstupem a jeho výstupem v konkrétním kontextu. Může být inherentná, například při malém rozhodovacom strome, nebo post hoc, když se zložitému modelu vytvoří atribuce, příklady, pravidlová aproximace či kontrafaktuální vysvětlení. Pojem nemá jedinou univerzálnu metriku, proto se musí uvést uživatel, otázka a účel vysvětlení. Lokálně vysvětlení jednoho případu není globálnym popisem systému. Zrozumitelnost také nezaručuje věrnost, spravedlnost ani správnou predikci.
Intersection over Union (Iou)
Intersection over Union, zkráceně Iou, je metrika podobnosti dvou oblastí definovaná jako velikost jejich prieniku dělená velikostí sjednocení. Při bounding boxoch nebo segmentačných maskách nadobúda hodnotu od nuly, když se oblasti neprekrývají, po jedna, když jsou totožné. Iou se používá na přiřazení predikce ku ground truth, výpočet mean Iou a určení, či detekce prekročila hodnotící práh. Metrika je nezávislá od absolútnej plochy, ale malé objekty jsou citlivé na posun několika pixelů. Samotné Iou nevyjadruje třídu, istotu, počet falešných objektů ani praktickou závažnost chyby hranice.
Jaccard index
Jaccard index vyjadřuje podobnost dvou množin pomerom počtu spoločných prvků k počtu všech unikátnych prvků prítomných aspoň v jedné z nich. V strojovém učení porovnává například množinu správných a predikovaných štítků, množinu tokenů nebo pixely referenční a predikovanej masky. Hodnota 1 znamená úplnou shodu, hodnota 0 nulový společný prvek. Při prázdnych množinách je třeba předem určit konvenci, protože menovatel může být nulový. Průměrování v multilabel úlohách musí zohladnit, zda se počítá po vzorcích, třídách nebo globálně.
Jaccardova vzdálenost
Jaccard distance je nepodobnost odvodená od Jaccardovho indexu vzťahom d_J(A,B) = 1 - J(A,B). Nad konečnými množinami nadobúda hodnoty od 0 do 1, přičemž 0 označuje stejné množiny a 1 množiny bez spoločných prvků. Používá se při zhlukování binárnych atributů, vyhledávání podobných dokumentů, deduplikaci a analýze množin štítků. Na rozdíl od kosínovej vzdálenosti ignoruje počet spoločných núl, co je důležité při riedkych indikátorových vektoroch. Implementace musí konzistentne řešit případ dvou prázdnych množin.
Jacobian matrix
Jacobiho matice funkce f: R^n -> R^m obsahuje všechny první parciální derivace výstupných složek podle vstupních proměnných. Prvek J_ij vyjadřuje lokální změnu i-teho výstupu při malé změně j-teho vstupu. V neuronových sítích se Jacobian může počítat vůči vstupu, parametrem nebo latentní reprezentaci. Umožňuje analyzovat citlivost, lokální lineárnu aproximaci, stabilitu a šíření perturbací. Úplná matice bývá při velkých modelech příliš rozsiahla, proto se často počítají pouze její součiny s vektory.
Jádrová analýza hlavních komponentů
Kernel PCA je nelineárně rozšíření analýzy hlavních komponentů, které provede spektrální rozklad centrovanej Gramové matice místo kovariančnej matice původných příznaků. Hlavní osi vznikají v implicitním prostoru určenom kernelem, takže dokážu rozvinúť zakrivenou strukturu dat. Výsledek závisí na kernelu, jeho parametrů a počtu komponentů. Na rozdíl od lineární PCA nemá vždy jednoduchou inverznou transformaci ani přímou interpretaci zaťažení. Znaménko vlastného vektora je lubovolné, proto otočení osi mezi behmi neznamená vecnou změnu.
Jádrová funkce
Kernel v jadrových metódach je funkce k(x, z), která vyjadřuje vnitřní součin obrazů dvou vstupů v příznakovém prostoru, ačkoli tyto obrazy nemusí algoritmus explicitně zostrojit. Platný pozitivně semidefinitný kernel vytváří Gramovu matici s vhodnými matematickými vlastnostmi. Volba lineárneho, polynomiálneho, RBF nebo doménového kernelu určuje pojem podobnosti a tím i tvar funkcí, které může model efektivně učit. Hodnota kernelu nemá sama sám o sobě univerzálnu měřítko, interpretuje se v rámci zvoleného modelu.
Jádrová hřebenová regrese
Kernel ridge regression spojuje ridge regression s kernelovým zobrazením. Minimalizuje kvadratickou chybu a L2 regularizaci ve funkčnom prostoru určenom kernelem, přičemž řešení lze vyjadrit koeficientmi při tréninkových příkladech. Při nelineárnom kerneli modeluje nelineárnu funkci v původných vstupech. Hyperparameter alpha řídí regularizaci, parametry kernelu jeho hladkosť. Trénink zahrnuje řešení lineárneho systému nad Gramovou maticou. Uzavreté řešení ulahčuje reprodukovatelnost, ale numerická stabilita závisí na kondíce matice.
Jádrová metoda
Kernel method je třída algoritmů, které vyjadrují učení převážně přes párové kernelové hodnoty mezi příklady. Lineární postup v implicitním příznakovém prostoru se tak správa nelineárně v původných datech bez explicitného výpočtu všech transformovaných příznaků. Do rodiny patří kernelové SVM, Kernel PCA, kernel ridge regression a Gaussian processes. Škálování bývá omezené velikostí Gramové matice a kvalita závisí na kernelu a regularizace. Mnohé řešení mají duálnu formu, ve které predikci určují koeficienty při tréninkových bodech.
Jadrové vzorkování top-p
Nucleus sampling, nazývané i top-p sampling, je dekódovace strategie, která při každém kroku zoradí tokeny podle pravděpodobnosti a vytvoří najmenšiu množinu, které kumulatívna pravděpodobnost dosáhne práh p. Následující token se vzorkuje pouze z této dynamickej množiny po renormalizaci. Na rozdíl od top-k se počet povolených tokenů mění podle tvaru distribuce. Metoda omezuje velmi nepravdepodobné pokračování, ale nezaručuje faktičnost, bezpečnost ani globálnu konzistenci textu.
Jádrový odhad hustoty
Kernel density estimation, KDE, je neparametrický odhad pravdepodobnostnej hustoty, který umiestni na každý pozorovaný bod hladkou jadrovou funkci a jejich příspěvky spriemeruje. Klíčový parameter bandwidth určuje míru vyhladení, zatímco typ kernelu ovlivňuje lokální tvar. KDE nepredpokladá konkrétní rodinu rozdělení, ale ve vyšších dimenziách potřebuje mnoho dat a výsledek je citlivý na škálování, hranice podpory a volbu metriky. Při multivariátnych datech může mít bandwidth jednu měřítko nebo samostatnou matici pro různé směry.
Jádrový trik
Kernel trick je algebraický postup, při kterém algoritmus nahradí explicitní vnitřní součiny transformovaných příznaků hodnotou kernelovej funkce k(x,z). Pokud je optimalizace a predikce formulovaná pouze přes vnitřní součiny, lze pracovat ve velmi vysokém nebo nekonečnom příznakovém prostoru bez přímého zostrojení mapy phi(x). Trik šetří reprezentaci, ne nevyhnutelně výpočty nad všemi dvojicami, proto se při velkých n objevuje problém Gramové matice. Úspora je največšia tehdy, když explicitní mapa roste omnoho rychleji než výpočet samotného kernelu.
jazyk výběru uzlů v XML stromoch
Xpath je výrazový jazyk W3C na navigaci a výběr položek v Xquery and Xpath Data Model. Pracuje s uzlami XML stromu, sekvenciami a atómovými hodnotami. Cesta může používat osi, node tests, predikáty, funkce, operátory a namespace kontext. Xpath 3.1 podporuje i mapy a pole, ale implementace se liší verzí. V AI pipeline se používá na extrakci částí dokumentů, mapování anotací a validaci pravidel. Výraz musí správně řešit namespaces a nepredpokladat, že pořadí nebo pozíce elementů zůstane navždy stejná.
Jazykový model
Language model je pravděpodobnostní nebo skórovací model, který zachycuje strukturu sekvencí jazykových jednotek, například znaků, slov nebo tokenů. Autoregresivní model odhaduje pravděpodobnost dalšího tokenu vzhledem na předchozí kontext, maskovaný model rekonštruuje skryté části a sekvenčno-sekvenční model podmieňuje výstup dalším vstupem. Jazykový model může být statistický i neuronový. Jeho pravdepodobnostná plynulosť neznamená automaticky faktickou správnost ani porozumění sveta.
Jemné dolaďování na instrukcích
Instruction fine-tuning je pokračování tréninku předtrénovaného modelu na zbierke úloh vyjadrených prirodzenými inštrukciami a očakávanými odpoveďami. Dataset může obsahovat klasifikaci, transformaci textu, otázky, extrakci, generování nebo dialóg, přičemž spoločným cílem je naučit model interpretovat zadání a přenést tento způsob chování na nové úlohy. Na rozdíl od doménového pokračování pretrainingu se optimalizuje odpověď na explicitní pokyn. Rozmanitost formulací, kvalita cílů a vyvážení úloh ovlivňují generalizaci. Metoda nezaručuje faktičnost ani bezpečnost a často se doplňa preferenčným ladením nebo pravidly použití.
Jensen-Shannon divergence
Jensen-Shannon divergence, JSD, je symetrická a konečná míra rozdílu mezi pravdepodobnostnými rozdeleniami. Pro dvě distribuce P a Q vytvoří zmes M = (P + Q)/2 a spriemeruje KL(P||M) a KL(Q||M). Na rozdíl od Kullbackovej-Leiblerovej divergence zůstává definovaná i tehdy, když má jedna distribuce nulovou pravděpodobnost tam, kde druhá ne, protože zmes obsahuje podporu obou. Při logaritme se základom 2 leží mezi 0 a 1. Druhá odmocnina JSD tvoří metriku a používá se při porovnání modelových výstupů, driftu a generativních distribúcií.
Jensenova nerovnost
Jensenova nerovnost tvrdí, že pro konvexnou funkci phi a náhodnou proměnnou X platí phi(E[X]) <= E[phi(X)], pokud jsou očakávání definované. Pro konkávnu funkci se směr obráti. Nerovnost propojuje zakrivení funkce s priemerováním a stojí za mnohými hranicami v štatistike a strojovém učení. Používá se při odvození evidence lower bound ve variačnej inferenci, při analýze log-loss, entropie a rizika. Rovnost nastáva při afínnej funkcii nebo při degenerovanej distribuci, případně za špecifických podmínek na podpoře X.
JSON pro prepojené data
JSON-LD je serializačný formát pro Linked Data, který zapisuje entity, vlastnosti a identifikátory v syntaxi JSON. Klúč @context mapuje krátké názvy na IRI a určuje význam slovníka, @id identifikuje zdroj a @type jeho třídu. Formát umožňuje vložit schema.org data do HTML bez miešání atributů s viditelným obsahem. V AI a GEO se používá na strojovo čitatelné označení autora, definovaného termínu, článku, organizace nebo vztahů mezi entitami. JSON-LD však nevytváří důvěryhodnost sám, údaje musí odpovídat viditelnej stránke a správnemu slovníku.
K-anonymity
K-anonymita je vlastnost zverejneného datového souboru, při které je každý záznam podle zvolených kvázi-identifikátorů nerozoznatelný nejméně od k mínus jednoho dalšího záznamu. Dosahuje se zejména zovšeobecnením hodnot, potlačením atributů nebo tvorbou ekvivalenčných tříd. Nechráni automaticky citlivý atribút v skupině, nebráni všem útokům s pomocnými daty a její účinnost závisí na správného výběru kvázi-identifikátorů. Riziko se proto hodnotí pro konkrétní způsob zverejnení, ne pouze jedním číslem k.
kalibrace nejistoty a pravděpodobností
Uncertainty calibration popisuje shodu mezi deklarovanou istotou modelu a empirickou frekvencí správnosti nebo pokrytím intervalů. Pokud klasifikátor označí sto podobných případů istotou 0,8, správný výsledek by se měl objavit přibližně osemdesiatkrát. Kalibrace se hodnotí reliability diagramom, Brierovým skóre, log loss nebo expected calibration error. Může se upravit temperature scalingom, izotonickou regresí či Platt scalingom na oddělené kalibračnej množině, bez změny pořadí skóre. Kalibračný report se má členit podle tříd, podskupín a intervalů istoty, ne pouze jedním priemerným číslem.
Kalibrace pravděpodobností modelu
Calibration vyjadřuje shodu mezi pravděpodobností, kterou model přiřadí události, a její skutečnou frekvencí. Pokud jsou predikce s istotou 0,8 správně přibližně v 80 percentách případů, model je v této oblasti kalibrovaný. Kalibrace se hodnotí odděleně od přesnosti a diskriminačnej schopnosti, protože model může dobře zoradit případy, ale systematicky nadhodnocovat sebaistotu. Měří se kalibračnými krivkami, Brierovým skóre nebo ECE a upravuje například temperature scalingom na validačních datech.
Kalman filtr
Kalmanů filtr je rekurzívny algoritmus na odhad stavu lineárneho dynamického systému z neistého modelu pohybu a zašumených měření. V predikčnom kroku premietne předchozí stav a jeho kovarianci dopredu, v korekčnom kroku jejich upraví inovací váženou Kalmanovým ziskom. Při lineárním modeli a gaussovskom šume poskytuje optimálny odhad v smyslu minimálnej střední kvadratické chyby. Nesprávně kovariance vedou k prehnanej důvere nebo nestabilite. Filtr současně aktualizuje bodový odhad i matici nejistoty, co umožňuje kontrolovat konzistenci.
Katastrofické zapomínání
Catastrophic forgetting je prudká ztráta výkonu na dříve naučených úlohách po tom, jak se neuronová síť dále trénuje na nových datech nebo úlohách. Aktualizace parametrů potřebné pro nový cíl mohou prepísat reprezentace důležité pro předchozí schopnosti. Jev je typický při sekvenčním učení bez přístupu k původným datům. Zmierňuje se rehearsalom, regularizací důležitých váh, modulárnou architekturou, replay bufferom nebo izolací adaptérů, přičemž je třeba měřit učení nového i udržání starého výkonu.
Kauzální inference
Causal inference je proces odhadování účinku zásahu nebo příčiny na výsledek z experimentálnych či observačných dat při explicitných predpokladoch. Rozlišuje pozorování hodnoty X od intervence do(X), protože asociace sama neurčuje, co se stane po změně. Používá rámec potenciálnych výsledků, štrukturálne kauzální modely, randomizaci, matching, stratifikaci, propensity scores, inštrumentálne proměnné nebo difference in differences. Platnost závěru závisí na identifikace, konzistence, positivity a kontroly confoundingu.
Kauzální jazykový model
Causal language model je autoregresivní model trénovaný predikovat následující token pouze z tokenů, které mu v poradí predchádzají. Kauzální maska v attention mechanizme zabrání pozici používat budoucí tokeny během tréninku, čím se úloha zhoduje se sekvenčným generováním. Pravděpodobnost textu se rozkladá na součin podmienených pravděpodobností dalších tokenů. Slovo causal tu označuje směr informačního toku v sekvenci, ne důkaz príčinnej souvislosti v smyslu kauzálnej inference.
Kauzální umělá inteligence
Causal AI je zastrešujúce označení pro AI systémy, které explicitně modelují príčinné vztahy a používají jejich při predikci, vysvetlování, plánování nebo výběru zásahu. Mohou kombinovat štrukturálne kauzální modely, kauzální grafy, experimentálne data a metody strojového učení. Nejde o jeden štandardizovaný algoritmus ani o záruku kauzality. Důvěryhodný systém musí uvést kauzálnu otázku, předpoklady identifikace, původ grafu, možné confoundery a způsob validace intervenčných nebo kontrafaktuálnych záverů.
Klasifikace
Classification je úloha, při které model přiřazuje vstupu jednu nebo více diskrétnych tříd. Může být binární, multiclass nebo multilabel a výstupem bývá skóre či pravdepodobnostná distribuce, ze které rozhodovací pravidlo vytvoří štítek. Model se učí z označených příkladů a hodnotí na datech oddelených od tréninku. Kvalita závisí na definice tříd, reprezentativnosti dat, ztrátové funkce, prahu a nákladů chyb. Klasifikace nepredpovedá automaticky príčinu ani budúcu číselnou hodnotu.
Klasifikace bez tréninkových příkladů cílových štítků
Zero-shot classification je přiřazení vstupu k jednomu nebo viacerým kandidátnym štítkem, pro které model nebol zvlášť trénovaný na označených příkladech dané úlohy. V NLP se často realizuje přes natural language inference, kde se každý štítek vloží do hypotézy a model odhadne míru entailmentu, nebo přes embeddingovou podobnost mezi vstupem a popisem třídy. Výsledek je citlivý na formulaci štítků, šablónu hypotézy, kalibraci skóre a to, či jde o single-label nebo multi-label režim.
Klasifikace jedné cílové třídy
One-class classification je učení rozhodovací oblasti pro jednu cílovou třídu, když jsou ostatní třídy neznámé, nedostupné nebo příliš různorodé. Model se učí podporu distribuce běžných příkladů a nový vstup označí jako patriaci do oblasti nebo ležiaci mimo ní. Metody zahrnují one-class SVM, hypersférové modely a rekonštrukčné přístupy. Výsledek závisí na míry kontaminace tréninkových dat, volby reprezentace a prahu, proto označení mimo třídy neidentifikuje príčinu odchylky.
klasifikace jednotlivých tokenů
Token classification přiřazuje štítek každému tokenu nebo vybranému úseku vstupní sekvence. Používá se při rozpoznávání pomenovaných entít, označování slovních druhů, detekci citlivých údajů nebo extrakcii struktury. Při subword tokenizaci je třeba previesť anotace slov na více tokenů a následně spojit predikce zpět do textových rozsahů. Kvalita závisí na konzistence hranic entít, schémata štítků a hodnocení na úrovni celých entít, ne pouze tokenů. Anotačný manuál musí obsahovat hraniční případy, vnorené entity a pravidla pro interpunkci či zkratky.
Klasifikace obrázků
Image classification je úloha přiřazení jednoho nebo více štítků celému obrázku na základě jeho vizuálního obsahu. Model zpracuje matici pixelů nebo odvozené reprezentace a vytvoří skóre pro třídy, například druh rostliny, typ výrobní chyby nebo přítomnost patologického nálezu. Při single-label variantě se vybírá jedna třída, při multi-label variantě může být pravdivých více označení. Výsledek neobsahuje přesnou polohu objektu, proto klasifikátor může rozhodnout správně i z nevhodného pozadí nebo zkratkového znaku. Hodnocení musí zahrnovat třídní metriky, kalibraci a testy mimo tréninkové distribuce.
Klasifikace obrazu pomocí textových tříd bez dolaďování
Zero-shot image classification přiřazuje obraz k triedam definovaným textem bez optimalizace modelu na označených obrázcích těchto tříd. Vision-language model zakóduje obraz a textové prompty do společného prostoru, vypočítá podobnost a zvolí najbližšiu reprezentaci. Při CLIP se pro každou třídu často používá více promptových šablón a jejich embeddingy se agregují. Výkon závisí na názvů tříd, domény, jazyka, kalibrace teploty a od prekryvu mezi predtrénovacími daty a testem.
klasifikace textu
Text classification přiřazuje textovému vstupu jednu nebo více tříd podle naučeného rozhodovacího pravidla. Vstupem může být věta, e-mail, dokument nebo konverzace, výstupem například téma, sentiment, závažnost či typ požadavky. Systém může používat řídké textové příznaky, embeddingy nebo transformer. Návrh musí určit taxonomii, možnost více štítků, práh rozhodnutí a postup pro texty mimo známých tříd. Taxonomie a mapování štítků se musí verziovat, protože změna významu třídy mění i interpretaci historických metrik.
klasifikace záměru uživatele
User intent classification přiřazuje uživatelský vstup k jedné nebo viacerým triedam opisujúcim požadovaný cíl, například změnit heslo, reklamovat platbu nebo zjistit stav objednávky. Model může používat pravidla, klasifikátor nad embeddingmi nebo jazykový model. Kvalita závisí zejména od jasnej taxonomie, reprezentatívnych formulací, detekce vstupů mimo rozsahu a možnosti kombinovat intent s entitami. V produkci se sleduje zámena mezi podobnými zámermi, nízká istota a změny používatelského jazyka. Každý intent má mít definici, pozitivně příklady, podobné negativně příklady, vlastníka a cílový workflow.
Klasifikační práh
Classification threshold je hranice, která mění spojité skóre nebo odhad pravděpodobnosti binárneho klasifikátora na pozitivně či negativně rozhodnutí. Změna prahu nemění naučené parametry modelu, ale presúva případy mezi štyrmi bunkami binární matice záměn a tím mění profil chyb. Vybírá se na validačních datech podle nákladů, kapacity, regulace nebo cílové metriky. Práh 0,5 není přirozeně optimálny a při nekalibrovanom skóre nemusí znamenat 50 procent reálné pravděpodobnosti.
Klonování hlasu bez dolaďování na mluvčího
Zero-shot voice cloning je syntéza řeči v hlasovej identite nového mluvčího bez osobitného tréninku nebo dolaďování modelu na jeho datech. Systém extrahuje speaker embedding nebo jinou podmínku z krátkej referenční nahrávky a spojí ji s textovým či akustickým generátorom. Kvalita se hodnotí zrozumitelností, podobností hlasu, prozódiou a robustností vůči šumu. Technologie nese vysoké riziko zneužitia identity, proto vyžaduje souhlas, provenance, detekci a omezení distribuce.
knihovna optimalizovaných transformerových bloků
xformers je knihovna založená na Pytorch, která poskytuje modulárne a optimalizované stavebné bloky transformerových architektúr. Zahrnuje memory-efficient attention, attention biases a další operátory s více backendmi. Rozhraní může podle zařízení, dtype, tvaru a masky vybrat vhodnou implementaci. Knihovna nemění matematický cíl modelu automaticky, ale numerické pořadí operací a podporované gradienty se mohou lišit. Kompatibilita závisí na verze Pytorch, CUDA a GPU. Před nasazením se testuje správnost, paměť, latence i determinističnost.
Knihovna pro transformovatelné numerické výpočty
JAX je knihovna pro numerické výpočty v Pythone, která poskytuje Numpy podobné rozhraní a transformace funkcí pro automatickou diferenciaci, JIT kompilaci, vektorizaci a paralelizaci. Výpočty se zapisují jako kompozíce čistých operací nad polami a kompilují přes ekosystém Openxla pro CPU, GPU nebo TPU. JAX sleduje funkci do medzireprezentace jaxpr, proto má osobitné pravidla pro stav, náhodnost a řízení toku. Samotný JAX není kompletný tréninkový framework, ale základ, na kterém stoja knižnice jako Flax, Equinox nebo Optax.
Kódování cílových štítků
Label encoding je transformace diskrétnych názvů cílových tříd na interní kódy, nejčastěji celé čísla od nuly po počet tříd mínus jeden. Mapování umožňuje algoritmem pracovat s textovými nebo symbolickými labelmi, ale samo sám o sobě nevytváří pořadí ani vzdálenost mezi třídami. Kódovník musí být stabilní mezi tréninkem, evaluací a produkcí. Při vstupních kategóriách se používají jiné postupy, například one-hot nebo ordinal encoding, podle významu príznaku a modelu.
Kompilace just-in-time
JIT compilation je překlad programu nebo jeho výpočetní části do optimalizovaného strojového kódu během běhu aplikace, když jsou známé relevantní typy, tvary a cílové zařízení. V ML frameworcích může kompilátor fúzovat operace, odstranit redundanci, plánovat paměť a generovat jádra pro CPU, GPU nebo TPU. První volání často zahrnuje trasování a kompilaci, další volání s kompatibilním podpisem používají cache. Dynamické tvary, Python vedlejší efekty a časté změny statických argumentů mohou způsobit opakovanou kompilaci nebo graph break.
Kompromis mezi zkreslením a variabilitou
Bias-variance tradeoff popisuje napetie mezi systematickou chybou modelu a jeho citlivostí na konkrétní tréninkovou vzorek. Model s vysokým biasom je příliš omezený a nezachytí podstatný vztah, co vede k underfittingu. Model s vysokou variance se nadmerne prispůsobí detailom a šumu tréninkových dat, takže jeho výsledky se výrazně mění při jiném výběru vzorku. Při kvadratické strate lze očakávanou chybu rozložit na bias, variance a ireducibilný šum. V modernej hluboké AI je obraz zložitejší, ale princip zůstává užitečný při diagnostike generalizace.
Konfigurace AI systému v YAML
YAML configuration je deklaratívny soubor, ve kterém aplikace mapuje klúče YAML na konkrétně parametry svojho běhu. V AI projekte může obsahovat výběr modelu, datové zdroje, transformace, hyperparametre, seed, metriky, hardvérové limity, registre artefaktů i pravidla nasazení. YAML zabezpečuje pouze syntax a dátovou strukturu, ne platnost experimentu. Reprodukovatelná konfigurace proto potřebuje verzi schémata, pevné identifikátory dat a kódu, deklarované predvolené hodnoty a kontrolu neznámých polí.
Kontextové inženýrství pro LLM
Context engineering je systematický návrh, výběr, transformace a správa informací, které model dostane během inference. Zahrnuje systémové instrukce, historii, retrieval, paměť, výsledky nástrojů, příklady, metadata, kompresi a izolaci kontextů. Je šířeji než formulace jednoho promptu, protože řeší celý životní cyklus informací při jednotlivých krocích aplikace nebo agenta. Cílem je poskytnout relevantní a důvěryhodné data v správném poradí a formáte při omezené kapacite, latencii, ceně, oprávneniach a riziku prompt injection.
Kontextové okno modelu
Context window je maximálny počet tokenů, které model může zpracovat v rámci jednoho výpočtového kontextu. Podle konkrétního API se do limitu započítavají systémové a uživatelské správy, historie, nástroje, dokumenty, reasoning tokeny a generovaný výstup. Okno není dlhodobá paměť ani záruka rovnomernej pozornosti ku každé části vstupu. Při překročení limitu musí aplikace obsah skrátit, vybrat, zhrnúť nebo rozdelit. Větší okno zvyšuje možnosti práce s dokumentmi, ale i cenu, latenci a riziko konfliktů v kontextu.
kontrafaktuální vysvětlení výsledku AI
XAI counterfactual explanation popisuje minimálnu nebo přiměřenou změnu vstupních podmínek, při které by model vytvořil odlišný cílový výsledek. Optimalizace obvykle vyvažuje blízkost původnému případu, dosiahnutie cíle, realizovatelnost, sparsity a rešpektování nemenných atributů. Kontrafaktuál vysvětluje rozhodovací hranici modelu, ne automaticky skutečný kauzální zásah. Návrh typu zvýšte příjem může být nereálný, eticky nevhodný nebo mimo kontroly osoby. Kvalitní systém proto používá omezení a více rozmanitých alternatív.
Kontrastivně učení
Contrastive learning je způsob učení reprezentací, při kterém se model učí približovat embeddingy pozitivních párů a oddělovat embeddingy negativních nebo nesúvisiacich příkladů. Pozitivní pár může vzniknout dvěma augmentacemi toho istého obrazu, zodpovedajúcim textem a obrázkom nebo dvěma pohladmi na tu jistou entitu. Výsledek závisí na definice párů, augmentací, batchu, teploty a kontrastívnej ztráty. Cílem není přímo predikovat třídu, ale vytvořit prostor, který lze použít na retrieval, clustering nebo fine-tuning.
Kontrolní bod modelu
Checkpoint je uložený stav tréninku nebo modelu v konkrétním okamihu. Obvykle obsahuje parametry sítě a podle účelu i stav optimalizátora, plánovača learning rate, počítadlo kroků, náhodné stavy, konfiguraci a metadata dat. Umožňuje obnovit prerušený trénink, vybrat nejlepší validační bod nebo reprodukovat nasadenou verzi. Checkpoint není automaticky kompletný modelový artefakt. Bez tokenizéra, architektury, kódu, preprocessing pravidel a kompatibilných knižníc může být nepoužitelný nebo vést k odlišnému chování.
Konverzační robot
Chatbot je softvérové rozhraní, které vede dialóg s uživatelům prostřednictvím textu nebo hlasu. Může být založené na pevnom rozhodovacom strome, intent klasifikaci, retrievali, generatívnom jazykovém modeli nebo kombinaci těchto mechanizmů. Chatbot není synonymom LLM ani autonómneho agenta. Produkční návrh zahrnuje správu konverzačného stavu, identitu uživatele, přístup k znalostiam, bezpečnostní pravidla, eskalaci na člověka, měření úspešnosti a ochranu osobních údajů.
konvoluční architektura ve tvaru U
U-Net je plne konvoluční neuronová architektura určená zejména na sémantickou segmentaci obrazu. Tvoří ji kontrakčná větev, která zmenšováním rozlišení získává kontext, a expanzná větev, která obnovuje prostorovou přesnost. Mezi zodpovedajúcimi úrovňami vedou skip connections prenášajúce jemné črty z encoderu do decoderu. Výstupem je mapa tříd nebo pravděpodobností pro jednotlivé pixely, případně voxely při 3D variantě. Při klinickom nebo bezpečnostním použití se maska hodnotí i na různých zariadeniach, protokoloch a velkostiach objektů.
Konvoluční neuronová síť
Convolutional neural network je neuronová architektura, která používá zdielané konvolučné filtry na zpracování lokálních vzorů v mriežkových datech, zejména obrazech. Filtr se posouvá po vstupe a vytváří feature mapu, díky čomu stejný detektor hrany nebo textúry funguje na různých pozíciách. Vrstvy postupně skladají lokálně příznaky do komplexnejších reprezentací a mohou používat pooling, stride, dilation či reziduální bloky. CNN poskytuje silný induktívny bias pro lokalitu a translaci, ale její výkon stále závisí na dat, měřítka a cílové úlohy.
Konvoluční síť Zfnet
Zfnet je konvoluční neuronová síť predstavená Matthewom Zeilerom a Robom Fergusom jako upravená architektura nadvezujúca na Alexnet. Autori použili dekonvolučnou vizualizaci aktivací, aby diagnostikovali příliš hrubé první vrstvy, a zmenšili první konvolučné jádro i krok. Model vyhral klasifikační úlohu ILSVRC 2013 a ukázal, že vizualizace vnútorných reprezentací může vést ku konkrétní úprave architektury, ne pouze k obrázkovému vysvětlení po tréninku.
Kotvový rámec v detektorech YOLO
YOLO anchor box je v anchor-based verziách detektora preddefinovaný tvar rámce, vůči kterému síť predikuje posun středu, změnu šířky a výšky a skóre objektu. Sada kotiev přibližuje typické pomery strán a měřítka objektů v tréninkových datech, často pro více úrovní feature pyramid. Přiřazení ground truth ku kotvám určuje, které predikce dostanou pozitivní tréninkový signál. Ne všechny modely YOLO kotvy používají, anchor-free varianty predikují geometrii bez této sady priorů.
Křížová entropie jako ztrátová funkce
Cross entropy loss měří rozdíl mezi cielovým pravdepodobnostným rozdělením a distribúcí predikovanou modelem. Při klasifikaci s one-hot štítkem penalizuje záporný logaritmus pravděpodobnosti priradenej správné třídě, takže sebavedomá nesprávná predikce má velkou ztrátu. Při jazykovém modeli se počítá nad cielovým dalším tokenom na jednotlivých pozíciách. Funkce je diferencovatelná a přirozeně souvisí s maximálnou vierohodností, ale její nízká hodnota sama nezaručuje kalibraci, férovost ani úspěch provozního rozhodnutí.
Křížová validace
Cross-validation je resamplingový postup, který opakovaně rozděluje dostupné data na tréninková a validační části, aby odhadol generalizaci a variabilitu modelu. Při k-fold variantě se data rozdělí na k foldů, každý se raz použije na validaci a zbytek na trénink. Schéma musí respektovat skupiny, čas, uživatelů a závislosti mezi záznamami. Cross-validation se používá na výběr hyperparametrů a porovnání modelů, ale nenahrádza finálnu nedotknutou testovaci sadu, pokud se výsledky opakovaně používají při vývoji.
Křížová validace s k bloky
K-fold cross-validation je validační postup, který rozdělí dostupné data na k navzájem se neprekrývajúcich bloků. Model se natrénuje k-krát, vždy na k mínus jednom bloku, přičemž zostávajúci blok slouží na validaci. Výsledná metrika se agreguje přes všechny běhy a často se uvádí i rozptyl. Metoda odhaduje citlivost výkonu na rozdělení dat, ale musí respektovat skupiny, časové pořadí a závislosti mezi záznamami. Pokud se stejné data používají na výběr modelu i finálny odhad, potřebná je vnorená validace.
Kullback-Leibler divergence
Kullback-Leibler divergence, KL divergence, měří očekávaný logaritmický poměr mezi pravdepodobnostným rozdělením P a referenčním rozdělením Q. Pro diskrétní rozdělení je D_KL(P||Q) součtem P(x) log P(x)/Q(x). Hodnota je nezáporná a nulová pouze při zhodných rozdeleniach téměř všade, ale není symetrická a nesplňa trojuholníkovou nerovnost. Pokud Q přiřadí nulu události s kladnou pravděpodobností v P, divergence je nekonečná. Při spojitých rozdeleniach se součet nahrazuje integrálom a obě hustoty musí být definované na kompatibilnej podpoře.
Kvadratické programování
Quadratic programming, zkráceně QP, optimalizuje kvadratickou cílovou funkci při lineárních rovnostných a nerovnostných obmedzeniach. Pokud je matice kvadratického člena pozitivně semidefinitná a prípustná množina konvexná, problém je konvexný a lokálně optimum je globálně. QP se používá v support vector machines, riadení, alokaci zdrojů a projekcii na obmedzenou množinu. Numerický solver vrací řešení v tolerancii, proto se musí kontrolovat škálování, rezíduá a stav uskutočnitelnosti.
Kvalitativní brána pro AI
Quality gate for AI je formálně rozhodovací místo mezi etapami životního cyklu, ve kterém se ověří splnění předem určených kritérií před tréninkem, pilotom, produkčným nasazením nebo rozšírením použití. Brána může kombinovat metriky, bezpečnostní limity, povinné dokumenty, výsledek doménové revíze a schválení vlastníka rizika. Výsledkem je povolení, podmíněné povolení, vrátení na opravu nebo zastavení. Výnimka musí mít časové omezení, zodpovednou osobu a kompenzačné opatření.
kvantifikace nejistoty
Uncertainty quantification je systematický proces identifikace zdrojů nejistoty, jejich matematického opisu, propagace přes model a vyjadrení v konečnom výsledku. Zahrnuje nejistotu vstupních měření, parametrů, modelové struktury, numerického výpočtu i budoucích podmínek. Výstupem mohou být rozdělení, intervaly, citlivostné analýzy nebo scénáře. V AI se UQ nevzťahuje pouze na jedno confidence score, ale na celý řetězec od sběru dat po rozhodnutí a jeho validované riziko. Korelace mezi vstupnými zdroji se nesmějí ignorovat, lebo nezávislé vzorkování může vytvořit nereálne scénáře.
Kvantilová regrese
Quantile regression odhaduje podmíněný kvantil cílové proměnné místo podmieneného průměru. Pro zvolenou hladinu tau hledá funkci, pod kterou leží přibližně podíl tau výsledků, a minimalizuje asymetrickou quantile loss. Více modelovaných kvantilů může vytvořit predikčný interval a popsat nesymetrické rozdělení. Metoda nepredpokladá konštantný rozptyl, ale samostatně odhadované kvantily se mohou krížit a jejich pokrytí se musí ověřit na datech mimo tréninku.
Kvantilová ztrátová funkce
Quantile loss, nazývaná i pinball loss, je asymetrická ztráta používaná na učení kvantilu s hladinou tau. Pokud je cíl nad predikcí, chyba se váží faktorom tau; pokud je pod ňou, faktorom 1 mínus tau. Minimum očekávané ztráty odpovídá podmienenému tau-kvantilu. Při tau 0,5 se správa jako polovica absolútnej chyby. Funkce má zlom v nulové chybě, ale lze ji optimalizovat subgradientom nebo hladkou aproximací.
Kvantizace modelu
Quantization je mapování hodnot s vysokou nebo spojitou přesností na menší konečnou množinu reprezentovatelných úrovní. Při neuronových sítích se kvantizují váhy, aktivace nebo medzivýsledky, například z float32 na int8 nebo 4-bitový formát. Lineární kvantizace používá měřítko a často nulový bod; může být symetrická, asymetrická, per-tensor nebo per-channel. Snížení bitové šířky šetří paměť a prenosy, ale přidává zaokrúhlovaci a saturujúcu chybu a vyžaduje podporu cílových kernelů.
Kvantizace po tréninku
Post-training quantization, zkráceně PTQ, převádí už natrénovaný model z vyššej numerické přesnosti na menší počet bitů bez plného opakovaného tréninku. Může kvantizovat pouze váhy nebo i aktivace, staticky pomocí kalibračných dat či dynamicky během inference. Převod používá scale, zero point nebo skupinové schémata, aby mapoval reálně hodnoty na diskrétní úrovně. PTQ snižuje paměť, přenos dat a někdy latenci, ale chyba zaokrúhlení může poškodit citlivé vrstvy. Skutečné zrychlení závisí na hardwaru, kernelů a formátu modelu.
kvantizace váh modelu
Weight quantization je reprezentování parametrů modelu menším počtem bitů než při původním formáte s plávajúcou desatinnou čárkou. Reálně váhy se mapují na diskrétnu mriežku pomocí scale faktora, případně zero-pointu, přičemž schéma může být symetrická nebo asymetrická, per-tensor nebo per-channel. Post-training quantization upravuje hotový model, quantization-aware training simuluje chybu už během učení. Úspora úložiště je predvídatelná, ale zrychlení závisí na podporovaných kernelů, dekvantizace, aktivací a cílového hardwaru. Nízký bitový rozsah může poškodit citlivé vrstvy nebo odlehlé hodnoty.
Kvantizované dolaďování s nízkým rankem
Qlora je metoda parametricky efektívneho dolaďování, při které zůstává základní jazykový model zmrazený a uložený v nízké bitové přesnosti, zatímco se učí malé Lora adaptéry. Gradient se přenáší přes dekvantizované výpočty do adaptérů, ne do původných kvantizovaných váh. Původní návrh používá 4-bitový typ NF4, dvojitou kvantizaci a stránkované optimalizátory na snížení pameťových špičiek. Qlora popisuje tréninkový postup, ne záruku, že finálny zlúčený model bude automaticky vhodný na nízkobitovou inferenci.
Kvaternionová neuronová síť
Quaternion neural network používá kvaterniónové váhy, aktivace nebo reprezentace se štyrmi previazanými zložkami. Lineární operace využívají Hamiltonů součin, který zavádí strukturované miešání komponentů a sdílení parametrů. Architektura může přirozeně modelovat rotace nebo korelované vícerozměrné signály, například farebné a řečové reprezentace. Není ekvivalentná obyčajnej síti se štyrmi nezávislými kanálmi. Výhoda závisí na vhodnosti kvaterniónovej struktury a od správné implementace derivací.
L1 regularizace
L1 regularization přidává k původní ztrátové funkcii penalizaci úmernou súčtu absolútnych hodnot parametrů modelu. Optimalizace proto upřednostňuje řešení, ve kterých jsou mnohé koeficienty přesně nulové nebo velmi blízké nule. V lineární regresii se tato forma označuje jako Lasso. Intenzitu zásahu určuje regularizačný koeficient. Metoda omezuje složitost modelu, může provést implicitný výběr příznaků a mění kompromis mezi prispůsobením tréninkovým datům a schopností generalizovat.
L2 regularizace
L2 regularization rozširuje optimalizační cíl o penalizaci založenou na súčte druhých mocnín parametrů. Velké koeficienty jsou postihované výraznejšie než malé, proto se váhy plynulo zmenšují, ale zpravidla nezanikají přesně. V lineární regresii jde o Ridge nebo Tichonovovu regularizaci. L2 snižuje citlivost modelu na náhodné výkyvy, pomáhá při kolinearite a může zlepšit numerickou stabilitu. Její účinek závisí na škálování vstupů a od regularizačného koeficientu.
Latentní difuzní model
Latent diffusion model, LDM, provádí difuzní proces ne přímo v pixelovom prostoru, ale v komprimovanej latentní reprezentaci vytvorenej autoenkóderom. Trénink se učí odstraňovat šum z latentů v postupných časových krocích. Podmínky, například text, maska nebo třída, se mohou pripájat přes cross-attention. Po dokončení denoisingu dekóder převede latent zpět na obraz. Komprese snižuje výpočtovou náročnost, ale kvalitu a typ artefaktů ovlivňuje i autoenkóder.
Latentní prostor
Latent space je matematický prostor, ve kterém se nachádzají latentní reprezentace vytvořené modelem. Jeho body odpovídají zakódovaným vstupem nebo generativním stavem a vzdálenosti či směry mohou zachytávat podobnost a změny vlastností. Geometrie není daná pouze počtem rozměrů, ale i tréninkovým cílem, metrikou, regularizací a rozdělením dat. Oblasti mezi pozorovanými body nemusí dekódovat na platné výstupy a jednoduchá lineární interpolace nemusí odpovídat ludsky plynulej změně.
Latentní reprezentace
Latent representation je interní číselné vyjadrení vstupu, které model vytváří v skrytej vrstvě nebo enkóderi. Místo původných pixelů, slov či měření obsahuje transformované črty užitečné pro rekonštrukci, predikci, podobnost nebo generování. Jednotlivé rozměry nemusí mít samostatně pomenovatelný význam a informace může být distribuovaná mezi mnoho komponentů. Kvalita latentní reprezentace se posuzuje podle cílové úlohy, invariancií, separace, robustnosti a zachování relevantnej informace.
Leaky Relu
Leaky Relu je po častiach lineární aktivační funkce, která pro kladný vstup vrací vstup a pro záporný vstup používá malý nenulový sklon. Záporná větev se zapisuje jako alpha krát x, přičemž alpha je pevný hyperparameter. Funkce zachovává gradient i pro záporné aktivace a může omezit jev dying Relu, při kterém jednotka zůstane trvalo neaktívna. Neodstraňuje však všechny problémy s optimalizací a hodnota záporného sklonu ovlivňuje distribuci aktivací i vhodnou inicializaci.
Lineární klasifikátor
Linear classifier přiřazuje třídu na základě lineární nebo afínnej funkce vstupních příznaků. Pro každou třídu vypočítá skóre v tvaru váhový vektor krát vstup plus intercept a rozhodne podle prahu nebo najvyššieho skóre. Hranice mezi třídami jsou v použitom prostoru hyperroviny. Logistic regression převádí skóre na pravděpodobnosti, lineární SVM optimalizuje margin a perceptron používá jinou aktualizačnou logiku. Nelineárny výkon může vzniknout až po nelineárnej transformaci příznaků nebo embeddingu.
Lineární regrese
Linear regression modeluje očakávanou hodnotu spojitého cíle jako afínnu kombinaci vstupních příznaků. Obyčajné najmenšie štvorce volia koeficienty minimalizujúce součet štvorců rezíduí. Lineárnost se týká parametrů, proto model může obsahovat transformované vstupy, interakce nebo polynómy a zůstat lineární v koeficientoch. Statistická inference navíc používá předpoklady o rezíduách, zatímco predikčné použití se má hodnotit na oddelených datech a kontrolovat vůči extrapolaci.
Logaritmická ztráta
Log loss je negativní logaritmická vierohodnost pravděpodobností priradených správným triedam. Při binární klasifikaci kombinuje členy mínus y krát log p a mínus jedna mínus y krát log jedna mínus p. Velmi sebaistá nesprávná predikce dostane výrazně vyšší trest než mírně neistá chyba. Multiclass verze odpovídá cross-entropy nad cílovou distribúcí. Log loss je proper scoring rule, proto při správně špecifikovanom hodnocení motivuje reportovat poctivé pravděpodobnosti, ale je citlivá na clipping a chybné labely.
Logit nebo nezpracované třídní skóre
Logit je nezpracované reálně skóre klasifikačního modelu před normalizací na pravděpodobnost. V binárnom případě může představovat logaritmus pomeru šancí p ku jedné mínus p a sigmoid ho převede na interval od nuly do jedné. Při multiclass klasifikaci softmax transformuje vektor logitů na distribuci, přičemž pridáním stejné konštanty ku všem logitom se pravděpodobnosti nezmění. Logit není percento ani kalibrovaná důvěra a jeho absolutní velikost závisí na modelu a teploty.
Lokalizace objektu
Object localization je úloha odhadu prostorové polohy objektu v obraze, typicky souřadnicemi ohraničovacího rámečku, středu, klíčových bodů nebo jiné geometrické reprezentace. V klasickém nastavení může být třída objektu známa a v obraze se předpokládá jedna dominantní instance. Lokalizace se proto odlišuje od obecné detekce, která řeší neznámý počet objektů a současně je kategorizuje. Ztráta kombinuje chybu souřadnic s případnou klasifikační složkou a hodnocení musí respektovat měřítko i toleranci konkrétní aplikace.
Makro F1 skóre
Macro F1 score vypočítá F1 skóre samostatně pro každou třídu a následně vytvoří jejich nevážený aritmetický průměr. Každá třída tedy ovlivňuje výsledek stejně bez ohladu na počet její vzorků. Metrika kombinuje precision a recall harmonickým průměrem na úrovni jednotlivých tříd a je citlivá na slabý výkon při menšinových kategóriách. Při třídě bez predikovaných nebo skutečných pozitív závisí výsledek od konvence implementace a nastavení nulového dělení.
Mapa aktivací
Feature map je vícerozměrné pole aktivací vytvořené vrstvou neuronové sítě pro konkrétní vstup. V konvolučnej síti jeden kanál mapy ukazuje odozvu naučeného filtra na různých priestorových miestach, přičemž další vrstvy kombinují jednoduché vzory do zložitejších reprezentací. Rozměry mapy závisí na velikosti vstupu, kernelu, stride, paddingu, dilatace a počtu kanálů. Feature map není hotové vysvětlení, protože význam kanála nemusí být stabilní ani ludsky pomenovatelný.
Mask R-CNN architektura
Mask R-CNN je dvojstupňová architektura pro instance segmentation, která rozširuje Faster R-CNN o paralelnou vetvu predikujúcu binárnu masku pro každý detegovaný objekt. Region Proposal Network navrhne kandidátne oblasti, následné hlavy určia třídu, upravia bounding box a vytvoří pixelovou masku. Klúčovým prvkem je Roialign, který omezuje ztrátu prostorové přesnosti při výběru příznaků z regiónu. Model oddeluje jednotlivé inštance stejné třídy, ne pouze sémantické oblasti obrazu.
Maskované jazykové modelování
Masked language modeling, MLM, je tréninkový cíl, při kterém se část tokenů ve vstupní sekvenci skryje, nahradí nebo naruší a model má rekonštruovat jejich původní identitu z okolitého kontextu. Cíl umožňuje bidirekcionálnemu encoderu využívat informaci zlava i sprava. Klasickým příkladem je BERT, který kombinuje maskování s pravidly nahradení tokenů. Rozdělení masiek, percento poškodených tokenů a způsob dynamického maskování ovlivňují, jaké reprezentace se model naučí.
Matice záměn
Confusion matrix je tabulka, která porovnává skutečné třídy s predikovanými třídami a počítá jednotlivé typy správných a chybných rozhodnutí. Při binární klasifikaci obsahuje true positive, false positive, true negative a false negative. Při multiclass úloze má řádky a sloupce pro všechny třídy, přičemž orientace osí musí být jasně označená. Z matice se odvádzají accuracy, precision, recall, specificity a další metriky. Hodnoty závisí na klasifikačního prahu, prevalence a definice pozitivní třídy.
Measurement bias
Measurement bias je systematická odchýlka mezi javom, který chce systém poznat, a hodnotou, kterou ho dataset nebo senzor v skutečnosti měří. Vzniká nevhodným proxy ukazovatelom, rozdielnou přesností zařízení, procesům sběru, formulací otázky nebo nerovnakou dostupností záznamů mezi skupinami. Na rozdíl od náhodného šumu se chyba opakuje určitým směrem a model ji může stabilne reprodukovat. Odstranění modelového biasu proto nemusí pomoci, pokud je skreslený samotný cíl nebo vstupní měření.
mechanismus pozornosti
Attention mechanism, mechanismus pozornosti, je výpočetní postup, který při spracování prvku vytváří váženou kombinaci jiných reprezentací podle jejich odhadovanej relevantnosti. V transformerech se váhy odvodzují z podobnosti mezi vektory query a key a aplikují se na vektory value. Self-attention propojuje prvky té určité sekvence, cross-attention propojuje dvě různé sady reprezentací. Mechanismus umožňuje modelovat vzdálené závislosti, ale jeho základní forma roste kvadraticky s délkou sekvence.
Meta-učení
Meta-learning je přístup, při kterém se systém neučí pouze jednu úlohu, ale využívá distribuci úloh na naučení strategie rychlé adaptace na nové zadání. Meta-objektív může optimalizovat inicializaci parametrů, pravidlo aktualizace, reprezentaci nebo mechanismus porovnávání příkladů. Během meta-tréninku se úlohy dělí na podporné a dotazovace data, aby se hodnotila schopnost přizpůsobit se z malého počtu příkladů. Výkon závisí na podobnosti meta-tréninkových a cílových úloh.
Metadata
Metadata jsou strukturované údaje opisujúce původ, význam, formát, vlastníctvo, čas, licenci, kvalitu a životní cyklus jiných dat nebo artefaktů. V AI mohou opisovat dataset, jednotlivý záznam, příznak, experiment, model, prompt, evaluaci nebo produkční běh. Metadata umožňují vyhledávání, lineage, reprodukovatelnost, přístupové pravidla a audit. Jejich hodnota závisí na jednotnej schémata, povinných polí, stabilných identifikátorů a automatického zachytávání, ne pouze od volného textového popisu.
Mikro F1 skóre
Micro F1 score nejprve sčíta true positives, false positives a false negatives napříč všemi třídami nebo štítkami a až potom z agregovaných počtů vypočítá precision, recall a F1. Každé jednotlivé rozhodnutí má stejnou váhu, proto výsledek silnější odráží početné třídy. Při běžné multiclass klasifikaci s jedním štítkem na vzorek se micro precision, micro recall a micro F1 rovnají accuracy. V multilabel úlohách měří globálnu kvalitu všech binárnych rozhodnutí.
Mini dávka tréninkových příkladů
Mini-batch je podmnožina tréninkových vzorků spracovaná společně při jednom kroku dopredného výpočtu a aktualizace parametrů. Gradient vypočítaný z mini-batchu je odhadom gradientu celé tréninkové množiny. Velikost dávky ovlivňuje paměť, propustnost hardwaru, šum gradientu, normalizačné vrstvy i počet aktualizací za epochu. Batch size jeden odpovídá čisto stochastickému režimu, zatímco full-batch používá všechny tréninková data v jednom kroku.
Mixture of experts
Mixture of experts, Moe, je architektura pozostávajúca z více špecializovaných podsietí a smerovacieho mechanizmu, který pro každý vstup nebo token vybírá jednoho či několika expertů. Při sparse Moe se aktivuje pouze malá část celkových parametrů, co umožňuje zvýšit kapacitu modelu bez úmerného rastu výpočtu na jeden příklad. Trénink potřebuje vyvažování zaťažení, kapacitné limity a stabilnou routovaci ztrátu, aby se experti nezrútili na stejnou funkci nebo neboli nerovnomerne používaní.
model AI
AI model je výpočetní, statistická nebo symbolická komponenta AI systému, která z prijatých vstupů vytváří výstupy, například predikce, doporučení, skóre, klasifikace nebo generovaný obsah. Model může být naučený z dat, sestavený z pravidel nebo kombinovat oba přístupy. Jeho chování určuje architektura, parametry, tréninkový postup, data a nastavení inference. Samotný model není celý produkt, protože neobsahuje všechny integrace, rozhraní a provozní kontroly.
Model card
Model card je štandardizovaný dokument sprevádzajúci model, který popisuje jeho účel, zamýšlaných uživatelů, architekturu nebo původ, tréninková data, metody evaluace, výsledky, omezení, etické aspekty a podmínky použití. Má komunikovat rozdíly výkonu mezi relevantnými skupinami a známé scénáře selhání, ne pouze jednu souhrnnou metriku. Karta je verzovaná spolu s modelem a mala by uvádět zodpovedného vlastníka, datum revíze, licenci a kontakt na hlásení problémů.
Model compression
Model compression je soubor techník znižujúcich pameťové, výpočetní nebo prenosové nároky modelu při zachování prijatelného výkonu. Zahrnuje kvantizaci, pruning, distilaci znalostí, low-rank aproximace, sdílení parametrů a návrh menšej architektury. Cíl se může měřit velikostí souboru, latencí, spotřebou energie, priepustností nebo nákladem. Kompresný poměr sám o sebe nestačí, protože reálně zrychlení závisí na hardwaru, runtime, hustoty operací a podpory datového formátu.
Model drift
Model drift je zhoršování nebo změna chování nasadeného modelu v čase v důsledku posunu dat, vztahu mezi vstupmi a cílem, používatelského chování, procesu měření nebo okolitého systému. Pojem se často používá jako provozní zastrešujúci název pro data drift, concept drift a posun výkonu. Drift nelze spolehlivě určit pouze z distribuce vstupů, protože ne každý posun zhorší rozhodnutí a výkon se může změnit i bez výraznej změny jednoduchých príznakových statistik.
Model evaluation
Model evaluation je systematické měření schopností, chyb a omezení modelu na datech a scenároch oddelených od prispůsobování parametrů. Zahrnuje výběr metrik, testovaci schéma, segmentaci výsledků, odhad nejistoty, porovnání s baseline a analýzu zlyhaní. Evaluace musí odpovídat zamýšlanému použití, distribuci provozních vstupů a nákladem rozhodnutí. Jedna průměrná metrika nestačí na posouzení robustnosti, kalibrace, fairness, bezpečnosti ani výkonu při okrajových případech.
Model governance
Model governance je soubor rolí, politík, kontrol a rozhodovacích práv, které riadia výběr, vývoj, schvalování, nasazení, změny, monitorování a vyradení modelů. Definuje vlastníka, nezávislou validaci, klasifikaci rizika, povinnou dokumentaci, přístupové oprávnění, výjimky a eskalaci incidentů. Governance se nevzťahuje pouze na regulované skórovace modely, ale i na předtrénované, generativní a externí modely. Úroveň kontroly má být primeraná dopadu a kontextu použití.
Model hodnotící výstupy jiných modelů
Judge model je jazykový nebo multimodální model používaný na skórování, porovnávání, klasifikaci nebo zdůvodnení kvality výstupů jiných systémů podle zadanej rubriky. Může hodnotit jeden výstup, párovo vybrat lepší, nebo přiřadit vícerozměrné skóre s referenčnou odpovědí či bez ní. Spolehlivost ovlivňuje pozíciové a štýlové zkreslení, sebe-preference, citlivost na prompt, kontaminace a schopnost ověřit fakta. Judge model není automatický ground truth, proto se meta-evaluuje vůči ludským anotáciám, kontrolným prípadom a stabilite mezi opakovaniami.
Model monitoring
Model monitoring je priebežné sledování technického a vecného chování nasadeného modelu, jeho vstupů, výstupů a provozního prostředí. Zahrnuje dostupnost, latenci, chyby rozhraní, změnu schémata, distribuce příznaků, pomery predikcí, kalibraci, kvalitu po príchode labelů a rozdíly mezi segmentmi. Monitor musí mít baseline, prahy, vlastníka upozornení a postup reakce. Samotný dashboard bez rozhodovacích pravidel a zpětné vazby nepredstavuje účinnou kontrolu.
Model následující instrukce
Instruction-following model je generativní model optimalizovaný tak, aby interpretoval přirozenojazykové zadání, respektoval požadovaný formát a vytvořil odpověď odpovídající záměru uživatele. Obvykle vzniká z předtrénovaného jazykového modelu přes instruction fine-tuning a následné preferenční ladění, při kterém lidské nebo modelové hodnocení určují vhodnější odpovědi. Schopnost následovat pokyn je relativní, protože instrukce mohou být nejasné, konfliktní nebo v rozporu s bezpečnostními pravidly. Model může splnit formu a zároveň uvést nepravdivý obsah. Hodnocení musí oddělovat užitečnost, věrnost pokynu, faktičnost, bezpečnost a odolnost vůči prompt injection.
Model registry
Model registry je řízené úložiště evidujúce verze modelových artefaktů, jejich metadata, původ, metriky, stav schválení a vezbu na nasazení. Umožňuje sledovat, která verze je kandidát, schválená, produkční nebo archivovaná, a propojuje model s experimentom, datasetem, kódom a vlastníkom. Register nemusí uchovávat všechny binární soubory přímo, může odkazovat na objektové úložiště. Důležité jsou nemenné identifikátory, přístupová práva, audit změn a reprodukovatelné prechody mezi stavmi.
Model relevance pro vyhledávání
Retrieval model je funkce nebo naučený systém, který odhaduje relevanci položky vůči dotazu a umožňuje vybrat kandidátů z velkého korpusu. Sparse modely používají termínové váhy, dense bi-encodery mapují dotaz a dokument do vektorů a late-interaction přístupy zachovávají jemnější tokenové porovnání. Model musí podporovat efektivně indexování a nearest-neighbor search. Jeho skóre není automaticky srovnatelné mezi verzemi nebo dotazy a kvalita závisí na negativních příkladů a cílové domény.
Model s otvorene dostupnými váhami
Open-weight model je model, kterého naučené parametry jsou dostupné na stiahnutie a lokálně spuštění nebo další přizpůsobení podle priloženej licence. Dostupnost váh umožňuje kontrolovat runtime, kvantizovat model, fine-tunovat ho a prevádzkovat bez volání cudzieho API. Pojem však neříká, zda je zverejnený tréninkový kód, úplná architektura, datasety nebo proces získání parametrů. Open weights proto nelze automaticky zamieňat s open source AI a licenčné omezení mohou zakázat určité použití nebo distribuci derivátů.
model specializovaný na úlohu
Task-specific model je model navržený, vybraný nebo dolaďovaný pro přesně vymedzenou úlohu, dátovou doménu a výstupný kontrakt. Může jít o klasifikátor, detektor, prediktor nebo generativní model s úzkym rozsahem. Jeho tréninková data, metriky a rozhodovací práh se viažu na konkrétní účel, ne na obecnou schopnost. Špecializace může snížit náklady a zvýšit konzistentnost, zároveň však omezuje přenos na nové případy mimo navrhnutého rozdělení. Porovnání s všeobecným baseline má zahrnovat přesnost, cenu, latenci, údržbu i bezpečnostní selhání.
model stavového prostoru
State space model popisuje sekvenci pomocí vnútorného stavu, který se aktualizuje z předchozího stavu a aktuálního vstupu a následně vytváří výstup. V neuronových sekvenčních modelech se používají parametrizované nebo selektívne stavové prechody, které lze implementovat rekurentne při inferenci a paralelně při tréninku. Ponúkají lineární škálování s délkou sekvence, ale způsob komprese minulosti do stavu může omezit přesné vybavení konkrétních tokenů. Stav může mít pevnou velikost nezávislou od délky spracovaného prefixu.
Model strojového učení
Machine learning model je parametrizovaná výpočetní funkce nebo soubor naučených komponentů, které premieňají vstupní data na predikci, skóre, reprezentaci, doporučení nebo akci. Model vzniká tréninkem algoritmu na datech a po nasazení používá uložené parametry bez toho, aby se při každém vstupe znova učil. Jeho identita zahrnuje architekturu, váhy, předzpracování, slovníky, prahy, verzi a závislosti. Samotný soubor váh proto nemusí představovat celý reprodukovatelný modelový artefakt.
Model typu černá skříňka
Black-box model je model, kterého vnitřní mechanismus není pro relevantného uživatele přímo zrozumitelný nebo dostupný v miere potrebnej na vysvětlení konkrétního výstupu. Nepriehladnost může vyplývat ze zložitosti, utajení, proprietárneho přístupu nebo absence vhodného interpretačného rozhraní. Pojem je relativní, stejný model může být transparentný pro vývojára a nepriehladný pro dotknutou osobu. Post-hoc vysvětlení přibližuje chování, ale nemusí verne reprezentovat kauzální proces modelu. Governance musí proto kombinovat vysvětlení s testy, dokumentací a kontrolou dopadů.
Model vektorových reprezentací
Embedding model je model, který mapuje vstupní objekt do vektora navrhnutého tak, aby vzdálenost nebo podobnost mezi vektory podporovala konkrétní úlohu. Často se trénuje kontrastívnym učením, párovým rankingom nebo viacúčelovým cílem, který přibližuje relevantní dvojice a oddeluje nerelevantné. Model může být unimodálny nebo multimodální, bi-encoder nebo součást večšej architektury. Při výběru rozhoduje jazyk, doména, maximálna délka, dimenze, licence, latence a meraná retrieval kvalita.
modelování přírůstkového účinku zásahu
Uplift modeling odhaduje rozdíl mezi výsledkem, který by nastal po zásahu, a výsledkem bez zásahu pro konkrétní příklad nebo segment. Místo predikce, kdo nakúpi, se snaží najít, komu komunikace, ponuka nebo liečba skutečně změní chování. Učí se z experimentálnych nebo důveryhodne korigovaných observačných dat s treatment indikátorom. Klíčové jsou randomizace, overlap, konzistentná definice výsledku a oddělení persuadables od lidí, kteří by konali i bez zásahu nebo reagují negativně. Produkční politika musí započítat cenu zásahu, kapacitu kanála a nejistotu treatment effectu, ne pouze zoradit surová uplift skóre.
Multimodální umělá inteligence
Multimodal AI označuje systémy, které prijímají, spojují, interpretují nebo generují více typů údajů, například text, obraz, zvuk, video, senzorické signály nebo prostorové data. Modalita může mít samostatný encoder a následnou fúziu, nebo se údaje prevedou do společné tokenovej či embeddingovej reprezentace. Systém může provádět cross-modal retrieval, vizuálně odpovídání, titulkování, překlad řeči nebo generování obrazu z textu. Kvalita závisí na zarovnání modalit, časovej synchronizace a pokrytí dat.
N-gramový jazykový model
N-gram model je pravděpodobnostní model sekvence, který odhaduje výskyt dalšího tokenu z pevne dlhého okna předchozích tokenů. Při bigrame využívá jeden předchozí prvek, při trigramoch dva. Pravděpodobnosti se získavají z početností v korpuse a upravují vyhladzováním, aby model vedel pracovat i s nepozorovanými kombinacemi. Model předpokládá Markovovu závislost obmedzeného rádu, proto dobře zachycuje lokálně vzory, ale neví přirozeně udržat vzdálený kontext.
Náhodné vyhledávání hyperparametrů
Random search je metoda ladění hyperparametrů, která opakovaně vzorkuje konfigurace z předem určených rozdělení nebo množin a každou vyhodnocuje podle stejného validačního protokolu. Na rozdíl od grid search nemusí skúšat kartézsky součin pevných hodnot, proto může při stejném rozpočte preskúmat více odlišných hodnot důležitých parametrů. Metoda nevyužíva výsledky předchozích běhů na výběr dalšího pokusu, co ulahčuje paralelizaci, ale snižuje adaptívnost.
Náhodný les
Random forest je ansámbl rozhodovacích stromů, ve kterém se jednotlivé stromy učí na náhodně zvolených vzorcích dat a při delení uzlů zvažují pouze náhodný podvýber příznaků. Klasifikační výstup vzniká hlasováním, regresný výstup priemerováním. Kombinace baggingu a náhodnosti příznaků snižuje korelaci mezi stromami, čím zpravidla omezuje rozptyl oproti jednomu hlbokému stromu. Ne každá implementace používá bootstrap a konkrétně nastavení ovlivňují i out-of-bag odhad.
Naivný Bayesů klasifikátor
Naive Bayes je rodina klasifikačních algoritmů odvodených z Bayesovej věty, které počítají posteriornou pravděpodobnost třídy při predpoklade podmienenej nezávislosti příznaků po zohladnení třídy. Konkrétní verze volí rozdělení vhodné pro vstupy, například multinomické pro početnosti slov, Bernoulliho pro binární příznaky nebo Gaussovo pro spojité hodnoty. Předpoklad nezávislosti bývá nereálný, ale model může být navzdory tomu přesný, rychlý a stabilní v riedkych vysokodimenzionálnych datech.
Náročný negativní příklad
Hard negative je tréninkový příklad označený jako negativní, který se podle aktuální reprezentace velmi podobá pozitívnemu příkladu nebo leží blízko rozhodovací hranice. Při vyhledávání může jít o dokument tematicky podobný dotazu, ale bez správné odpovědi, při rozpoznávání tváře o jinou osobu s podobnými črtami. Takový příklad přináší silný učiaci signál, protože núti model zachytit jemné rozlišovace znaky. Pokud je však údaj v skutečnosti relevantní nebo chybne označený, stává se false negative a model se učí oddělovat prvky, které mají zůstat blízko.
Natural language inference
Natural language inference, zkráceně NLI, je úloha, při které model určuje logický vztah mezi premisou a hypotézou. Typické třídy jsou entailment, když hypotéza z premisy vyplývá, contradiction, když je s ňou nezlučitelná, a neutral, když premisa neposkytuje dostatek informací. NLI datasety testují lexikálne, syntaktické a kontextové uvažování, ale model může využívat i anotátorské zkratky. V aplikacích se NLI používá při kontrole konzistence, filtrování tvrzení a hodnocení podpory odpovědi zdrojem.
Návrh a optimalizace promptů
Prompt engineering je systematický návrh, testování a verzování vstupního kontextu generativního modelu s cílem dosáhnout meratelne vhodné chování. Zahrnuje formulaci úlohy, roly, omezení, příkladů, zdrojů, výstupní schémata, pořadí informací a pravidel pro nejistotu. Není to hladání jedné magickej věty, ale iterace nad reprezentatívnym eval setom. Robustní prompt musí fungovat při variabilných vstupech, konfliktnom kontextu a hraničných případech. Bez aplikačných kontrol nedokáže garantovat faktičnost, autorizaci nástrojů ani ochranu před prompt injection.
Neautoregresívne generování
Non-autoregressive generation je způsob tvorby sekvence, při kterém se všechny nebo více výstupní pozice predikují paralelně místo podmieňování každého tokenu všemi predchádzajúcimi vygenerovanými tokenmi. Snižuje počet sekvenčních kroků a může výrazně zrychlit inferenci. Musí však řešit závislosti mezi výstupnými pozicemi, neznámou délku a multimodalitu správných výstupů. Používají se latentní proměnné, iterativně spresňování, CTC nebo distilace z autoregresívneho učitela.
Nedeterministické chování výpočtu
Non-determinism v strojovém učení znamená, že stejný kód a zdanlivo stejné vstupy nemusí při opakovaném běhu vytvořit bitovo totožný výsledek. Príčinou může být náhodná inicializace, miešání dat, dropout, paralelní pořadí operací, atomické GPU operace, rozdílně knižnice, hardware nebo optimalizované jádra. Nastavení seed kontroluje pouze některé zdroje náhodnosti. Reprodukovatelný experiment vyžaduje zaznamenat prostředí a podle potřeby vynutit deterministické algoritmy za cenu výkonu.
nedostatečné přizpůsobení modelu
Underfitting je stav, když model nedokáže dostatečně zachytit vztahy prítomné ani v tréninkových datech. Prejavuje se vysokou tréninkovou chybou a obvykle i slabým validačným výkonem. Príčinou může být příliš jednoduchá hypotéza, nedostatečný počet tréninkových kroků, silná regularizace, nevhodné příznaky, chybná optimalizace nebo cíl, který neodpovídá úloze. Nejde pouze o nízký počet parametrů, protože i velký model může zůstat underfit při zlom nastavení nebo nekvalitnom signále. Diagnostika má zahrnovat jednoduchý baseline, aby se odlíšila slabá kapacita od chyby v datové nebo metrickej pipeline.
nedostatečné určení řešení tréninkovým cílem
Under-specification vzniká, když tréninková data a metriky pripúšťají více modelů s podobným testovacím výkonem, ale výrazně odlišným chováním v reálných podmínkách. Optimalizační cíl tedy neurčuje jednoznačne, které korelace, reprezentace nebo rozhodovací pravidla má model používat. Dvě náhodné inicializace mohou projít stejným benchmarkom a navzdory tomu reagovat jinak na posun domény, podskupiny či rušivé znaky. Řešení vyžaduje stress testy, doménové omezení a hodnocení více kandidátů. Provozní výběr modelu proto nemá skončit při najlepšom priemere, ale při stabilite mezi seedmi a prostrediami.
Negativně vzorkování
Negative sampling je tréninková technika, která místo vyhodnocení všech možných negativních tříd vybere malou vzorek kontrastných příkladů. Model se učí zvýšit skóre pozorovanej dvojice a snížit skóre vybraných negativních dvojic. Technika preslávila model skip-gram v word2věc, kde se cílové slovo odlišuje od náhodně vzorkovaných slov. Rozdělení negatívů výrazně ovlivňuje gradient, rychlost učení a kvalitu embeddingů. Negative sampling není totožný s vytváráním syntetických dat.
Negativní logaritmická vierohodnost
Negative log-likelihood, zkráceně NLL, je ztráta získaná záporným logaritmom pravděpodobnosti, kterou model přiřadí pozorovaným datům nebo správné třídě. Minimalizace NLL je ekvivalentná maximalizaci vierohodnosti parametrů. Logaritmus převádí součin pravděpodobností nezávislých pozorování na součet a zlepšuje numerickou stabilitu. Při klasifikaci s kategorickým rozdělením se NLL spojuje se softmaxom a vede ku cross-entropy strate, přičemž implementace často očekává log-probability vstupy.
nelineárně separovatelná logická úloha
XOR problem je binární klasifikační úloha, ve které je výstup pravdivý právě tehdy, když se dva vstupy liší. Body tříd ležia v protilahlých rohoch štvorca, proto jejich jeden lineární klasifikátor nedokáže oddělit jedinou priamkou. Úloha historicky ilustrovala omezení jednovrstvového perceptrónu a potřebu skrytých vrstev nebo nelineárnej transformace. Malá síť s nelineárnou aktivací může vytvořit medzireprezentaci a XOR vyriešit. Problém není náročný výpočetně, je pedagogickým příkladem reprezentačnej kapacity.
neoznačené data
Unlabeled data jsou příklady, při kterých není priradená cílová hodnota, třída, anotace nebo požadovaný výstup pro konkrétní supervised úlohu. Mohou obsahovat surový text, obraz, zvuk, události či senzorové měření. Jejich počet bývá velký a získání je lacnejšie než odborné označování, ale samotná dostupnost nezaručuje reprezentatívnost ani oprávnění na použití. Využívají se při self-supervised a unsupervised učení, předtrénování, active learningu, pseudo-labelingu a odhade distribuce. Dataset má evidovat, pro kterou úlohu je příklad neoznačený, protože ten jistý záznam může mít jiné dostupné anotace.
nepodmíněné generování
Unconditional generation je tvorba vzorku generativním modelem bez konkrétního externího obsahu, který by určoval význam výsledku. Model čerpá pouze z naučeného rozdělení, náhodného latentního vektoru, šumu nebo počátečního tokenu. Při obrazech může difuzní model začínat čistým šumem, při textu jazykový model pokračuje z obecného začátku. Výstup proto odráží frekvence a omezení tréninkových dat, přičemž uživatel nemá přesnou kontrolu nad tématem, atributy ani faktickou správností. Při auditu se zkoumá i podobnost generovaných vzorků s tréninkovým korpusem, aby se odhalilo memorování.
nestrukturovaná data
Unstructured data jsou informace, které nemají pevnou tabulkovou schéma s jednotnými stlpcami pro každý záznam. Patří sem dokumenty, e-maily, volný text, obrázky, audio, video, prezentace nebo kombinované soubory. Označení neznamená absenci struktury, protože formát, metadata, sekcie a časové stopy mohou být bohaté, ale nejsou vyjadrené jednou relačnou schématem. AI pipeline musí obsah extrahovat, segmentovat, normalizovat, zabezpečit a prepojit s původom před modelováním nebo retrievalem. Pipeline má uchovat hash originálu a mapování extrahovaných bloků na stránky nebo časové úseky zdrojového souboru.
Neuronová obyčajná diferenciálna rovnica
Neural ordinary differential equation, zkráceně Neural ODE, je model, ve kterém změnu skrytého stavu v kontinuálnom čase popisuje diferenciálna rovnica s derivací parametrizovanou neuronovou sítí. Výstup se získá numerickým integrátorom mezi počiatočným a cielovým časem. Místo pevného počtu diskrétnych vrstev modeluje spojitou transformaci a může využívat adjoint metódu na výpočet gradientů. Přesnost, rychlost a stabilita závisí na riešiča, tolerancií, tuhosti systému a parametrizace dynamiky.
Neuronová síť
Neural network je parametrizovaný výpočetní model složený z vrstev nebo modulů, které aplikují lineární transformace, nelineárně aktivace, normalizaci a další operace. Parametry se zpravidla učí gradientnou optimalizací tak, aby síť minimalizovala ztrátovou funkci. Hloubka, propojení a sdílení váh určují induktivní zkreslení architektury. Neuronová síť může aproximovat složité funkce, ale její výkon a chování závisí na dat, cíle, regularizace, optimalizace a provozního kontextu.
Neuronová síť aproximující Q-funkci
Q-network je neuronová síť, která aproximuje akčnou hodnotovou funkci. Při diskrétnych akciách často přijímá stav a vrací vektor Q-hodnot pro všechny dostupné akce. Deep Q-Network stabilizuje učení pomocí replay bufferu, cílové sítě a orezání nebo úpravy chyb. Síť generalizuje mezi podobnými stavmi, ale spojuje bootstrapové cíle, korelované data a meniacu se cílovou funkci, co může vyvolat divergenci. Výstupní hodnoty nejsou kalibrované pravděpodobnosti.
Neuronová síť s rozšírenou pamětí
Memory-augmented neural network je neuronová architektura, která doplňa běžný stav sítě o explicitní pameťovou strukturu a naučené operace čítání a zápisu. Riadiaca síť vytváří adresovace váhy podle obsahu, polohy nebo podobnosti a pracuje s pamětí diferencovatelným způsobem. Cílem je oddělit výpočet od dočasného uložení informací, podporit déle závislosti, algoritmické chování nebo rychle učení z několika příkladů. Kapacita a stabilita závisí na způsobu adresování a tréninkového cíle.
Neuronové kolaboratívne filtrování
Neural collaborative filtering je rodina odporúčacích modelů, které se učí funkci interakce mezi reprezentací uživatele a položky pomocí neuronové sítě. Místo pevného skalárneho súčinu může model kombinovat embeddingy přes vícevrstvý perceptrón nebo další nelineárně bloky. Trénink často využívá implicitní zpětnou vezbu, například kliknutí či prehratie, spolu s negatívnym vzorkováním. Výstup je skóre relevance nebo pravděpodobnost interakce, ne důkaz skutečné spokojnosti uživatele.
Neuronové radiačné pole
Neural radiance field, zkráceně Nerf, je spojitá neuronová reprezentace 3D scény, která mapuje prostorovou polohu a směr pohledu na objemovou hustotu a vyžarovanou farbu. Nový obraz se vytváří vzorkováním bodů podél lúčů kamery a objemovým renderováním predikovaných hodnot. Klasický Nerf se učí z více fotografií se známymi polohami kamier. Dokáže syntetizovat plynulé nové pohlady, ale trénink a rendering mohou být pomalé a statický model nezachytí pohyb bez rozšíření.
Neuronové tangentové jádro
Neural tangent kernel, zkráceně NTK, je jádro odvozené z gradientů výstupu neuronové sítě podle její parametrů. Popisuje podobnost dvou vstupů z pohledu toho, jako by malé změny váh ovplyvnili jejich predikce. Při určitých nekonečne širokých sítích zůstává NTK během gradientného tréninku přibližně konštantné a dynamika učení se dá analyzovat jako jádrová regrese. Tento výsledek je teoretický limit, ne tvrzení, že každá konečná hluboká síť se správa lineární nebo že reprezentace během tréninku nemění.
neuronový embedding mluvčího
x-vector je fixne dlouhý embedding mluvčího získaný z neuronové sítě trénovanej na klasifikaci identít mluvčích. Time-delay vrstvy spracují rámce akustických příznaků, statistics pooling agreguje průměr a smerodajnou odchylku přes celou nahrávku a segmentové vrstvy vytvoří vektor. Při overování se x-vectors často dále centrují, normalizují a porovnávají pomocí PLDA nebo cosine similarity. Vektor zachycuje identitu spolu s nežiaducimi vplyvmi kanála, hluku a obsahu. Proto se používá augmentace a doménová adaptace.
Neuronový strojový překlad
Neural machine translation, zkráceně NMT, je přístup k strojovému překladu, ve kterém neuronový model odhaduje pravděpodobnost cílové sekvence podmienenej zdrojovým textem. Súčasné systémy používají zejména Transformer architektury s attention mechanizmom a subword tokenizací. Model se učí z paralelných korpusů, případně z monolingválnych dat, zpětného překladu a viacjazyčného transferu. Výstup vzniká dekódováním a může být plynulý i tehdy, když vynechá informaci, změní negaci nebo nesprávně preloží termín.
Neuronový Turingů stroj
Neural Turing machine je diferencovatelná architektura, která spojuje neuronový riadiaci modul s externí maticovou pamětí. Čítace a zapisovace hlavy vytvářejí měkké váhy nad pameťovými pozicemi pomocí obsahového a pozičného adresování. Díky spojitému přístupu lze celý systém trénovat spetným šírením gradientu na úlohách, které vyžadují uložení, přesun a opetovné použití informace. Architektura není univerzální programovací počítač v praktickom smyslu a při dlouhých postupoch může být trénink nestabilný.
Nevyváženost tříd
Class imbalance je stav, když mají cílové třídy výrazně rozdílně zastoupení nebo když je málo příkladů třídy s najvyšším rozhodovacím významom. Model optimalizovaný na průměrnou ztrátu může preferovat večšinovou třídu a dosáhnout vysokou accuracy při slabom zachytení vzácných případů. Řešení zahrnují vážení ztráty, resampling, generování dat, threshold tuning, vhodné metriky a sběr nových příkladů. Nerovnováha sama neurčuje problém, rozhodují i náklady chyb, separovatelnost a kvalita označení.
Nevyvážený dataset
Imbalanced dataset je klasifikační soubor, ve kterém jsou některé třídy zastúpené podstatně častěji než jiné. Nerovnováha může být přirozená, například při vzácné poruche, nebo vzniknout způsobem sběru a označování. Model optimalizujúci průměrnou ztrátu může uprednostnit majoritnou třídu a zanedbat vzácně případy, ačkoli mají vyšší praktický význam. Samotný poměr tříd neurčuje náročnost, důležité jsou prekrývání distribúcií, šum štítků, počet příkladů a náklady chyb. Řešení zahrnují vážení ztráty, resampling, vhodný práh, cielený sběr dat a metriky citlivé na minority.
Nezávislé a stejně rozdělené data
Independent and identically distributed data, zkráceně i.i.d., označují vzorku, při kterých je každý pozorovaný příklad generovaný z stejné pravdepodobnostnej distribuce a jeho hodnota není závislá od ostatních příkladů. Předpoklad zjednodušuje odhad generalizačnej chyby, náhodné dělení datasetu a mnohé teoretické výsledky učení. Reálně data ho často porušují časovou následností, opakovanými osobami, skupinami, prostorovou blízkosťou nebo změnou prostředí. Náhodný split potom může přenést téměř stejné případy do tréninku i testu a vytvořit optimistický výkon. Způsob validace se musí přizpůsobit jednotke nezávislosti a budúcemu nasazení.
Nízko-rangová adaptace, Lora
Low-rank adaptation, Lora, je metoda parameter-efficient fine-tuningu, která ponechá původní matici váh zmrazenou a naučí její aditivní aktualizaci rozloženou na součin dvou matic s nízkým rankem. Počet trénovaných parametrů je proto podstatně menší než při plném fine-tuningu. Aktualizace se škáluje a může být vložená pouze do vybraných projekcí, například attention vrstev. Adapter lze při inferenci sloučit se základními váhami, ale jeho kompatibilita závisí na přesné verze base modelu.
Normalizace podle odmocniny střední kvadratické hodnoty, Rmsnorm
RMS normalization, Rmsnorm, škáluje vektor aktivací jeho root mean square hodnotou a následně používá naučený násobný parameter. Na rozdíl od Layernorm neodčítava průměr, takže poskytuje invarianci vůči preškálování, ne vůči posunu. Menovatel obsahuje malou konštantu epsilon pro numerickou stabilitu. Vynechání centrování snižuje počet operací a Rmsnorm se proto často používá v moderných jazykových modelech. Výmena Layernorm za Rmsnorm však není obecně funkčne ekvivalentná bez nového tréninku nebo analýzy architektury.
Normalizace pomocí z-skóre
Z-score normalization je transformace numerického príznaku, při které se od každé hodnoty odčíta průměr tréninkové vzorku a výsledek se vydelí její smerodajnou odchýlkou. Transformovaný příznak má při použitých štatistikách střed přibližně nula a rozptyl přibližně jedna. V strojovém učení zjednocuje měřítko vstupů pro metody citlivé na vzdálenost, regularizaci nebo gradient. Průměr a odchýlka se musí odhadnout pouze z tréninkových dat a následně bez prepočtu použít na validační i produkční vstupy.
Normalizace vektora
Vector normalization je transformace vektora na předem určenou měřítko, nejčastěji na jednotkovou L2 normu. Při nenulovom vektore se každý prvek vydelí jeho normou, čím se zachová směr a odstraní absolutní velikost. Po L2 normalizaci se skalárny součin dvou vektorů rovná jejich kosínusovej podobnosti. Operace ovlivňuje indexování, prahy i trénink metrických modelů. Nulový nebo téměř nulový vektor vyžaduje osobitné ošetrení, protože dělení může vytvořit nestabilní hodnoty.
Normalizace vrstvy
Layer normalization normalizuje aktivace jedné vzorku přes určené rozměry příznaků pomocí jejich průměru a rozptylu, potom aplikuje naučitelnou škálu a posun. Na rozdíl od batch normalization nepotřebuje statistiky napříč batchom a správa se konzistentne i při batch size jeden. Používá se v transformerech, rekurentních sítích a dalších architektúrach. Umístění před nebo za reziduálny blok, hodnota epsilon a rozsah normalized_shape významne ovlivňují stabilitu tréninku.
Normalizačná vrstva
Normalization layer je modul neuronové sítě, který transformuje aktivace pomocí statistik vypočítaných přes zvolené rozměry a následně často aplikuje naučitelné škálování a posun. Batch normalization používá statistiky dávky, layer normalization normalizuje příznaky v rámci jednoho příkladu a group normalization skupiny kanálů. Cílem je zlepšit podmínky optimalizace, kontrolovat rozsah aktivací a umožnit stabilnější trénink. Chování závisí na tréninkového a inferenčního režimu i velikosti batchu.
Numerická stabilita
Numerical stability je vlastnost algoritmu nebo implementace, při které zaokrúhlovace chyby, omezený rozsah floating-point formátu a malé poruchy vstupu nespůsobují nepřiměřeně velkou chybu výsledku. V AI se týká softmaxu, logaritmů, normalizace, maticových rozkladů, gradientů i mixed-precision tréninku. Stabilní formulace používá například log-sum-exp, odčítání maxima před exponenciací, epsilon při delení a škálování ztráty. Stabilita algoritmu se musí odlišovat od podmienenosti samotného problému.
Nyströmova metoda
Nyström method je aproximačný postup pro velké pozitivně semidefinitné jadrové matice. Vybere podmnožinu landmark vzorků, vypočítá jádro mezi všemi daty a landmarkmi a z menšej jádrové matice vytvoří nízkorozmernou aproximaci. V strojovém učení se používá na explicitní mapu příznaků, která umožní aplikovat lineární algoritmus jako aproximaci nelineárnej kernel metody. Přesnost závisí na počtu komponentů, strategie výběru landmarků, jadra a spektra původní matice.
Obejití behaviorálních omezení generativního modelu
Jailbreak je úspěšné vyvolání chování generativního modelu, které obchádza zamýšlané omezení, bezpečnostní zásady nebo nadradené instrukce. Obvykle vzniká přes uživatelský vstup, který manipuluje interpretaci úlohy, kontext, rolu, kódování nebo více-krokový dialóg. Pojem označuje výsledek nebo techniku při priamom prístupe k modelu, ale ne každé nežádoucí chování je jailbreak. Při agentoch je třeba rozlišovat i nepriame prompt injection útoky z externího obsahu. Hodnocení musí pracovat s konkrétnou politikou a reprodukovatelným testem.
Object detection
Object detection je úloha počítačového vidění, která v obraze nebo videoframes určuje výskyt jednotlivých objektů, přiřazuje im třídu a lokalizuje jejich, nejčastěji ohraničovacím rámčekom. Detektor řeší premenlivý počet inštancií, jejich měřítko, pozici a prekrývání. Výstup obsahuje kandidátů se skóre istoty, které se filtrují prahem a často non-maximum suppression. Kvalita se hodnotí pomocí precision, recall a mean average precision při definovaných prahoch Intersection over Union, ne pouze celkovou přesností klasifikace.
Object tracking
Object tracking je proces odhadování polohy a identity cílového objektu napříč po sebe idúcimi snímkami. Single-object tracking sleduje zadaný cíl, multi-object tracking současně vytváří trajektorie více inštancií a řeší přiřazení nových detekcií k existujúcim stopám. Tracker kombinuje pohybový model, vizuálnu podobnost, časové omezení a pravidla vzniku nebo zániku stopy. Klíčové chyby jsou ztráta cíle, prepnutie identity a fragmentace trajektorie, zejména při zakrytí, rýchlom pohybe a podobnom vzhlade objektů.
Obousměrný model
Bidirectional model vytváří reprezentaci prvku sekvence s využitím kontextu z obou smerů. V klasických bidirectional RNN se kombinuje síť čítajúca sekvenci dopredu se sítí čítajúcou ji zpětně. V encoderových transformerech umožňuje neobmedzená self-attention pozici pracovat s tokenmi před ňou i za ňou. Takový model je vhodný na porozumění kompletne dostupného vstupu, například klasifikaci nebo označování tokenů. Není přímo vhodný na kauzální generování budoucích tokenů, protože by během tréninku mohl vidět informaci, která při generování ještě neexistuje.
Obrazová architektura společného embeddingového predikce
I-JEPA, Image-based Joint-Embedding Predictive Architecture, je samoučená architektura, která z viditelnej části obrazu predikuje latentní reprezentace zakrytých cílových oblastí, ne jejich pixely. Kontextový enkóder vytvoří embedding dostupných bloků, prediktor zohladní polohu maskovaných regionů a cílový enkóder poskytne reprezentaci, ku které se predikce přibližuje. Výběr velkých cílových bloků a priestorovo rozptýleného kontextu podporuje učení sémantických vlastností. Metoda se vyhýba rekonštrukcii detailů, které nemusí být důležité pro rozpoznávání objektů a scén.
observabilita AI
AI observability je schopnost zrekonštruovat a vysvetlit provozní chování AI systému na základě telemetrie o vstupech, výstupech, modelových verziách, promptoch, retrieval výsledkoch, volaniach nástrojů, latencii, nákladoch, chybách a používatelskej zpětné vezbe. Nejde pouze o dashboard dostupnosti. Observability propojuje logy, metriky, traces a datový původ tak, aby tím vedel diagnostikovat príčinu selhání a určit rozsah dopadu. Telemetria musí umožnit porovnání mezi verzemi a současně omezit sběr osobních údajů a obchodných tajomstiev.
Occlusion handling
Occlusion handling označuje metody, kterými systém počítačového vidění rozpoznáva a kompenzuje čiastočné nebo úplné zakrytie objektu jiným objektem, hranicou obrazu nebo vlastní částí. Model může využívat viditelné fragmenty, kontext, hlbku, časovou kontinuitu, amodálnu reprezentaci a paměť předchozího vzhladu. Při detekci jde o zachování správné lokalizace, při trackingu o udržání identity během neviditelnosti. Systém musí zároveň odlíšit zakrytie od odchodu ze scény, co bez dalších senzorů nemusí být jednoznačné.
Očekávaná kalibrační chyba, ECE
Expected calibration error, ECE, je sumarizačná metrika nesúladu mezi predikovanou confidence a pozorovanou úspešností. Predikce se rozdělí do intervalů podle confidence, v každém se vypočítá průměrná confidence a empirická accuracy a absolútne rozdíly se spriemerují s váhou podle počtu příkladů. Nulová hodnota znamená shodu v zvoleném binningu, ne dokonalou kalibraci ve všech podskupinách. Výsledek je citlivý na počet a hranice binů, velikost vzorku a definici confidence.
Odhad pomocí kontrastu se šumem
Noise contrastive estimation, zkráceně NCE, je metoda odhadu parametrů nenormalizovaného pravděpodobnostního modelu tím, že učení preformuluje na klasifikaci datových vzorků oproti vzorkám z poznaného šumového rozdělení. Model se učí rozlišovat, či pozorování pochází z dat nebo ze šumu, přičemž může současně odhadovat normalizačnou konštantu. NCE obchádza drahý součet nebo integrál přes celý prostor možností. Konzistence závisí na šumovej distribuce, pomeru šumových vzorků a správné formulace klasifikačního cíle.
Odhad pózy pomocí modelů YOLO
YOLO pose estimation je úloha, při které model lokalizuje objekt a zároveň predikuje souřadnice definovaných klíčových bodů, například lidských klbů. Výstup obyčajne obsahuje rámec, třídu, pozice keypointů a jejich skóre viditelnosti nebo důvěry. Taxonomie bodů je viazaná na dataset a pořadí kanálů musí zůstat konzistentní při tréninku i nasazení. Model neodvodzuje automaticky biomechanickou správnost, 3D hlbku ani identitu osoby. Zakrytie, pohybové rozmazání a neobvyklé pózy zvyšují nejistotu.
Odložená hodnoticí množina
Holdout set je část dat záměrně oddelená od tréninku a používaná na nezávislejšie posouzení výkonu modelu na neviděných příkladech. V jednoduchom rozdělení může označovat validační nebo testovaci množinu, proto je třeba přesně uvést její účel. Pokud se výsledky holdoutu opakovaně používají na výběr architektury, promptu nebo hyperparametrů, množina se fakticky stává validační a prestáva být nestranným finálnym testem. Rozdělení musí respektovat čas, osoby, skupiny, zařízení a duplicity, aby se související pozorování nedostali na obě strany a nevytvorili data leakage.
Odolnost systému vůči jailbreakům
Jailbreak resistance je míra, do jaké model nebo celý AI systém zachová zamýšlané omezení při různých priamych promptingových útocích. Nejde o jednu binárnu vlastnost, ale o výkon napříč cielmi, jazykmi, stratégiami, počtem pokusů a úrovňami znalosti útočníka. Odolnost může pochádzat z tréninku, systémových instrukcí, filtrů, izolace nástrojů, autorizace a limitů akcií. Report musí uvádět threat model a verzi systému, protože vysoké skóre na statickej sade nezaručuje ochranu před adaptívnym útočníkem.
Odpovídání na otázky
Question answering je úloha, při které systém prijme otázku a vytvoří nebo vybere odpověď z dodaného kontextu, indexu, databáze nebo naučených parametrů. Systém může být extraktívny, generativní, open-domain, closed-domain nebo multimodální. Důvěryhodná implementace oddeluje nájdení důkazů od formulace odpovědi, podporuje abstenci a uchovává provenance. Jazyková plynulosť nepreukazuje, že odpověď vyplývá ze zdroje nebo že otázka byla zodpovedatelná.
Odpovídání na otázky ano nebo ne
Yes/no question answering je úloha, ve které systém rozhoduje, či dostupný kontext podporuje kladnou nebo zápornou odpověď na polaritu otázky. Některé datasety povolují i stav neznámé, neurčité nebo nedostatečné důkazy. Úloha vyžaduje identifikaci tvrzení, práce s negací, kvantifikátormi, časem a často i kombinování více vět. Při generativních modelech se hodnotí nejen token ano nebo ne, ale i soulad odůvodnení se zdrojem, kalibrace istoty a odolnost vůči sugestívnej formulaci otázky.
odpovídání na otázky o obraze
Visual question answering, VQA, je úloha, ve které model prijme obraz a prirodzenou jazykovou otázku a vytvoří odpověď založenou na vizuálnom obsahu. Zahrnuje rozpoznání objektů, čtení textu, počítání, prostorové vztahy, commonsense i výběr relevantného regiónu. Datasety mohou používat krátké odpovědi, multiple choice nebo otevřené generování. Vysoké skóre může vzniknout využitím jazykových biasů bez skutečného pozorování obrazu, proto se hodnotí kontrafaktuální páry, grounding a schopnost priznat nedostatok důkazu.
Offline evaluation
Offline evaluation je hodnocení modelu na předem zozbieraných datech nebo simulovaných případech bez toho, aby nový model přímo ovplyvňoval živých uživatelů či prostředí. Zahrnuje oddělení tréninkové, validační a testovací množiny, reprodukovatelnou metriku, segmentové analýzy a porovnání s referenčním řešením. Při odporúčaniach nebo rozhodovacích politikách může používat historické logy a counterfactual odhady. Její platnost závisí na reprezentativnosti dat a od shody mezi testovacím protokolom a skutočným produkčným cílem.
Offline posilované učení
Offline reinforcement learning je paradigma, ve které se politika učí výlučne z pevného datasetu minulých prechodů mezi stavmi, akciami a odmenami bez další interakce s prostredím během tréninku. Hlavním problémem je distribučný posun, protože politika může vybrat akce slabo nebo vůbec nepokryté daty a hodnotová funkce im přiřadí neodůvodnene vysoký úžitok. Algoritmy proto obmedzují politiku k chování v datasete, používají konzervatívne odhady, model nejistoty nebo generativní model podporovaných akcií.
Ochranné pravidlo a kontrolní bariéra
Guardrail je technická nebo procesná kontrola, která omezuje, ověřuje nebo usmerňuje vstupy, výstupy a akce AI systému podle definovaných pravidel. Může zahrnovat moderování obsahu, validaci schémata, ochranu citlivých údajů, povolení nástrojů, limity transakcií, rate limiting, sandbox, lidské schválení a blokování rizikových príkazů. Guardrail je vrstva obrany, ne vlastnost samotného modelu ani absolutní záruka bezpečnosti. Musí se testovat proti obchádzání, falošným blokáciám, konfliktom pravidel a změnám chování po aktualizaci modelu.
One-hot kódování
One-hot encoding převádí nominálnu kategorickou proměnnou s K možnými hodnotami na K binárnych indikátorů, přičemž pro jeden záznam je aktivní indikátor príslušnej kategorie a ostatní mají hodnotu nula. Reprezentace nevnáša umelé pořadí mezi kategoriemi, ale při velkém počtu hodnot vytváří vysokodimenzionálne řídké data. Při lineárním modeli se často jedna kategorie vynechá nebo se upraví intercept, aby se predišlo dokonalej kolinearite. Produkční encoder musí mít pevný slovník a definované chování pro neznámou kategorii.
Ontologie
Ontology je formálna, explicitní špecifikace konceptů určité domény, jejich vlastností, vztahů, omezení a případně logických axióm. Na rozdíl od jednoduchého seznamu pojmů umožňuje vyjadrit, že třída je podtriedou jiné, že vlastnost má doménu a obor hodnot nebo že určité kombinace jsou nezlučitelné. Jazyky jako OWL poskytují formálně definovanou sémantiku a podporují automatické odvozování. Ontologie není automaticky pravdivým obrazom sveta, protože její kvalita závisí na rozsahu, modelovacích rozhodnutí, verziování a správy změn.
Open source umělá inteligence
Open source AI je AI systém sprístupnený způsobem, který poskytuje práva systém používat, skúmat, měnit a zdielat, spolu s preferovanou formou potřebnou na provádění úprav. Podle Open Source AI Definition 1.0 se při strojovém učení posuzuje nejen inference kód a výsledné parametry, ale i dostatočné informace o tréninkových datech a kód použitý na získání parametrů. Samotné stiahnutelné váhy proto automaticky nestačia. Konkrétně práva a povinnosti vždy určují licence jednotlivých komponentů a právní režim dat.
Operace s pohyblivou řádovou čárkou, FLOP
Floating-point operation, zkráceně FLOP, je jedna aritmetická operace vykonaná s číslami reprezentovanými v pohyblivej rádovej čiarke, například sčítání nebo násobení. Počet Flops odhaduje výpočtovou práci modelu nebo jednoho forward passu, zatímco FLOP/s vyjadřuje výkon hardwaru za sekundu. Různé nástroje mohou fused multiply-add počítat jako jednu nebo dvě operace. Samotný počet nezachytáva přenos dat, paralelizaci, sparsity, přesnost formátu ani reálnou latenci.
Optické rozpoznávání znaků
Optical character recognition, zkráceně OCR, převádí obraz tlačeného nebo ručně písaného textu na strojovo spracovatelné znaky a strukturu. Pipeline může zahrnovat detekci textových oblastí, korekci perspektívy, segmentaci riadků, rozpoznání sekvence, jazykové modelování a rekonštrukci rozložení. Výstupem není pouze řetězec, ale často i souřadnice, pořadí čítání a skóre istoty. Kvalita závisí na písma, jazyka, rozlišení, komprese, tabuliek, rukopisu a podobnosti vizuálnych znaků.
Optimalizace hyperparametrů
Hyperparameter optimization je systematické hladání hodnot nastavení, které se model nenaučí přímo gradientem z tréninkových dat, například learning rate, regularizace, hloubka stromu, počet vrstev nebo parametry augmentace. Každý kandidát se natrénuje nebo částečně vyhodnotí a porovná na validačním cílí. Používá se grid search, random search, bayesovská optimalizace, evolučné metody a multi-fidelity postupy s predčasným ukončením. Výsledek je podmíněný zvoleným prostorem, rozpočtom, metrikou a náhodou. Opakované ladění na té určité validaci může preučit celý vývojový proces.
Optimalizace inference
Inference optimization je soubor zásahů, které snižují čas, paměť, spotrebu energie nebo cenu používání natrénovaného modelu při zachování požadované kvality. Zahrnuje kvantizaci, pruning, knowledge distillation, kompilaci grafu, fúziu operací, efektivně attention kernely, caching, dynamické dávkování a volbu vhodného hardwaru. Optimalizace se provádí na úrovni modelu, runtime i infrastruktury. Zlepšení syntetického benchmarku se nemusí přenést do reálné služby, protože úzké místo může být v prenose, tokenizaci nebo fronte. Každá změna potřebuje regresnou kontrolu přesnosti, stability a chování na kritických případech.
Optimalizace paměti Zero
Zero, Zero Redundancy Optimizer, je rodina techník distribuovaného tréninku, která odstraňuje replikaci modelových stavů mezi data-parallel procesmi jejich rozdělením. Stage 1 partitionuje stavy optimalizátora, Stage 2 přidává gradienty a Stage 3 rozděluje i parametry modelu, přičemž potřebné části se dynamicky zhromažďují pro výpočet. Zero může kombinovat offload do CPU nebo Nvme. Snižuje paměť na GPU, ale přidává komunikaci, synchronizaci a zložitejšiu správu checkpointů.
Optimalizační algoritmus
Optimization algorithm je postup na hladání parametrů, které minimalizují nebo maximalizují cílovou funkci při daných obmedzeniach. V strojovém učení typicky aktualizuje váhy podle gradientu ztráty, odhadu momentů nebo geometrie parametrů. SGD, Adam a L-BFGS mají rozdílně pameťové nároky, citlivost na learning rate a konvergenčné vlastnosti. Algoritmus neurčuje pouze rychlost tréninku, může vést k jinému řešení a generalizaci. Stabilita závisí na škálování příznaků, velikosti batch, regularizace a numerické přesnosti.
optimalizované gradientní posilování stromů
Xgboost je knihovna a algoritmický rámec pro gradient boosting, nejčastěji nad rozhodovacími stromami. Model se skládá aditívne, každý nový strom koriguje reziduálnu chybu předchozího souboru podle diferenciovatelnej cílové funkce. Implementace používá regularizaci stromů, shrinkage, subsampling, stlpcové vzorkování, zpracování chybějících hodnot a efektivně histogramové nebo distribuované postupy. Xgboost není jeden pevný model, výsledek závisí na boosteru, objective, hloubky, learning rate a validačního protokolu. Při kategóriách a časových datech je třeba zabránit leakage.
Optimálny transport
Optimal transport je matematický rámec na přesun jedné distribuce hmoty na jinou při minimálnych celkových nákladoch podle zvolené cost funkce mezi body. Mongeho formulace hledá mapu, Kantorovičova formulace povoluje transportný plán, který rozděluje hmotu. V strojovém učení se používá Wassersteinova vzdálenost, porovnávání domén, zarovnávání embeddingů, generativní modely a distribučne robustní optimalizace. Výsledek závisí na geometrie nákladů, regularizace, normalizace hmotnosti a numerické aproximace.
Orchestračná vrstva AI aplikace
Orchestration layer je aplikační vrstva, která řídí pořadí a podmínky kroků mezi modelem, retrievalem, nástroji, pamětí, validátormi, ludským schválením a externými systémy. Implementuje stav workflow, směrování, retry, timeouty, idempotenci, oprávnění a zpracování chyb. Model může navrhnout další krok, ale orchestrátor rozhoduje, zda je volání povolené a jak se výsledek uloží. Dobře navržená vrstva oddeluje nedeterministické generování od deterministických kontrol a umožňuje auditovat celý průběh.
Ořezávání gradientu
Gradient clipping je zásah vykonaný po spetnom šírení a před krokom optimalizátora, který omezí gradienty prekračujúce zvolený práh. Při clippingu podle normy se celý gradientový vektor škáluje tak, aby jeho norma nepresiahla limit, čím se přibližně zachová směr. Při clippingu podle hodnoty se jednotlivé složky orežou do intervalu a směr se může změnit. Metoda omezuje extrémně aktualizace spůsobené explózí gradientu, ale neodstraňuje zlú inicializaci, chybnou ztrátu ani numerickou nestabilitu. Práh se proto volí podle monitorovaných noriem a dynamiky učení.
ověřitelná odměna
Verifiable reward je odmeňovací signál, kterého správnost lze určit automatickým, reprodukovatelným testem místo subjektívneho hodnocení člověka. Typickým příkladem je správný výsledek matematickej úlohy, prejdení testů programu, platný důkaz nebo splnění formálneho omezení. Umožňuje škálovat reinforcement learning na úlohy s jasným rozhodcom, ale hodnotí pouze to, co verifier dokáže zachytit. Model může exploitovat chyby testu, optimalizovat formát místo kvality nebo najít nežádoucí řešení, které formálně projde.
Paměťová síť s klúčmi a hodnotami
Key-value memory network je architektura s explicitnými pameťovými slotmi oddelenými na keys používané na adresování a values obsahujúce informaci odovzdanou ďalšiemu výpočtu. Dotaz se porovnává s klúčmi, attention váhy určia relevantní sloty a vážená kombinace hodnot aktualizuje reprezentaci odpovědi, často ve více hops. Oddělené kódování adresy a obsahu umožňuje pracovat s dokumentmi, faktami nebo stavmi, které mají jinou formu vyhledávání a jinou formu použití. Adresování může být diferencovatelné, takže výběr paměti se učí spolu s odpoveďovou úlohou.
Pántová ztrátová funkce
Hinge loss je marginová ztrátová funkce používaná zejména při lineárních support vector machines. Pro binární label y v množině mínus jedna a plus jedna a skóre f(x) má tvar max(0, 1 mínus y krát f(x)). Ztráta je nulová pouze tehdy, když je příklad nejen klasifikovaný správně, ale leží aspoň jednotkový margin na správné straně hranice. Nesprávně nebo příliš blízké příklady dostávají lineární trest. Funkce neprodukuje kalibrovanou pravděpodobnost a v bodě zlomu není diferencovatelná, ale má subgradient. V praxi se kombinuje s regularizací, která určuje kompromis mezi širokým marginem a chybami.
Paprskové vyhledávání
Beam search je heuristický algoritmus na hladání vysoce skórovanej sekvence v prostoru, který roste exponenciálne s délkou výstupu. V každém kroku rozšíri aktuálně kandidátne prefixy o možné další tokeny a ponechá pouze stanovený počet nejlepších hypotéz, nazývaný beam width. Nezaručuje globálně optimum, protože vyradený prefix už neobnoví. Výsledek ovlivňuje šířka lúča, normalizace podle délky, podmínky zastavení a prípadné omezení. Používá se v preklade, rozpoznávání řeči a dalších autoregresívnych úlohách.
Parameter
Parameter je číselná hodnota, kterou model během učení nastavuje tak, aby znižoval zvolenou ztrátovou funkci nebo splňal jiný optimalizační cíl. V neuronových architektúrach jsou to nejčastěji koeficienty spojení a posuny vrstev, při lineární regresii sklonové členy a v pravdepodobnostných modelech veličiny určujúce tvar rozdělení. Parameter se odlišuje od hyperparametra, který určuje konfiguraci učení zvonka. Počet parametrů popisuje kapacitu pouze nepřímo, protože výkon závisí i od architektury, dat, regularizace a způsobu optimalizace.
Parametricky efektivně dolaďování
Parameter-efficient fine-tuning, zkráceně PEFT, je skupina metod, které prispůsobují předtrénovaný model aktualizací malé části původných parametrů nebo pridáním kompaktných trénovatelných komponentů. Základní váhy zůstávají převážně zmrazené a učí se například low-rank adaptéry, prefixy, soft prompty nebo vybrané zkreslení. PEFT snižuje paměť potřebnou na gradienty a stavy optimalizátora, zrýchluje správu variant a umožňuje ukladat malé adaptéry. Výsledná kvalita však závisí na metody, umístění modulů, dat a cílové úlohy.
Parser výstupu modelu
Output parser je komponenta, který převádí surový výstup generativního modelu na očakávanou dátovou strukturu, například objekt podle JSON Schema, seznam entít, enum nebo argumenty funkce. Ověřuje syntax, datové typy, povinné pole a někdy doménové omezení. Parser nesmí zamieňat formálnu validitu s pravdivosťou obsahu. Při chybě může odmítnout výstup, spustit obmedzenou opravu nebo požiadat model o nový návrh. Bezpečný návrh oddeluje parsování od autorizace a nikdy nevykoná nástroj pouze proto, že text vypadá jako platný príkaz.
Perceptrón
Perceptron je binární lineární klasifikátor, který vypočítá vážený součet vstupních příznaků, přidá bias a podle znamienka přiřadí třídu. Učiaci algoritmus upravuje váhy při nesprávně klasifikovanom príklade v smere, který má danou chybu napravit. Pokud jsou třídy lineární separovatelné, perceptrónový konvergenčný teorém zaručuje nájdení oddelujúcej nadroviny po konečnom počtu aktualizací. Základní perceptrón neposkytuje kalibrovanou pravděpodobnost a nedokáže reprezentovat nelineárně hranice bez transformace příznaků nebo dalších vrstev.
Perplexita jazykového modelu
Perplexity je exponenciál průměrné zápornej logaritmickej pravděpodobnosti, kterou jazykový model přiřadí správné sekvenci tokenů. Lze ji interpretovat jako efektivní počet stejně pravdepodobných možností, mezi kterými model při predikci váha. Nižší hodnota na stejném datasete, s stejnou tokenizací a stejným způsobem výpočtu znamená lépe přiřazení pravděpodobnosti referenčnímu textu. Perplexita není přímo porovnatelná mezi odlišnými tokenizérmi a sama nemeria faktičnost, bezpečnost, užitečnost ani kvalitu dlhého generovaného výstupu.
Personalizace AI systému
Personalization je prispůsobování výstupů, pořadí, doporučení nebo chování AI konkrétnímu uživateli, účtu, organizaci či relaci na základě oprávnene dostupného kontextu. Signály mohou být explicitní preference, historie interakcí, rola, jazyk, zařízení nebo aktuální cíl. Personalizace se může realizovat rankingom, retrievalem, profilovým vektorem, pravidly nebo adaptací modelu. Musí odlišovat stabilnou preferenci od náhodného chování, podporovat opravu profilu a respektovat minimalizaci údajů, souhlas, bezpečnost a riziko uzavretia uživatele do filtračnej bubliny.
Plán rychlosti učení
Learning rate schedule je pravidlo, které mění learning rate podle kroku, epochy nebo validačního signálu. Může používat warmup, stupňovité snížení, exponenciálny pokles, cosine annealing, cyklický průběh nebo reakci na plateau. Cílem je spojit rychlý počiatočný pohyb s jemnejším dolaďováním v neskoršej fáze. Harmonogram nelze hodnotit odděleně od počtu kroků, batch size, optimalizátora a checkpointování, protože změna délky tréninku mění i význam časových bodů plánu.
Plánování výpočetních úloh
Job scheduling je přidělování tréninkových, inferenčných nebo datových úloh k dostupným výpočtovým zdrojem v čase. Plánovač zohladňuje požadavky na CPU, GPU, TPU, paměť, lokalitu dat, prioritu, závislosti, kvóty, toleranci porúch a prípadné preemption pravidla. V ML clustri musí řešit i gang scheduling distribuovaných workerů, fragmentaci akcelerátorů a dlouhé experimenty. Kvalita se měří využitím zdrojů, časem čakání, dokončením termínů, férovosťou a počtem zlyhaní. Nesprávně požadavky mohou blokovat kapacitu nebo způsobit opakované OOM pády.
počáteční nastavení váh
Weight initialization je volba počátečního rozdělení parametrů před začiatkom tréninku. Inicializace má rozbit symetrii mezi neurónmi a udržat rozptyl aktivací i gradientů v použitelnom rozsahu při prechode vrstvami. Xavierova inicializace škáluje váhy podle fan-in a fan-out, He inicializace zohladňuje zejména Relu rodinu a ortogonálne schémata zachovávají vybrané geometrické vlastnosti. Správná volba závisí na aktivačnej funkce, tvaru vrstvy, reziduálnych vetiev a normalizace. Při predtrénovanom modeli inicializace řeší zejména nové nebo nahradené komponenty.
Počítačové vidění
Computer vision je oblast AI a zpracování signálu, která získává strukturované informace z obrazů, videa nebo priestorových senzorů. Zahrnuje klasifikaci, detekci objektů, segmentaci, sledování, odhad hloubky, OCR a generování vizuálnych reprezentací. Systém pozostáva z akvizíce dat, anotací, modelu, postprocessingu a rozhodovací logiky. Výkon závisí na osvetlení, kamery, perspektívy, domény a provozních podmínek. Přesnost na benchmarku nepreukazuje spolehlivost v konkrétním fyzickom prostředí.
Policy
Policy v reinforcement learningu je pravidlo, které mapuje stav nebo pozorování na akci, případně na pravděpodobnostní rozdělení nad akciami. Deterministická politika vybírá jednu akci, stochastická umožňuje sampling a tím i riadenou exploraci. Politika může být tabulka, strom, neuronová síť nebo kombinace plánování a naučených komponentů. Její kvalita se posuzuje očakávaným kumulatívnym výnosom v definovaném prostředí. Bezpečné nasazení vyžaduje kontrolu omezení, distribučného posunu, čiastočnej pozorovatelnosti a rozdílu mezi simulátorom a realitou.
Policy gradient
Policy gradient je rodina reinforcement learning algoritmů, které přímo optimalizují parametry diferencovatelnej politiky v smere vyššieho očekávaného výnosu. Gradient se odhaduje ze vzorků trajektorií pomocí logaritmu pravděpodobnosti vykonanej akce násobeného návratom nebo advantage. Metoda dokáže pracovat se stochastickou politikou a spojitým prostorem akcií, ale odhad může mít vysokou varianci. Baseline, critic, advantage estimation, normalizace a omezení velikosti aktualizace zlepšují stabilitu. Data jsou často on-policy, proto bývá sběr skúseností nákladný.
Poolingová vrstva
Pooling layer zlučuje hodnoty v lokální nebo globální oblasti mapy příznaků a vytváří menší reprezentaci. Max pooling vybírá maximum, average pooling počítá průměr a global pooling redukuje celý priestorový rozměr na jednu hodnotu pro kanál. Pooling snižuje rozlišení, výpočetní náklady a citlivost na malé posuny, zároveň však může odstranit přesnou polohu nebo jemný detail. Velikost okna, stride, padding a typ agregace určují informační ztrátu. Moderní architektury někdy používají strided convolution nebo attention místo pevného poolingu.
Porozumění prirodzenému jazyku
Natural language understanding, zkráceně NLU, označuje metody, které z jazykového vstupu odvodzují reprezentaci významu potřebnou pro další rozhodování. Může zahrnovat rozpoznání záměru, slotů, entít, vztahů, referencií, negace, časových údajů a kontextu dialógu. NLU není přesně ohraničený algoritmus, ale funkční vrstva v jazykovém systéme. Výstupem bývá struktura, skóre nebo stav, který následně využije vyhledávání, pravidla, databáze či generátor odpovědi.
Posilované učení
Reinforcement learning, RL, je rámec učení politiky, ve kterém agent volí akce v stave nebo pozorování prostředí a dostává odměnu spolu s novým stavem. Cílem je maximalizovat očekávaný kumulatívny diskontovaný výnos, ne okamžitou odměnu jednoho kroku. Úloha se často formalizuje jako Markovů rozhodovací proces. Metody mohou být model-free nebo model-based, on-policy nebo off-policy. Klíčové problémy zahrnují exploration, oneskorenou zásluhu, vzorkovou náročnost, bezpečné omezení a neúplnost reward funkce.
Posilované učení z lidské zpětné vazby, RLHF
Reinforcement learning from human feedback, RLHF, je postup prispůsobení modelu, při kterém lidé poskytují demonštrace, preference nebo hodnocení výstupů a z nich se vytvoří optimalizační signál. Klasická pipeline zahrnuje supervised fine-tuning, trénink reward modelu z párových porovnání a následnou optimalizaci politiky s obmedzením odchylky od referenčního modelu. RLHF může zlepšit nasledování pokynů, ale zdedí nejednotnost anotátorů, medzery v pokrytí a zranitelnost reward modelu vůči overoptimization.
Potlačení nemaximálních detekcií v YOLO
YOLO non-maximum suppression je postprocessingový krok, který redukuje více prekrývajúcich se predikcí toho istého objektu. Kandidáti se zoradia podle skóre a rámce s vysokým prekrytím vůči lépe hodnotenému kandidátovi se odstraní nebo oslabia. Rozhodují prahy důvěry, Iou, třídní pravidla a maximálny počet výstupů. NMS není součástí každé modernej YOLO architektury, některé end-to-end detektory jsou navržené bez něho. Nevhodné nastavení může zmazat blízké objekty nebo ponechat duplicity.
Pozičné kódování
Positional encoding je reprezentace pořadí nebo polohy prvků, která se přidává k tokenovým embeddingom nebo se zapája přímo do attention skóre. Self-attention bez pozičnej informace zpracovává vstupy jako množinu a nerozlíši zámenu pořadí. Původní Transformer používal pevné sínusové a kosínusové vektory, pozdější modely používají naučené embeddingy, relativně zkreslení, rotačné kódování nebo jiné schémata. Výběr ovlivňuje extrapolaci na déle sekvence, zachytení relatívnej vzdálenosti, numerickou stabilitu a kompatibilitu s predlžením kontextového okna.
pozornost omezená na lokálně okna
Windowed attention je mechanismus self-attention, při kterém každý token nebo priestorová pozíce komunikuje pouze s prvkami v definovaném lokálnom okne místo celé sekvence. Snižuje kvadratické náklady globální pozornosti a umožňuje zpracovat déle texty nebo obrazy s vysokým rozlíšením. Okna mohou být pevné, posúvané, prekrývajúce se nebo doplnené globálnymi tokenmi. Lokálně omezení vytváří informační hranici, proto musí architektura zabezpečit přenos mezi oknami přes další vrstvy, posun, hierarchiu nebo řídké globálně vezby. Velikost okna určuje kompromis mezi kontextem a nákladmi.
Pozornost query-key-value
Query-key-value attention vytváří pro každý prvek vektory query, key a value. Podobnost query s keys určuje váhy, po normalizaci se nimi skombinují values. Při scaled dot-product attention se skalárne součiny dělí odmocninou z rozmeru klúča, aby logits při velké dimenzii neboli příliš extrémně. V self-attention pochádzají Q, K a V z stejné sekvence, při cross-attention z různých zdrojů. Query v tomto mechanizme není uživatelský dotaz do vyhladávača.
Precision-recall curve
Precision-recall curve zobrazuje dvojice precision a recall, které vzniknou při postupnom menení rozhodovacího prahu nad skóre binárneho klasifikátora. Ukazuje kompromis mezi čistotou pozitivních predikcí a podielom zachytených pozitivních případů. Je zvlášť informativní při nevyvážených třídách, kde ROC krivka může působit příznivě i při velkém absolútnom počtu falešných alarmů. Plocha nebo average precision zhrňuje pořadí, ale nahrazuje konkrétně provozní rozhodnutí pouze částečně. Práh se má volit podle nákladů, kapacity a cílové prevalence.
Precíznost klasifikace
Precision je podíl skutečně pozitivních případů mezi všemi prípadmi, které model označil jako pozitivně. Vzorec je TP dělené součtem TP a FP. Metrika odpovídá na otázku, kolik pozitivních predikcí bylo správných, proto je důležitá, když falešný poplach přináší vysoký náklad. Hodnota závisí na rozhodovacího prahu, prevalence třídy a definice pozitívneho případu. Při více třídách lze reportovat každou kategorii samostatně nebo výsledky sloučit stejným vážením tříd, součtem rozhodnutí či váhou podle jejich početnosti. Samotná precision neukazuje, kolik skutečných pozitivních případů model vynechal.
Predikce vazeb v grafu
Link prediction je úloha odhadnout existenci, typ nebo budúci vznik hrany mezi dvojicí uzlů v grafu. Model využívá topológiu, atributy uzlů, časové události nebo naučené embeddingy a vytváří skóre kandidátnej dvojice. Trénink vyžaduje definovat pozitivně i negativně příklady, přičemž chýbajúca hrana nemusí být skutečně negativní. Hodnocení musí zabránit úniku budoucích hrán a zohladnit extrémnu nerovnováhu, proto se často používají rankingové metriky a časové splity.
Predikce výtěžnosti nebo výnosu
Yield prediction je modelování budúceho podielu použitelných výstupů, množství produkce nebo ekonomického výnosu z procesných, environmentálnych a historických proměnných. Význam slova yield závisí na domény, v polovodičoch jde o podíl funkčných čipů, ve výrobe o bezchybnou produkci a v polnohospodárstve o úrodu na plochu. Model může být regresný, probabilistický nebo časovo priestorový. Důvěryhodné použití vyžaduje přesnou definici menovatela, horizont predikce, dostupnost vstupů v čase rozhodnutí a oddělení predikce od kauzálneho tvrzení.
Prediktívna údržba
Predictive maintenance využívá senzorové data, provozní záznamy, servisnou historii a modely degradace na odhad pravděpodobnosti poruchy, zdravotného stavu zařízení nebo zostávajúcej životnosti. Cílem je plánovat zásah podle skutečného rizika místo pevného intervalu nebo čakání na haváriu. Pipeline zahrnuje synchronizaci signálů, tvorbu příznaků, labelování událostí, detekci změny režimu a propojení predikce s rozhodnutím o údržbe. Úspěch se nemeria pouze accuracy, ale i odstávkami, nákladmi, kvalitou výroby a bezpečnostním dopadom.
Priebežné učení z prichádzajúcich dat
Online learning je režim, ve kterém se parametry modelu aktualizují postupně po jednotlivých příkladech nebo malých dávkách místo jednorazového tréninku na celém datasete. Umožňuje zpracovat datový tok, omezit paměť a reagovat na meniacu se distribuci. Aktualizačné pravidlo musí riadit learning rate, pořadí dat, oneskorené labely a ochranu před katastrofickým zabúdáním nebo kontaminací. Online učení není totožné s online inferencí, která může používat zcela nemenný model a pouze odpovídat v reálném čase.
Prompt pro generativní model
Prompt je vstupní kontext, který usmerňuje generativní model při vytváraní dalších tokenů, obrazových prvků, akcií nebo štruktúrovaného výstupu. Může obsahovat instrukci, otázku, příklady, data, pravidla formátu, definice nástrojů, historii konverzace a systémové omezení. Model nevykonáva prompt jako deterministický program, ale podmieňuje ním pravdepodobnostnou generaci. Výsledek závisí na pořadí, přesnosti, konfliktů mezi vrstvami, context window a parametrů dekódování. Citlivé nebo nedůveryhodné data v prompte je třeba oddělit od autoritatívnych instrukcí.
Promptování bez demonstračních příkladů
Zero-shot prompting je zadání úlohy predtrénovanému generatívnemu modelu pouze prostřednictvím instrukce a vstupních dat, bez priložených ukážok správného vstupu a výstupu. Model využívá schopnosti získané během předtrénování a prípadného instruction tuning. Výkon ovlivňuje přesnost cíle, kontext, výstupný kontrakt, omezení a jednoznačnost pojmů. Označení zero-shot neznamená, že model nikdy neviděl podobný obsah, pouze že v aktuálnom kontextu nedostal demonštračný příklad.
Promptování řetězce uvažování
Chain of thought prompting je technika, při které prompt obsahuje nebo vyžaduje medzikroky přirozeného jazyka před konečnou odpovědí, aby model lépe riešil viacstupňové aritmetické, logické nebo symbolické úlohy. Může používat demonštrace s vyriešenými postupmi nebo krátku instrukci na rozklad problému. Vygenerovaný řetězec není spolahlivým záznamom interného výpočtu ani důkazem správnosti. Medzikroky mohou být přesvědčivé, ale chybné, proto se výsledek ověřuje nezávislou kontrolou, nástrojem nebo testem.
Promptování s k ukázkami
K-shot prompting je nastavení promptu, ve kterém se modelu před cílovou požiadavkou poskytnou k demonstračních dvojic vstup a požadovaný výstup. Model nemění parametry, ale během inference využívá vzory z kontextu na pochopení úlohy, formátu, rozhodovacích hranic nebo štýlu. Kvalita závisí na výběru, pořadí, rozmanitosti a reprezentativnosti ukážok, od délky kontextu a od toho, či demonštrace neobsahují chyby nebo skryté zkratky. Demonštrace jsou součástí řízení chování, proto se verzují stejně jako systémová instrukce.
Propagace štítků
Label propagation je transduktívna metoda semi-supervised learningu, která vytvoří graf podobnosti mezi označenými a neoznačenými vzorkami a šíří známé labely přes hrany grafu. Předpokládá, že blízké nebo silně spojené body mají podobné cíle. Výsledek závisí na volby jadra, škály vzdálenosti, počtu sousedů a struktury dat. Algoritmus typicky odhaduje labely pro konkrétní dostupnou množinu bodů, ne obecnou parametrickou funkci použitelnou na libovolný nový vstup.
Propojení uvažování a konání
React je agentný vzor, ve kterém jazykový model strieda kroky plánování nebo pracovného uvažování s akciami vykonanými v externom prostředí a s pozorovaniami jejich výsledků. Akciou může být vyhladání, volání API, čtení databáze nebo manipulace se stavem úlohy. Pozorování následně upraví další krok. React není samostatný model ani záruka správnosti, ale orchestrace smyčky reason, act, observe. Bez omezení nástrojů může šíriť chyby, zacyklit se nebo reagovat na škodlivý obsah.
Propojování entít
Entity linking je úloha, která přiřazuje textovou zmienku ku konkrétnímu identifikátoru entity v znalostní báze nebo registri. Systém nejprve vytvoří kandidátů podle názvu a aliasů a potom využije lokální kontext, typ entity, popularitu nebo vztahy na rozlišení významu. Výsledkem není pouze štítek osoba či organizace, ale jednoznačný odkaz na záznam. Důležitou součástí je NIL rozhodnutí, když vhodná entita v báze neexistuje, a správa změn identifikátorů v čase. Kvalita závisí i od pokrytí a aktuálnosti znalostní bázy.
Prořezávání modelu
Pruning odstraňuje nebo maskuje parametry, neuróny, kanály, attention hlavy či jiné struktury modelu, které se podle zvoleného kritéria považují za méně důležité. Unstructured pruning vytváří jednotlivé nulové váhy, structured pruning odstraňuje celé bloky kompatibilní s hustými výpočty. Metoda může proběhnout jednorazovo, iterativně nebo během tréninku a často po ní nasleduje fine-tuning. Cílem je menší model, nižší latence nebo energetická úspora, ale teoretická řídkost se zrýchlením prejaví pouze tehdy, když ji podporuje formát, kernel a cílový hardware.
prořezávání váh modelu
Weight pruning je odstranění nebo maskování parametrů, kterých příspěvek se podle zvoleného kritéria považuje za postrádatelný. Neštrukturálny pruning nulujeme jednotlivé prvky tenzora, štrukturálny odstraňuje celé kanály, hlavy, neuróny nebo bloky. Prořezávání může proběhnout jednorazovo, iterativně, během tréninku nebo po ňom a často ho nasleduje dolaďování. Počet núl není automaticky rovný zrychlení, protože reálný přínos závisí na formátu sparsity, kernelů, hardwaru a nákladů na indexování. Kvalita se musí hodnotit po exporte na cílové platforme.
Provozní zpřístupnění modelu
Model serving je provozní vrstva, která načte konkrétní verzi modelového artefaktu a zpřístupní jeho inferenci aplikacím, uživatelům nebo dávkovým procesům. Zahrnuje validaci vstupní schémata, předzpracování, přidělování výpočetních zdrojů, směrování požadavků, tvorbu dávek, postprocessing, zdravotní kontroly a sběr telemetrie. Serving není totožný s tréninkem ani s celým nasazením produktu. Jeho správnost závisí na konzistentní verze váh, kódu, slovníků, prahů a rozhraní.
Proximálna optimalizace politiky
Proximal Policy Optimization, zkráceně PPO, je on-policy actor-critic algoritmus, který aktualizuje politiku pomocí surrogate objective a omezuje příliš velkou změnu pravděpodobností akcií mezi starou a novou politikou. Najznámejšia clipped verze oreže poměr pravděpodobností mimo intervalu okolo jedné, čím snižuje motivaci dělat deštruktívne kroky. PPO často používá generalized advantage estimation, value loss a entropy bonus. Je jednodušší implementovatelné než trust region metody, ale zůstává citlivé na learning rate, počet epoch, clipping, normalizaci rewardu a kvalitu batchů.
Průměrná absolutní chyba
Mean absolute error, MAE, je průměr absolútnych rozdílů mezi skutočnými a predikovanými číselnými hodnotami. Každá chyba přispívá lineární podle svojej velikosti, bez ohladu na znaménko. Metrika má stejnou jedničku jako cílová proměnná a minimum nula. Ve srovnání s kvadratickou chybou je méně citlivá na jednotlivé extrémně odchylky. Při použití jako tréninková ztráta odpovídá optimalizaci podmieneného mediánu a má nediferencovatelný bod při nulové reziduálnej chybě.
Průměrná kvadratická chyba
Mean squared error, MSE, je průměr druhých mocnín rozdílů mezi skutočnými a predikovanými hodnotami. Umocnení odstraní znaménko a zvečší relativní vliv velkých reziduí, proto metrika výrazně penalizuje extrémně omyly. MSE má jedničku cílové proměnné na druhou a minimum nula. Jako ztrátová funkce je hladká a při štandardných predpokladoch souvisí s maximálnou vierohodností při gaussovskom šume. Minimalizace MSE vede k odhadu podmieneného průměru.
průměrování váh modelu
Weight averaging je postup, při kterém se parametry více checkpointů nebo po sebe nasledujúcich stavů tréninku skombinují do jednoho modelu aritmetickým, exponenciálnym nebo jinak váženým průměrem. Metoda pracuje přímo v prostoru parametrů, ne priemerováním výstupů samostatných modelů. Stochastic Weight Averaging zbiera body z tréninkové trajektorie a často směřuje k širšej oblasti nízké ztráty. Exponential Moving Average upřednostňuje novější stavy. Výsledek může zlepšit stabilitu, ale pouze při kompatibilnej architektúre a zmysluplne zarovnaných parametrech.
předtrénování bez ručně přiřazených cílů
Unsupervised pretraining je úvodná fáza učení, ve které model získává obecné reprezentace z velkého množství neoznačených dat před dolaďováním na konkrétní úlohu. Historicky se používali autoencodery a restricted Boltzmann machines, při jazyku predikce tokenů a při obraze rekonštrukčné nebo kontrastivně cíle. Pojem se dnes často prekrýva se self-supervised pretrainingom. Přínos závisí na shody korpusu s cílovou doménou, kvality pomocného cíle a rizika prenesení biasů, memorování či nežiaducich schopností. Predtréningové a cílové data se kontrolují na kontaminaci testu, aby se přenos nezamenil za zapametání benchmarku.
Předtrénování modelu
Pretraining je první rozsiahla fáza učení modelu na všeobecnom nebo široko pokrývajúcom korpuse před adaptací na konkrétní úlohu. Model se učí reprezentace pomocí self-supervised, supervised nebo multimodálnych cílů, například predikce dalšího tokenu, maskovanej jednotky nebo shody obrazu s textem. Výsledkem je základ, který lze používat přímo, dolaďovat, inštruovat nebo prepájat s retrievalem. Kvalitu určují data, deduplikace, kurikulum, architektura a výpočetní rozpočet. Předtrénování může zároveň absorbovat bias, citlivé údaje a nežádoucí korelace.
Přenos na úlohu bez cílového tréninku
Zero-shot transfer je použití modelu na nové úloze, datasete, doméně nebo množině tříd bez dalšího učení na označených cílových příkladech. Přenos může být sprostredkovaný prirodzeným jazykem, spoločným embeddingovým prostorem, multitask predtrénováním nebo univerzálnym rozhráním vstup a výstup. Hodnocení musí oddělit skutečný transfer od možnej kontaminace tréninkových dat a má měřit výkon na distribuci, kterou model při príprave neoptimalizoval.
přesnost klasifikace
Accuracy, tedy celková správnost klasifikace, je podíl správně predikovaných případů ze všech hodnocených případů. Při binární klasifikaci se vypočítá jako součet skutečně pozitivních a skutečně negativních případů dělený celkovým počtem případů. Metrika je informativní zejména při přibližně vyvážených třídách a podobné závažnosti chyb. Při vzácných událostech může vysoká accuracy zakrýt úplné selhání minoritní třídy. Hodnota se má uvádět s velikostí testovací vzorku, intervalem nejistoty a výsledky pro důležité segmenty.
Přeučení modelu
Overfitting nastáva, když model prispůsobí parametry tréninkovým datům včetně šumu, náhodných korelací nebo detailů konkrétního sběru natolko, že se zhorší výkon na nových případech z cílové distribuce. Typickým signálom je pokračujúci pokles tréninkové ztráty při stagnaci nebo raste validační chyby. Příčiny zahrnují vysokou kapacitu, malý nebo nereprezentatívny dataset, únik informací a nadmerné ladění podle jedné validační množiny. Ochrana využívá správně rozdělení dat, regularizaci, augmentaci, early stopping a externí test.
Přiřazení příspěvku vstupním vlastnostem
Feature attribution je vysvetlovace technika, která přiřazuje jednotlivým vstupním vlastnostem číselný příspěvek k určité predikci nebo výstupu modelu. Metody se liší referenčním bodem, způsobem perturbace, využitím gradientů a predpokladmi o modeli. SHAP, Integrated Gradients, saliency mapy či occlusion proto nemusí vytvořit stejné pořadí. Atribuce popisuje chování modelu v zvoleném výpočtovém rámci, ne automaticky kauzální vliv feature na jev v reálném svete.
Příznaková páteř modelu YOLO
YOLO backbone je část detekčnej sítě, která mění vstupní obraz na hierarchiu príznakových máp. Skoršie vrstvy zachycují lokálně hrany a textúry, hlbšie vrstvy agregují větší kontext a sémantické vzory. Backbone odovzdáva reprezentace necku nebo přímo detekčnej hlave, často na více priestorových mierkach. Jeho návrh ovlivňuje přesnost, výpočtovou náročnost, paměť, receptive field i vhodnost pro edge zařízení. Názvy bloků a spojení se mezi generacemi YOLO výrazně liší.
Q-učení
Q-learning je bezmodelový off-policy algoritmus posilovaného učení, který odhaduje optimální akčnou hodnotovou funkci. Po prechode ze stavu s do stavu s2 po akcii a aktualizuje Q(s,a) směrem k súčtu odměny a diskontovaného maxima Q(s2,a2). Cílová politika je chamtivá vůči naučeným hodnotám, i když data může zbierat prieskumná politika. V konečnom Markovovom rozhodovacom procese konverguje za podmínek dostatočného navštívení dvojic stav-akce a vhodne klesajúcich kroků učení.
Q-value
Q-value je číselná hodnota priradená konkrétní dvojici stavu a akce. Vyjadřuje očekávaný diskontovaný součet budoucích odmien, pokud agent v stave s provede akci a a potom pokračuje podle určenej politiky. Zápis Qπ(s,a) se vzťahuje na politiku π, zatímco Q*(s,a) označuje optimální akčnou hodnotu. Q-value není pravděpodobnost úspěchu ani okamžitá odměna. Její měřítko závisí na definice odměny, diskontného faktora a délky horizontu.
Query rewriting
Query rewriting transformuje původní požadavek na novou formulaci nebo strukturu, která se dá spolahlivejšie provést. Může opravovat pravopis, doplňat vynechaný kontext, normalizovat entity, prevádzat přirozený jazyk na filtry nebo vytvořit samostatně zrozumitelnou otázku z konverzace. Přepis má zachovat informačný záměr a bezpečnostní omezení. Pokud systém potichu změní osobu, časový rozsah nebo negaci, retrieval může být přesný vůči nesprávné otázce.
Query routing
Query routing je rozhodování, který index, model, nástroj, region nebo spracovatelská cesta má obslúžit konkrétní dotaz. Router může používat pravidla, klasifikátor záměru, metadata, odhad nákladů nebo zkušenost s predchádzajúcimi výsledky. Cílem je zvolit zdroj s vhodnými znalosťami, oprávnením, latencí a cenou. Routing se liší od sieťového load balancingu, který rozděluje stejnou službu podle kapacity. Chybná trasa může vrátit nerelevantné údaje nebo obejít doménové kontroly.
Ranking model
Ranking model odhaduje relatívnu relevanci, preferenci nebo užitečnost položek a používá ji na sestavení pořadí pro konkrétní dotaz, uživatele nebo kontext. Může se učit pointwise ze samostatných známok, pairwise z preferencií mezi dvojicami nebo listwise přímo z vlastností celého seznamu. Výstupní skóre nemusí být kalibrovaná pravděpodobnost. Kvalitu ovlivňují relevance labels, výběr negativních příkladů, expozičné zkreslení a soulad tréninkové ztráty s cílovou rankingovou metrikou.
Referenční model
Baseline model je jednoduchý nebo existujúci model, kterého výkon tvoří referenční bod pro posouzení nového řešení. Může jít o pravidlo většinové třídy, lineární model, aktuální produkční systém, lidský proces nebo predchádzajúcu verzi. Baseline musí používat stejnou definici úlohy, datové rozdělení, metriky a provozní omezení jako kandidát. Jeho úlohou není být slabý, ale určit, či složitější řešení přináší meratelný a prakticky významný přínos oproti primeranej alternatíve.
Referenční pravda
Ground truth je referenční údaj, label nebo měření, které se v konkrétním procese používá jako cíl pro trénink nebo hodnocení modelu. Může vzniknout priamym meráním, odbornou anotací, adjudikací více posudzovatelů nebo neskorším potvrdeným výsledkem. Označení neznamená absolutní a bezchybnou pravdu. Reference může obsahovat meraci chybu, nejednoznačnost, změnu definice a systematický bias. Kvalitná knowledge base proto eviduje původ labelu, pokyny, míru shody, nejistotu, verzi a čas platnosti, ne pouze finálnu hodnotu.
Regression
Regression je rodina štatistických a strojovo učiacich metod, které odhadují spojitou cílovou hodnotu nebo jinou podmienenou charakteristiku rozdělení na základě vstupních proměnných. Model může být lineární, stromový, neuronový, kernelový nebo pravděpodobnostní. Trénink minimalizuje zvolenou ztrátu, například MSE, MAE, Huberovu nebo kvantilovou ztrátu. Kvalita se posuzuje na neviděných datech a musí se rozlišovat interpolace od extrapolace. Logistická regrese navzdory názvu řeší klasifikaci.
Regularizace
Regularization označuje postupy, které obmedzují efektívnu složitost modelu nebo zavádzají preferenci jednodušších a stabilnejších řešení, aby se zlepšila generalizace mimo tréninkových dat. Může mít podobu penalizace parametrů, omezení normy, dropout, datové augmentace, šumu, early stoppingu nebo architektonického omezení. Regularizačný účinek zvyšuje systematické zkreslení, ale může snížit rozptyl. Jeho síla se volí na validačních datech a nesmí se posuzovat pouze podle tréninkové ztráty.
Regularizace Jacobiho matice
Jacobian regularization přidává k tréninkové strate člen, který penalizuje vybranou normu derivací modelového výstupu podle vstupu, reprezentace nebo parametrů. Cílem je omezit nadmernou lokální citlivost, zvečšit klasifikační okraje nebo stabilizovat naučenou dynamiku. Penalizace může pracovat s Frobeniovou normou celého Jacobianu, spektrálnou normou nebo stochastickým odhadom přes smerové součiny. Příliš silná váha vede k podučení a může potlačit legitimní ostré změny, proto se musí validovat na relevantních perturbacích.
Regularizace rekurentních sítí Zoneout
Zoneout je stochastická regularizačná technika pro rekurentné neuronové sítě, při které se náhodně vybrané složky skrytého nebo bunkového stavu v daném časovém kroku nemění a preberou hodnotu z předchozího kroku. Na rozdíl od dropout jejich nenahrádza nulou. Mechanismus vytváří náhodné časové cesty identity, podporuje zachování informace a při tréninku simuluje soubor mírně odlišných rekurentních dynamík. Při inferenci se používá očakávané chování podle implementace.
Rekurentní neuronová síť
Recurrent neural network, RNN, zpracovává sekvenci tak, že v každém kroku kombinuje aktuální vstup s vnútorným stavem preneseným z předchozího kroku. Stejné parametry se používají napříč časem, co umožňuje modelovat pořadí a kontext premenlivej délky. Trénink typicky používá backpropagation through time. Základní RNN trpia mizejícími a explodujúcimi gradienty, proto se často používají LSTM nebo GRU. Rekurentný výpočet je přirozeně sekvenční a hůře se paralelizuje než Transformer.
Reprezentace znalostí
Knowledge representation je oblast a soubor formálnych prostriedků na zápis entít, vlastností, vztahů, událostí, pravidel, nejistoty a kontextu tak, aby s nimi mohl výpočetní systém pracovat. Používá logiky, ontológie, pravidlové systémy, rámce, sémantické sítě, grafy, probabilistické modely nebo vektorové reprezentace. Každý jazyk určuje, co lze vyjadrit a jaké odvození jsou platné. Silnejšia expresivita může zvyšovat cenu inference a náročnost správy konzistence. Volba formalizmu je proto architektonické rozhodnutí mezi expresivitou, výkonem a auditovatelností.
Reťazení promptů
Prompt chaining je rozdělení komplexnej úlohy na sekvenci modelových volaní, ve které výstup jednoho kroku vstupuje do dalšího. Jednotlivé kroky mohou extrahovat fakta, plánovat, vyhladávat, ověřovat, prepisovat nebo formátovat výsledek. Řetězec zlepšuje kontrolovatelnost a umožňuje samostatné testování medzivýstupů, ale zvyšuje latenci, cenu a počet miest, kde se může chyba přenést. Každé rozhraní potřebuje schéma, validaci, limit kontextu a pravidlo zotavení. Chaining se odlišuje od jednoho dlhého promptu i od autonómneho agenta s dynamickým plánováním.
Reward hacking
Reward hacking nastáva, když agent najde způsob, jako zvýšit formálně definovanou odměnu bez splnění zamýšleného cíle. Využívá medzeru v metrice, simulátore, reward modeli, senzore nebo pravidlách prostředí. Chování může být optimálne vzhledem na zadaný signál, ale škodlivé z pohledu člověka. Problém souvisí s proxy objectives, Goodhartovým zákonom a distribučným posunom. Prevence zahrnuje threat modeling odměny, viacnásobné metriky, omezení, adversariální testování a nezávislé hodnocení výsledků.
Reward model
Reward model je naučená funkce, která přiřazuje skóre výstupu, trajektórii nebo dvojici vstup a výstup podle odhadovanej lidské preference či jiného cíle. Často se trénuje z párových porovnání, kde se optimalizuje pravděpodobnost, že preferovaný výstup získá vyšší skóre. Následně může poskytovat odměnu při RLHF, filtrovat kandidátů nebo slúžit jako pomocný evaluátor. Skóre je relativně vůči tréninkovým datům, může být nekalibrované a při silné optimalizaci zranitelné vůči exploitation.
Reziduálna neuronová síť
Resnet je rodina konvolučných neuronových sítí založených na reziduálnych blokoch se skratkovými spojeniami. Původní varianty, například Resnet-18, Resnet-50 a Resnet-152, organizují bloky do stupňů s postupným zmenšováním priestorového rozlišení a zvyšováním počtu kanálů. Hlbšie modely používají bottleneck bloky s konvolúciami 1 x 1, 3 x 3 a 1 x 1. Architektura zásadne ulahčila trénink velmi hlubokých CNN a dodnes se používá jako backbone, referenční model a zdroj predtrénovaných vizuálnych reprezentací.
Reziduální nebo zkratkové spojení
Residual connection přenáší vstup bloku priamou skratkou a kombinuje ho s transformací vypočítanou vrstvami, typicky ve forme y = F(x) + x. Blok se tak učí reziduálnu změnu vůči identite místo zcela nové transformace. Skratka zlepšuje tok gradientu a ulahčuje optimalizaci velmi hlubokých sítí. Pokud se rozměry nezhodují, používá se projekce nebo jiná úprava. Residual connection je obecný architektonický prvek, ne synonymum konkrétní rodiny Resnet.
Robustnost AI systému
Robustness je schopnost AI systému udržat prijatelné chování a výkon při předem špecifikovaných zmenách podmínek, například při šume, chybějících údajoch, distribučnom posune, adversariálnych vstupech, variaci hardwaru nebo zlyhaní komponentu. Není absolútnou vlastností modelu, ale tvrdením viazaným na množinu perturbací, toleranci, metriky a kontext použití. Robustnost se ověřuje stresovými testy, segmentovou analýzou, OOD scenármi a monitoringom po nasazení. Vysoká průměrná accuracy ji sama nepreukazuje.
Robustnost vysvětlení AI
XAI robustness je odolnost vysvetlovacej metody vůči malým, významově nepodstatným nebo záměrně zvoleným změnám vstupu, modelu či implementace. Robustní vysvětlení nemá dramaticky měnit zdůvodnení, když se predikce a relevantní význam případu zachovají. Testuje se perturbacemi, opakovaným tréninkem, změnou seedu a útoky na vysvětlení. Robustnost není totožná s verností. Stabilne nesprávně vysvětlení může být robustní a verné vysvětlení může oprávnene reagovat na změnu blízko rozhodovací hranice.
rodina metod na učení slovních vektorů
Word2Věc je rodina plytkých neuronových tréninkových cílů na učení statických word embeddingů z lokálneho kontextu. Continuous Bag of Words predikuje cílové slovo z okolitých slov, skip-gram predikuje okolité slova z centrálneho slova. Praktické implementace používají negative sampling nebo hierarchický softmax, subsampling častých slov a pohyblivé kontextové okno. Výsledkem je jedna tabulka vektorů pro slovník, ne generativní jazykový model schopný vytvářet text. Reprezentace zachycují distribuční pravidelnosti korpusu, ale nerozlišují význam slova podle věty a slabo spracúvají neznámé nebo velmi vzácné výrazy.
rodina modelů Openai na rozpoznávání řeči
Whisper je rodina encoder-decoder transformerů na automatické rozpoznávání řeči, identifikaci jazyka, časové značky a překlad řeči do angličtiny. Model přijímá log-Mel spektrogram zvukových úseků a autoregresívne generuje text spolu se špeciálnymi tokenmi určujúcimi úlohu. Původná rodina byla trénovaná na 680 000 hodinách vícejazyčných a viacúlohových dat získaných z webu. Jednotlivé checkpointy se liší velikostí, rýchlosťou a přesností. Whisper není název obecné cloudovej služby ani záruka správného přepisu, protože výkon závisí na jazyka, šumu, mluvčího, segmentace a dekódování.
ROUGE
ROUGE je rodina automatických metrik, které porovnávají systémový souhrn s jedním nebo více referenčnými súhrnmi podle prekrytia textových jednotek. ROUGE-N pracuje s n-gramami, ROUGE-L s najdlhšou společnou podsekvencí a další varianty se skip-bigramami. Výsledek lze uvádět jako recall, precision nebo F1 podle implementace. Metrika zachycuje lexikálnu podobnost, ne úplnou sémantickou správnost, faktičnost, strukturu ani užitečnost. Hodnoty závisí na tokenizace, stemmingu a počtu referencií.
Rozklad složitého dotazu
Query decomposition rozděluje komplexnou informační potřebu na menší podotázky, kterých výsledky se získají a následně spoja. Podotázky mohou být nezávislé nebo postupné, když neskoršia závisí na předchozí odpovědi. Metoda zlepšuje dohledatelnost důkazů a umožňuje použít odlišné zdroje, ale přidává místa pro chybný rozklad, přenos nepresnosti a nesprávně složení. Každá podotázka má zachovat omezení původního dotazu, zejména čas, entitu a negaci.
rozpočet tokenů
Token budget je plánovaný nebo technicky vynútený počet tokenů dostupných pro vstup, systémové instrukce, historii, retrieval, nástroje a generovaný výstup v jedné požadavku nebo procese. Musí respektovat kontextové okno modelu, rezervu na odpověď a prípadné interní formáty. Rozpočet ovlivňuje náklady, latenci a kvalitu kontextu. Jeho překročení může vést k odmietnutiu, orezání skorších správ nebo strate podstatných důkazů. Rozpočet se testuje i při najdlhšej histórii, največšom retrieval výsledku a maximálnom povolenom výstupu.
Rozpoznávání entít
Entity recognition, často named entity recognition nebo NER, je úloha identifikovat v textu súvislé úseky, které označují entity, a přiřadit im kategorii, například osobu, organizaci, lokalitu, produkt nebo datum. Model rozhoduje o hranicích zmienky i její type. Tradičné NER obvykle vytváří neprekrývajúce se span-y a neurčuje, ku kterému konkrétnímu záznamu entita patří. Výkon závisí na anotovanej schémata, tokenizace, domény, jazyka a pravidel pro vnorené či nejednoznačné entity.
Rozpoznávání tváře
Face recognition je biometrické zpracování, při kterém se obraz tváře porovnává s referenčnou šablónou nebo databázou s cílem ověřit tvrdenou identitu, případně vyhladat kandidátů. Režim one-to-one rozhoduje, či dvě reprezentace patří té určité osobe. Režim one-to-many hledá najpodobnejšie záznamy v galérii. Systém zahrnuje detekci, kontrolu kvality, zarovnání, tvorbu biometrického vektora, výpočet podobnosti a prahové rozhodnutí. Provozní protokol musí rozlišovat automatický verdikt od seznamu kandidátů určeného člověku.
Rozpoznávání v otevřeném prostoru tříd
Open set recognition je klasifikační nastavení, ve kterém se během inference mohou objavit i třídy, které neboli zastúpené v tréninku. Model má správně rozpoznat známé třídy a zároveň odmítnout nebo označit neznámý vstup místo núteného přiřazení k najbližšej známej kategórii. Metody používají prahy skóre, modelování hranic tříd, prototypy, extrémně hodnoty nebo samostatné reprezentace neznáma. Hodnocení musí měřit kompromis mezi uzavretou klasifikací a detekcí neznámých při realistickej miere openness.
Rozšíření dotazu
Query expansion přidává nebo prevažuje termíny, entity či vektorové reprezentace s cílem najít relevantní dokumenty, které nepoužívají původní slova. Rozšíření může vycházet ze slovníka, znalostního grafu, embeddingů, používatelského profilu nebo pseudo-relevance feedbacku z prvních výsledků. Typicky zvyšuje recall, ale může způsobit query drift, když pridané významy odvedou hladání od původního záměru. Původná query, zdroj rozšíření a váhy se mají uchovat pro diagnostiku.
Rychlost učení
Learning rate je hyperparameter, který určuje měřítko aktualizace parametrů při optimalizaci. V najjednoduchšom gradientnom kroku násobí odhad gradientu před odčítáním od aktuálnych váh. Příliš vysoká hodnota může preskakovat minimum, rozkmitat ztrátu nebo způsobit divergenci, příliš nízká vede k pomalému postupu a může uviaznuť v nevhodnej oblasti. Efektivní velikost kroku závisí i od optimalizátora, batch size, normalizace, precision, gradient clippingu a škálování ztráty.
řídká pozornost
Sparse attention je mechanismus pozornosti, který nepočíta interakci mezi každou dvojicí tokenů, ale používá omezený vzor povolených spojení. Vzor může být lokální, blokový, dilatovaný, globální nebo dynamicky vybraný podle obsahu. Cílem je snížit časovou a pameťovou náročnost plnej pozornosti při dlouhých sekvenciách. Úspora není automatická, protože nepravidelná řídkost může být pro hardware neefektívna a nesprávný vzor může odstranit důležitou závislost. Maska riedkosti může být pevná pro architekturu nebo vypočítaná zvlášť pro každý vstup.
řízení AI
AI governance je soubor rozhodovacích právomocí, politík, rolí, procesů a kontrol, kterými organizace usmerňuje výběr, vývoj, nákup, používání, monitoring a ukončení AI systémů. Propojuje strategii, řízení rizik, právní soulad, bezpečnost, kvalitu dat a odpovědnost za výsledky. Účinná governance určuje, kdo může schválit případ použití, jaké důkazy jsou potřebné, kdo přijímá zvyškové riziko a jak se řeší incidenty či změny modelu. Governance má být primeraná riziku, ale musí zůstat preukázatelná, vykonatelná a previazaná s bežným riadením organizace.
řízení rizik AI
AI risk management je systematický proces identifikace, analýzy, prioritizace, ošetrování a průběžného sledování rizík spojených s návrhom, vývojom, nákupom a používáním AI systémů. Posuzuje pravděpodobnost a závažnost škody pro lidí, organizaci, spoločnost a životné prostředí. NIST AI RMF organizuje činnosti do funkcí Govern, Map, Measure a Manage. Řízení se vzťahuje na celý životní cyklus a zohladňuje i nejistotu a zvyškové riziko.
samoučení bez ručných anotací
Self-supervised learning je učení, při kterém se cílový signál vytvoří automaticky ze samotných neanotovaných dat. Model může predpovedat skryté části textu, další token, chybějící úsek obrazu nebo shodu mezi dvěma transformovanými pohladmi na ten jistý příklad. Takto se naučí obecné reprezentace, které se později prispůsobia konkrétní úloze. Označení self-supervised neznamená, že data jsou bez lidského původu, bez výběru nebo bez skrytých predsudků. Úspěch se hodnotí prenosom na downstream úlohy, ne pouze ztrátou použitej predúlohy.
samoučený model řečových reprezentací
Wav2Věc 2.0 je architektura na samoučení reprezentací řeči z neoznačeného zvuku. Konvolučný encoder mění waveform na latentnou sekvenci, ze které se části maskují, transformer vytváří kontextové reprezentace a kontrastný cíl rozlišuje správně kvantizované latentní cíle od negativních kandidátů. Po předtrénování se model dolaďuje na transkribovaných datech, často s CTC ztrátou. Název označuje rodinu checkpointů a tréninkový rámec, ne univerzální systém s stejným jazykem, licencí nebo přesností.
sdílení parametrů mezi výpočty
Weight sharing je návrhový princip, při kterém se ten jistý parameterový tenzor používá na více miestach výpočtového grafu. Konvoluční vrstva aplikuje společné jádro na různé prostorové pozice, rekurentní síť opakuje stejnou transformaci v časových krocích a některé viacvrstvové modely zdielají bloky napříč hlbkou. Sdílení snižuje počet volných parametrů a vnáša předpoklad, že stejná operace má být užitečná v různých kontextoch. Není totožné s weight tying, který obvykle označuje konkrétně vynucení rovnosti mezi dvěma pomenovanými maticami. Nevhodné sdílení může omezit kapacitu.
SDK na optimalizaci inference NVIDIA
Tensorrt je softvérová vývojová súprava společnosti NVIDIA na optimalizaci a provádění inference neuronových sítí na GPU NVIDIA. Importuje nebo zostavuje síť, vybírá implementace operátorů, spojuje vrstvy, optimalizuje paměť a může použít zníženou numerickou přesnost. Výsledkem je engine viazaný na podporovaný hardware, verzi knižníc a zvolené profily tvarů. Zrychlení není automatické, protože závisí na pokrytí operací, dávek a nákladů na presuny dat. Optimalizovaný engine se verzuje spolu s modelem, kalibračnými daty, profilmi tvarů a cílovou platformou.
sebapozornost
Self-attention je mechanismus, při kterém se každá pozíce sekvence porovnává s ostatnými pozicemi té určité sekvence a vytváří reprezentaci váženou podle jejich relevantnosti. Dopyty, klúče a hodnoty vznikají z stejného vstupu, ačkoli používají odlišné naučené projekce. Mechanismus zachycuje závislosti bez rekurentného prechodu token po tokene. Samotná attention vrstva však nepozná pořadí, proto transformery přidávají pozičnou informaci. Reziduální spojení a následné vrstvy dále mění informaci, kterou pozornost vytvořila.
segmentace anatomie nebo nálezů na röntgene
X-ray segmentation je pixelová nebo oblastná predikce hranic anatomických štruktúr, prístrojů nebo patologických nálezů na röntgenovej snímku. Výstup může být binární maska plúc, více tříd kostí, kontúra srdca nebo oblast infekce. Úloha je náročná pro projekčný charakter obrazu, prekrývání tkanív, slabý kontrast a variabilnou kvalitu anotací. Hodnocení používá Dice, Iou, citlivost hranic a klinicky relevantní měření. Vysoké překrytí nemusí zachytit malou kritickou léziu a maska nesmí automaticky slúžit jako diagnóza.
Segmentace bez tréninku na cílových třídách
Zero-shot segmentation vytváří pixelovou masku objektu nebo oblasti bez dolaďování modelu na anotovaných maskách konkrétní cílové třídy. Zadání může mít formu bodu, rámce, hrubej masky nebo textového opisu. Foundation model pro segmentaci využívá široké předtrénování na obecnou schopnost oddělit vizuální objekt od okolia. Označení zero-shot se musí uvádět s typem promptu, protože segmentace z presného boxu je jinak náročná než textové vyhladání neznámej kategorie.
Segmentace objektů pomocí modelů YOLO
YOLO segmentation je rozšíření detekčného modelu, které ku každému nájdenému objektu predikuje pixelovou masku jeho viditelnej oblasti. Nejčastěji jde o instance segmentation, kde samostatné objekty stejné třídy dostanou oddělené masky. Implementace může kombinovat prototypové masky s koeficientmi predikovanými pro každou detekci a následně masky škálovat na původní obraz. Kvalita se hodnotí maskovým map nebo Iou, ne pouze rámcovou přesností. Výsledek závisí na rozlišení maskovej větve a kvality anotovaných hranic.
Segmentace obrazu
Image segmentation rozděluje obraz na priestorovo súvislé oblasti nebo přiřazuje štítek jednotlivým pixelom. Sémantická segmentace označí všechny pixely stejné třídy bez rozlišení konkrétních kusů, instance segmentation oddeluje jednotlivé objekty a panoptická segmentace kombinuje objekty s plošnými kategoriemi pozadí. Model vytváří masku v rozlišení vstupu nebo ji dopočíta z hrubšej mapy příznaků. Přesnost hranic závisí na anotace, měřítka a předzpracování. V medicíne, mapování či kontrole výroby je třeba hodnotit nejen průměrný Iou, ale i malé struktury a důsledok vynechání.
sémantické vyhledávání
Semantic search je vyhledávání, které porovnává význam dotazu a dokumentů, ne pouze doslovnou shodu slov. Typický systém vytvoří embedding dotazu, najde nejbližší vektory dokumentů a výsledky může dále preusporiadat presnejším rerankerom. Dokáže najít synonyma a parafráze, ale může přehlédnout přesné identifikátory, negace nebo vzácné odborné výrazy. Produkční řešení proto často kombinují vektorové a lexikálne skórování. Indexování, filtrace metadát a oprávnění musí zůstat konzistentní s vektorovým retrievalem.
sémantický embedding
Semantic embedding je hustý číselný vektor vytvořený tak, aby vzdálenost nebo podobnost vektorů přibližně zodpovedala významové príbuznosti reprezentovaných objektů. Objektem může být slovo, věta, dokument, obraz, produkt nebo uživatel. Vektor vzniká embeddingovým modelem a jeho geometrie závisí na tréninkového cíle, dat a metriky podobnosti. Embedding neukladá význam jako slovníkovou definici a jeho souřadnice nemají samostatně stabilnou ludskou interpretaci. V produkci se sleduje i drift geometrie po výmene modelu nebo indexovaných dat.
Sequence-to-sequence model
Sequence-to-sequence model mapuje vstupnou sekvenci premenlivej délky na výstupnou sekvenci, která může mít jinou délku. Klasická architektura používá enkóder na reprezentaci vstupu a dekóder na postupné generování výstupu, často s attention mechanizmom. Používá se při preklade, sumarizaci, transkripcii nebo konverzii formátů. Trénink obvykle minimalizuje chybu dalšího tokenu, co samo sám o sobě nezaručuje globálnu správnost celé sekvence. Při hodnocení se kombinuje sekvenční metrika s kontrolou významu a kritických entít.
SHAP
SHAP je rodina metod vysvetlitelnosti, která přiřazuje vstupním vlastnostem příspěvky odvozené ze Shapleyho hodnot kooperatívnej teórie hier. Predikce se rozkladá na základnou hodnotu a součet príspevků vlastností pro konkrétní příklad. Výpočet presných hodnot je zpravidla drahý, proto implementace používají aproximace nebo algoritmy specializované pro typ modelu. Výsledek závisí i od volby referenčního rozdělení a způsobu práce se závislými vlastnostmi. Při publikování vysvětlení se uvádí verze modelu, pozadí a přesný SHAP explainer.
Shlukování metodou k-medoidů
K-medoids je zhlukovací přístup, ve kterém každý z k shluků reprezentuje medoid, tedy skutečný datový bod s minimálnou celkovou nepodobností vůči členom skupiny. Optimalizace vybírá reprezentantů a přiřazuje k nim ostatní body podle zvolené vzdálenosti. Na rozdíl od k-means nevyžaduje aritmetický průměr a může používat obecnou matici nepodobností, proto bývá robustnejší vůči extrémom, ale výpočetně náročnejší. Cílová funkce minimalizuje součet nepodobností k vybraným reprezentantom, ne rozptyl okolo průměru.
Shlukování metodou k-priemerů
K-means je centroidový zhlukovací algoritmus, který rozdělí n pozorování do k disjunktných skupin minimalizováním súčtu štvorců vzdáleností mezi body a centroidom jejich priradeného zhluku. Iteruje mezi priradením bodů k najbližšiemu centroidu a prepočtom centroidů jako aritmetických priemerů. Výsledek závisí na škálování příznaků, inicializace, zvoleného k a vhodnosti euklidovskej geometrie pro dané data. Konvergence znamená stabilní lokální výsledek, ne důkaz globálně najlepšieho rozdělení.
Schéma na popis a validaci JSON dat
JSON Schema je deklaratívny jazyk na popis struktury, typů, povolených hodnot a validačních omezení JSON inštancií. Klíčové slova definují objekty, vlastnosti, povinné pole, pole položek, číselné rozsahy, regulárne výrazy a kompozíci subschém. Dialekt se identifikuje přes $schema a opakovatelné definice přes $defs a $ref. V AI aplikacích schéma formalizuje výstup nástroje, payload API, konfiguraci pipeline nebo očekávaný strukturovaný výsledek modelu. Validná instance však nemusí být vecne správná a podpora jednotlivých draftů se liší mezi validátormi.
siamská neuronová síť
Siamese network je architektura s dvěma nebo více vetvami, které zdielají stejné parametry a prevádzají vstupy na srovnatelné reprezentace. Tréninková ztráta upravuje prostor tak, aby podobné páry měli blízké vektory a nepodobné páry byly oddělené. Používá se při overování identity, vyhledávání podobnosti, deduplikaci a few-shot klasifikaci. Výkon závisí na výběru pozitivních a negativních párů, metriky a strategie ťažby náročných příkladů. Učený prostor se má testovat i na identitách nebo třídách, které trénink vůbec neobsahoval.
sjednocený multimodální model
Unified multimodal model je systém, který zpracovává více modalit a více úloh v společném modelovom nebo tokenovom rámci místo samostatné sítě pro každou kombinaci vstupu a výstupu. Text, obraz, zvuk, video či strukturované signály převádí do kompatibilných reprezentací a používá společné parametry, rozhraní nebo dekóder. Sjednocení může podporit přenos znalostí a jednoduchšiu integraci, ale neznamená stejnou kvalitu v každé modalite. Klíčové jsou zarovnání, datová rovnováha a jasné evaluačné protokoly. Model card má uvádět podporované kombinace modalit, maximálne velikosti a kvalitu při chybějícím nebo poškodenom vstupe.
Skrytá vrstva
Hidden layer je vrstva neuronové sítě umiestnená mezi vstupnou a výstupnou vrstvou, které aktivace nejsou přímo zadanými daty ani konečnou predikcí. Transformuje predchádzajúcu reprezentaci pomocí váh, biasů a nelinearity, případně normalizace, pozornosti nebo reziduálneho spojení. Skladání skrytých vrstev umožňuje modelu vytvářet hierarchické příznaky a aproximovat složité funkce. Označení skrytá neznamená tajná ani nepozorovatelná, aktivace lze zaznamenat. Jejich význam však není automaticky ludsky interpretovatelný a jednotlivá jednotka nemusí odpovídat jedinému pojmu.
Skrytý Markovů model
Hidden Marků model je generativní pravděpodobnostní model sekvence, ve kterém pozorované hodnoty vznikají z nepozorovaných diskrétnych stavů. Stav v čase závisí podle Markovovho predpokladu pouze od předchozího stavu a každé pozorování závisí na aktuálního skrytého stavu. Model určují počáteční pravděpodobnosti, prechodová matice a emisné rozdělení. Forward algoritmus počítá pravděpodobnost pozorování, Viterbi hledá nejpravděpodobnější stavovou cestu a Baum-Welch odhaduje parametry bez známých stavů. Obmedzením je krátka paměť a pevný počet stavů.
slabý dohled při tvorbě tréninkových štítků
Weak supervision je způsob tvorby tréninkových štítků z lacnejších, nepresných nebo čiastočných zdrojů místo individuálneho ručného označení každého příkladu. Zdrojem mohou být pravidla, databázové vezby, heuristiky, existujúce modely, vzdálený dohled nebo lidské označení s různou spolahlivosťou. Programatické přístupy modelují přesnost a závislosti labelovacích funkcí a vytvářejí pravděpodobnostní štítky. Metoda zrýchluje pokrytí dat, ale chyby zdrojů, korelované pravidla a systematické slepé místa se mohou přenést do výsledného modelu.
sladění AI
AI alignment označuje úsilie zabezpečit, aby chování AI systému zodpovedalo zamýšlaným cílem, ludským hodnotám, pravidlám a obmedzeniam i v situacích, které neboli přesně opísané během vývoja. Zahrnuje správnou špecifikaci cíle, učení preferencií, odolnost vůči obchádzání pravidel, kontrolovatelnost a priebežné overování. Problém vzniká, když optimalizovaný ukazovatel pouze přibližně zastupuje skutečný záměr a systém najde neželaný způsob, jako ho maximalizovat.
sladění hodnot
Value alignment je míra, do jaké cíle, chování a důsledky AI systému odpovídají relevantným ludským hodnotám, právam, pravidlám a záměru uživatele v konkrétním kontextu. Problém zahrnuje formulaci cíle, získání preferencií, konflikt mezi zainteresovanými stranami, nejistotu o normách i kontrolu vedlajších účinků. Alignment není jednorazová vlastnost modelu ani synonymum poslušnosti. Systém může přesně plnit pokyn a přitom poškodit verejný záujem, menšinu nebo dlouhodobý cíl organizace.
Sladění ontológií
Ontology alignment je proces identifikace a vyjadrení korešpondencií mezi entitami dvou nebo více ontológií, například ekvivalence tříd, širšího nebo užšieho významu, kompatibilných vlastností či transformačného pravidla. Metody porovnávají názvy, definice, grafovou strukturu, inštance a externí znalosti. Výstupem bývá mapování se skóre istoty a typem vztahu, ne nevyhnutelně zlúčená ontologie. Nesprávná ekvivalence může přenést logické důsledky mezi systémy, proto se kritické mapování kontrolují doménovo a verziují.
slovník tokenů
Vocabulary v jazykovém modeli je konečná množina tokenů, kterým tokenizer přiřazuje celočíselné identifikátory a model embeddingové nebo výstupní parametry. Může obsahovat celé slova, subword jednotky, bajty, interpunkci a špeciálne tokeny. Je výsledkem algoritmu tokenizace, tréninkového korpusu, normalizace a pravidel pro coverage. Vocabulary neurčuje význam slov jako lexikografický slovník, ale základní symboly výpočtu. Změna pořadí nebo obsahu tokenů bez úpravy váh poškodí kompatibilitu checkpointu.
snížení počtu příkladů většinové třídy
Undersampling je postup, při kterém se z tréninkové množiny odstraní část příkladů, nejčastěji z většinové třídy, aby se změnil poměr tříd nebo znížila výpočetní záťaž. Výběr může být náhodný, založený na vzdálenosti, klastroch, hranici rozhodování nebo čištění prekrývajúcich se bodů. Metoda může zlepšit citlivost na minoritu, ale zároveň zahodit informatívne případy a skreslit prirodzené prevalence. Validační a testovací data se proto obvykle ponechávají v původním rozdělení. Použitý algoritmus, seed a identifikátory ponechaných riadků patří do reprodukovatelnej tréninkové stopy.
Softmax function
Softmax function převádí vektor reálných skóre na nezáporné hodnoty se součtem jedna tak, že exponuje jednotlivé logity a normalizuje jejich spoločným součtem. Používá se na vytvoření kategóriového rozdělení pro výběr třídy nebo dalšího tokenu. Je invariantná vůči pripočítání stejné konštanty ku všem logitom. Pro numerickou stabilitu se před exponenciací odčíta maximum. Výstup softmaxu nemusí být kalibrovanou pravděpodobností správnosti. Při extrémnych logitoch se implementace opiera o log-sum-exp trik a stabilní datové typy.
Součin Jacobiho matice s vektorem
Jacobian-vector product, JVP, je součin J_f(x)v, který vyjadřuje smerovou derivaci vektorovej funkce f v bodě x podél vektora v. Výpočet poskytne změnu všech výstupů při infinitesimálnej změně vstupu v zadanom smere bez potřeby materializovat celý Jacobian. JVP je prirodzeným primitívom forward-mode automatickej diferenciace a je výhodný, když je počet vstupních smerů menší než počet výstupů. Používá se při diferenciálnych rovniciach, meta-učení, implicitných modelech, odhadoch stůp a analýze lokální dynamiky sítě.
Sparse model
Sparse model je model, ve kterém je velká část parametrů, aktivací, expertů nebo spojení nulová či neaktívna pro daný výpočet. Řídkost může vzniknout pruningom, regularizací, top-k routováním nebo štruktúrovaným návrhom. Snižuje teoretický počet operací a velikost uložení, ale reálně zrychlení závisí na formy riedkosti a podpory hardwaru. Nestrukturovaná nuly se komprimují snazší, než se efektivně vykonávají na běžných akcelerátoroch. Řídkost se dokumentuje pro parametry i skutečně vykonané operace, protože tyto čísla se mohou lišit.
spekulativní dekódování
Speculative decoding je technika zrychlení autoregresívneho generování, při které menší nebo lacnejší draft model navrhne více tokenů a cílový model jejich ověří paralelně v jednom nebo menším počtu kroků. Pokud se použije správný akceptačný algoritmus, výsledné rozdělení může zůstat zhodné s bežným vzorkováním cílového modelu. Zrychlení závisí na ceny draftu, míry prijatia tokenů, hardwaru, délky návrhu a režimu dávkování. Měření musí oddělit čas do prvého tokenu, rychlost pokračování a chování při súbežných požiadavkách.
Společné pravděpodobnostní rozdělení
Joint distribution popisuje pravděpodobnost nebo hustotu všech kombinací hodnot dvou či více náhodných proměnných. Z ní lze marginalizací získat rozdělení jedné proměnné a podmienením rozdělení při známej hodnote jiné proměnné. Společné rozdělení zachycuje závislosti, které samostatné marginálne rozdělení neurčují. V AI se používá v generativních modelech, Bayesovských sítích, latentných modelech a při formulaci učení z párovaných dat. Při vysokém počtu proměnných se explicitní tabulka stává neúnosnou, proto se rozdělení faktorizuje nebo aproximuje.
Společné učení reprezentací
Joint representation learning je učení latentných znaků, které jsou současně informatívne pro více modalit, pohladů, domén nebo úloh. Model může vytvářet jeden zdielaný vektor, koordinované modality-specifické vektory nebo rozklad na společnou a súkromnou zložku. Cíle zahrnují korelaci, kontrastivně párování, rekonštrukci, predikci a regularizaci nezávislosti. Úspěch znamená prenositelnost a zachování relevantnej společné informace, ne pouze nízkou tréninkovou ztrátu. Nadmerné sladění může odstranit unikátny signál jedné modality nebo zosilnit společnou skratku.
Společné učení více cílů nebo komponentů
Joint learning je tréninková formulace, ve které se více souvisejících úloh, modalit nebo komponentů učí v jednom optimalizačnom probléme a zdiela část reprezentace nebo parametrů. Celková ztráta kombinuje jednotlivé cíle, případně obsahuje vezby mezi jejich výstupy. Společné učení může zlepšit dátovou efektívnost a induktívny přenos, pokud úlohy využívají kompatibilní znaky. Při konflikte gradientů nebo rozdielnych škálach strát však jedna úloha poškodzuje jinou. Návrh proto zahrnuje vážení cílů, sampling, architekturu sdílení a samostatné metriky pro každou úlohu.
Společné vektorové vnoření více modalit nebo pohladů
Joint embedding je reprezentace, ve které se objekty z různých modalit, domén nebo pohladů mapují do zdielaného vektorového prostoru tak, aby sémanticky související položky ležali blízko. Typickým příkladem jsou páry obrázek a text, uživatel a položka nebo otázka a odpověď. Enkodéry mohou být odlišné, ale tréninkový cíl zosúlaďuje jejich výstupy kontrastívnou, metrickou nebo predikčnou ztrátou. Geometrie prostoru umožňuje cross-modal retrieval a zero-shot přenos. Kvalita závisí na párování dat, negativních příkladů, normalizace a významu použitej vzdálenosti.
Společný trénink propojených modelových částí
Joint training je praktický tréninkový režim, ve kterém se parametry více modulů nebo cílů aktualizují v společném optimalizačnom cykle. Gradient může prechádzat přes celý složený systém, například retriever a generátor, enkóder a dekóder nebo více výstupných hláv. Režim se odlišuje od oddeleného předtrénování a následného zmrazení komponentů. Výhodou je přizpůsobení modulů spoločnému cielu, nevýhodou nestabilita, velké pameťové nároky a možnost, že jeden modul využije skratku na úkor druhého. Harmonogram může striedat fáze spoločných a samostatných aktualizací.
Spravedlnost AI
Fairness v AI je kontextová vlastnost systému, při které se zkoumá, či jeho návrh, data, rozhodovací pravidla a používání nevytvárají neodůvodnené nebo škodlivé rozdíly mezi jednotlivcami či skupinami. Neexistuje jedna univerzální matematická definice spravodlivosti. Požadavky mohou vycházet z rovnosti zaobchádzání, rovnosti príležitostí, proporcionality, procesnej spravodlivosti nebo právnych noriem. Posouzení proto spojuje statistické měření s analýzou dopadů a kontextu.
Stabilita vysvětlení AI
XAI stability vyjadřuje, do jaké míry vysvetlovace metoda poskytuje konzistentní výsledky při opakovaném výpočtu, podobných vstupech nebo porovnatelných verziách modelu. Stabilita se hodnotí vůči přesně určenej změně, například náhodnému seedu explaineru, bootstrapovej vzorku nebo malému posunu vstupu. Nevyžaduje absolutní shodu, ale přiměřenou kontinuitu vzhledem na změnu predikce. Vysoká stabilita sama nepreukazuje správnost ani kauzálnost vysvětlení.
stochastický gradientní sestup
Stochastic gradient descent je iteratívna optimalizačná metoda, která aktualizuje parametry pomocí gradientu ztráty vypočítaného z jednoho příkladu nebo malé náhodné dávky místo celého datasetu. Odhad gradientu je šumový, ale lacný a umožňuje škálovat učení na velké data. Rychlost učení, pořadí příkladů, velikost dávky, momentum a plánování kroku ovlivňují konvergenci. V hlbokom učení se název SGD často používá i pro mini-batch variant. Reprodukovatelnost vyžaduje zaznamenat seed, pořadí dávek, paralelizaci a přesnost výpočtu.
strojové odnaučení
Unlearning je soubor metod, kterých cílem je odstranit nebo podstatně omezit vliv určených tréninkových dat, uživatelů, tříd nebo znalostí z už natrénovaného modelu. Exact unlearning má vést k výsledku ekvivalentnému pretrénování bez odstránených dat, approximate unlearning hledá lacnejšiu aproximaci. Úspěch nelze posoudit pouze tím, že model přestane reprodukovat jeden text. Potřebné jsou testy členstva, memorování, výkonu, vedlajších škůd a opakovaného učení odstráneného obsahu. Požadavek na odstranění se váže na identifikátory dat, všechny derivované artefakty, modelové verze a důkaz provedení.
Strojové učení
Machine learning je oblast umělé inteligence, ve které se výpočetní systém učí pravidelnosti z dat, skúseností nebo zpětné vazby místo toho, aby byly všechny rozhodovací pravidla naprogramované ručně. Učení mění parametry, reprezentace nebo politiku systému tak, aby zlepšil výkon podle zvoleného cíle. Patří sem učení s učitelom, bez učitela, samoučení i posilované učení. Výsledek závisí na datové distribuce, cílové funkce, architektury, optimalizace a způsobu evaluace.
Strojové učení chrániace soukromí
Privacy-preserving machine learning zahrnuje techniky a procesy, které obmedzují odhalení osobních nebo citlivých informací během sběru dat, tréninku, inference, sdílení modelu a vyhodnocování. Patří sem diferenciálne soukromí, federated learning, secure aggregation, homomorfní šifrování, trusted execution environments, syntetická data a minimalizace příznaků. Každá technika chrání jiný povrch hrozby a přináší kompromis mezi přesností, výkonem, auditovatelností a zložitosťou. Ochrana modelu nenahrádza právní základ, účelové omezení ani řízení přístupu.
Strojový překlad
Machine translation je automatická transformace textu nebo řeči ze zdrojového jazyka do cílového jazyka při zachování významu, komunikačného záměru a primeranej jazykovej formy. Moderní systémy používají neuronové sekvenční nebo transformerové modely, často trénované na paralelných korpusoch a doplnené viacjazyčným predtréningom. Kvalita se neobmedzuje na slovnou shodu, zahrnuje terminologii, kontext, styl, pomenované entity, gramatiku a vhodnost pro konkrétní doménu.
Strojový překlad bez paralelných dat jazykového páru
Zero-resource machine translation označuje překlad mezi zdrojovým a cielovým jazykem bez přímého paralelného korpusu pro daný jazykový pár. Systém může využit pivotný jazyk, vícejazyčný model, monolingválne korpusy, spetný překlad, společný subword prostor nebo lexikálne zarovnání. V prísnom zero-resource nastavení neexistují párové věty pro cílovou dvojicu, ale model stále využívá data v jednotlivých jazycích nebo v jiných pároch. Kvalitu omezuje doména, písmo, typologická vzdálenost a nerovnováha zdrojů.
strukturovaný výstup
Structured output je výstup generativního modelu, který musí odpovídat předem určenému strojovo čitatelnému formátu, například JSON objektu, XML dokumentu, tabulke nebo volání nástroje. Soulad lze podporit promptem, následným parserom nebo vynutit constrained decodingom podle gramatiky či schémata. Syntaktická validita nepotvrdzuje faktickou správnost ani oprávnenost hodnoty. Produkční systém proto zvlášť ověřuje schéma, typy, rozsahy, vezby a doménové pravidla. Verze schémata je součástí API kontraktu a změna povinného pola může být nekompatibilná.
syntetická data
Synthetic data jsou uměle vytvořené záznamy, obrazy, texty, signály nebo scénáře, které napodobňují vybrané vlastnosti reálných dat nebo vznikají ze simulace. Používají se na rozšíření vzácných tříd, testování, ochranu soukromí a trénink v situacích, kde reálně data chýbají. Syntetickosť sama sám o sobě nezaručuje anonymitu, reprezentatívnost ani absenci autorských a licenčných problémů. Hodnotí se užitečnost, podobnost distribúcií, memorování a riziko úniku. Důležitý je i podíl syntetických příkladů, protože příliš mnoho generovaných dat může zúžiť variabilitu.
syntéza řeči z textu
Text-to-speech je technologie, která mění text na zvukový signál řeči. Typický systém zpracuje text, určí výslovnost, rytmus a intonaci, vytvoří akustickou reprezentaci a vocoderom ji převede na zvuk. Neuronové modely mohou napodobnit konkrétní hlas nebo riadit styl prejavu. Kvalita se neposudzuje pouze prirodzeností, ale i zrozumitelností, správnou výslovností mien a čísel, stabilitou dlhého textu, latencí a oprávnením používat hlasový profil. Hlasový model se testuje zvlášť na skratkách, jednotkách, adresách, cudzích menách a dlouhých číselných reťazcoch.
systémový prompt
System prompt je nadradená inštrukčná vrstva od poskytovatela nebo prevádzkovatela aplikace, která nastavuje rolu, pravidla, hranice, dostupné nástroje a očekávaný způsob chování jazykového modelu. V chatových rozhraniach bývá oddelená od používatelského vstupu a má vyšší prioritu podle konkrétní hierarchie správ. Není bezpečnostnou hranicou sama sám o sobě, protože může být neúplná, konfliktne navržená nebo obchádzaná nepriamou inštrukcí z externího obsahu. Jeho verze musí být součástí logu a evaluačného výsledku, aby se chování dalo spetne vysvetlit.
škálovací zákon
Scaling law je empirický vztah opisujúci, jak se chyba nebo jiná metrika modelu mění s velikostí modelu, množstvím tréninkových dat a výpočtovým rozpočtom. V jazykových modelech se často pozorují přibližné mocninové závislosti v určitém rozsahu experimentů. Zákon není univerzálnou zárukou rastu schopností. Platí pro konkrétní architekturu, datový režim, optimalizaci a metriku a může se porušit při nedostatku kvalitných dat nebo změně úlohy. Samostatně se ověřuje, či pokles ztráty přináší zlepšení používatelsky důležitých schopností.
škálovaná pozornost skalárním součinem
Scaled dot-product attention počítá shodu mezi dotazy Q a klúčmi K pomocí skalárnych súčinů, výsledky dělí odmocninou rozmeru klúča a po aplikaci softmaxu nimi váží hodnoty V. Škálování omezuje příliš velké skóre při vysokém rozmere, které by nasýtilo softmax a zhoršilo gradienty. Mechanismus může používat masku, například na zákaz pohledu na budoucí tokeny. Je základným výpočtom mnoha transformerových architektúr. Při multi-head variantě se tento výpočet opakuje v několika projekčných podpriestoroch.
Šum v cílových štítcích
Label noise označuje nesúlad mezi zaznamenaným cielovým štítkem a latentným nebo zamýšlaným cílem úlohy. Chyby mohou být náhodné, triedovo asymetrické nebo závislé od konkrétní vzorku, například když jsou hraniční případy častěji označené nesprávně. Zdrojem bývá nejednoznačné zadání, automatické slabé označování, chyba měření, změna taxonomie nebo rozdílně úsudky anotátorů. Hluboké sítě dokážu nesprávně labely memorovat, proto je třeba sledovat čistotu dat i robustnost tréninku.
Tabulka Q-hodnot
Q-table je explicitní tabulková reprezentace akčnej hodnotovej funkce pro konečný nebo diskretizovaný prostor stavů a akcií. Řádek obvykle odpovídá stavu, sloupec akcii a bunka obsahuje odhad očekávaného návratu. Hodnoty se aktualizují při učení, například pravidlem Q-learningu. Tabulka umožňuje přímou kontrolu a reprodukci, ale její velikost roste součinem počtu stavů a akcií. Neposkytuje prirodzenou generalizaci mezi podobnými stavmi.
tabulkové data
Tabular data jsou údaje usporiadané do riadků a stlpců, kde řádek obvykle představuje pozorování a sloupec konkrétní vlastnost. Sloupce mohou obsahovat čísla, kategorie, dátumy, textové identifikátory nebo chybějící hodnoty. Při strojovém učení je rozhodujúca sémantika stlpců, jednotky, čas vzniku a pravidla výběru riadků. Samotná obdlžniková forma nezaručuje nezávislost záznamů ani vhodnost náhodného dělení dat. Při auditu se kontroluje i granularita riadka, aby jeden záznam nepredstavoval raz osobu a inokedy událost.
tensorový paralelismus
Tensor parallelism rozděluje výpočet jedné vrstvy a její parametry mezi více akcelerátorů, typicky delením matic po riadkoch nebo stlpcoch. Každé zařízení zpracuje pouze část násobení, po které nasleduje kolektívna komunikace na sestavení výsledku. Umožňuje prevádzkovat model, kterého vrstvy se nezmestia na jeden čip, ale přidává synchronizaci a závisí na rychlé prepojovacej sítě. Liší se od data parallelismu, kde každé zařízení drží kopii modelu. Plán dělení se optimalizuje spolu s velikostí sítě, sekvencí a topológiou propojení mezi zariadeniami.
teplota pravděpodobnostního rozdělení
Temperature je kladný parameter, který před softmaxom škáluje logity modelu a tím mění ostrosť výsledného pravděpodobnostního rozdělení. Hodnota menší než jedna zvýrazní rozdíly mezi kandidátmi, vyšší hodnota rozdělení sploští. Při generování ovlivňuje variabilitu vzorkování, ne množství vedomostí ani pravdivost modelu. Při kalibraci se temperature scaling používá jako naučená transformace logits na validačních datech, co je odlišný účel od kreatívneho dekódování. Hodnota parametru se uvádí spolu s modelem, seedom a ostatnými logits procesormi, jinak experiment nelze zopakovat.
Text generation
Text generation je proces vytvárání textové sekvence modelem na základě vstupního kontextu, skrytého stavu nebo jiné podmínky. Autoregresivní model odhaduje další token a opakuje tento krok až po stop podmínku, limit nebo ukončovací token. Výsledek ovlivňuje prompt, kontext, dekódovace strategie, náhodnost a omezení výstupu. Plynulosť nepreukazuje pravdivost, úplnost ani soulad s požadovaným formátem, proto generování potřebuje samostatnou validaci. Evaluační protokol má odlišovat kvalitu obsahu, dodržání instrukce, formát a bezpečnostní chování.
Text-to-image model
Text-to-image model generuje obraz podmíněný textovým popisem, případně ďalšími vstupmi, jako jsou maska, referenční obraz nebo štýlové parametry. Moderní systémy často kombinují textový encoder s difúznym nebo autoregresívnym generátorom a pracují v pixelovom či latentním prostoru. Text neurčuje jednoznačný obraz, proto výstup závisí na náhodného šumu a tréninkového rozdělení. Model může nesprávně zobrazit počet objektů, text v obraze, prostorové vztahy nebo identitu. Při reprodukcii se eviduje seed, model, sampler, počet kroků, rozlišení a všechny podmienkové vstupy.
Textový nebo multimodální korpus
Corpus je systematicky zhromaždená kolekce jazykových nebo multimodálnych dat určená na výzkum, trénink, evaluaci nebo vyhledávání. Může obsahovat dokumenty, prepisy řeči, dialógy, anotace, obrázky s popismi a metadata o původe, jazyku, čase a licencii. Korpus není pouze priečinok souborů, jeho použitelnost závisí na kritérií výběru, reprezentativnosti, deduplikace, kvality anotací a dokumentace. Stejný obsah může být vhodný pro fulltext, ale nevhodný na trénink modelu pro právně, súkromné nebo metodické omezení.
tokenizér
Tokenizer je komponenta, který normalizuje a segmentuje text na tokeny, mapuje jejich na identifikátory a vytváří pomocné údaje, například attention masku, offsety nebo špeciálne tokeny. Jeho slovník a algoritmus, například BPE, Wordpiece, Unigram nebo bajtové kódování, jsou součástí modelového kontraktu. Tokenizer ovlivňuje délku sekvence, zpracování jazyků, hranice slov a zpětné dekódování. Nekompatibilný tokenizer může zcela znehodnotit modelové váhy. Verze tokenizéra, normalizačné pravidla a soubory slovníka patří do stejného artefaktu jako modelové váhy.
TPU, specializovaný akcelerátor Google
Tensor Processing Unit je aplikačne špecifický integrovaný obvod navržený spoločností Google na zrychlení úloh strojového učení, zejména rozsáhlých maticových operací. TPU systémy spojují výpočetní jednotky, vysokorýchlostnou paměť a prepojovaci síť do konfigurací pro trénink i inferenci. Výkon závisí na podporovaných operací, datových typů, tvarů tensorů a kompilace grafu. TPU není všeobecná náhrada CPU nebo GPU pro každý algoritmus. Výkonové tvrzení se mají viazat na konkrétní generaci TPU, přesnost, framework a velikost úlohy.
transformer pro počítačové vidění
Vision Transformer, Vit, zpracovává obraz jako sekvenci patchů. Každý patch se lineární mapuje na token, doplní se pozičná informace a série transformerových bloků používá self-attention na modelování vztahů mezi oblasťami. Původní Vit dosiahol silný výkon při velkém předtrénování, ale měl menší zabudovaný priestorový bias než CNN. Moderní varianty mění velikost patchů, hierarchiu, lokálně okna nebo token pooling. Výpočetní náročnost attention roste s počtem vizuálnych tokenů, tedy i s rozlíšením.
transformerová neuronová architektura
Transformer je neuronová architektura založená na attention mechanizmoch, pozičnej informaci, dopredných blokoch, reziduálnych spojeniach a normalizaci. Zpracovává vztahy mezi pozicemi bez rekurence a umožňuje paralelní trénink sekvencí. Může mít encoder, decoder nebo obě části a používá se pro text, obraz, zvuk i multimodální data. Štandardná self-attention má kvadratické nároky podle délky sekvence, proto dlouhý kontext vyžaduje velkou paměť nebo upravené attention metody. Konkrétní transformer se popisuje počtem vrstev, skrytým rozmerom, typem attention, pozičným kódováním a kontextem.
Trénink se simulovanou kvantizací
Quantization-aware training, zkráceně QAT, simuluje numerické účinky budúcej kvantizace během tréninku nebo dolaďování. Do výpočtového grafu vkladá fake-quantization operace, které zaokrúhlují a orezávají hodnoty jako nízkobitová aritmetika, ale gradienty se prenášají aproximovaným způsobem. Model se tak může přizpůsobit chybám kvantizace dříve, než se exportuje do skutečného integer formátu. QAT nezaručuje zrychlení a podporované vrstvy, rozsahy i formát musí odpovídat cielovému backendu.
tréninková data
Training data jsou příklady použité na odhad parametrů modelu nebo na přizpůsobení jeho chování. Mohou obsahovat vstupy, štítky, preference, páry otázka a odpověď, simulace nebo neoznačený obsah pro self-supervised učení. Jejich význam určuje nejen objem, ale i původ, licence, reprezentatívnost, kvalita anotace, časové období a způsob vzorkování. Tréninková data musí zůstat oddělené od validačních a testovacích dat, jinak se výkon nadhodnotí. Verze datasetu se váže na konkrétní tréninkový běh a obsahuje seznam vylúčení, oprav a známých medzier.
tréninková ztrátová funkce a její hodnota
Training loss je hodnota cílové funkce vypočítaná na tréninkových příkladech, kterou optimalizátor používá na aktualizaci parametrů. Může být průměrem cross-entropy, regresnej chyby, kontrastívnej ztráty nebo kombinace více členů a regularizací. Pokles tréninkové ztráty znamená lépe přizpůsobení použitým datům podle zvoleného cíle, ne automaticky lepší výkon na nových datech. Interpretace vyžaduje validační ztrátu, škálu, způsob agregace a složení dávek. Graf ztráty se interpretuje spolu s learning rate, gradient normou, priepustností a validačnými checkpointmi.
Tvorba a úprava vstupních vlastností
Feature engineering je proces navrhování, transformace a kódování vstupních vlastností tak, aby reprezentace údajů zodpovedala modelu a riešenej úloze. Zahrnuje například škálování, logaritmické transformace, časové okna, agregace, kategóriové kódování, interakce a doménové ukazovatele. Postup se musí učit pouze z tréninkové části a následně aplikovat identicky na validaci i produkci. Důležité jsou verzování, časová korektnost, reprodukovatelnost a ochrana před leakage.
Tvrdá pozornost
Hard attention je mechanismus, který z množiny možných částí vstupu vybere jednu položku nebo malý diskrétní podmnožinový výrez a další výpočet provede pouze nad ním. Na rozdíl od mekkej pozornosti nevytváří vážený průměr všech prvků. Diskrétní výběr může snížit výpočetní náklady a přinést zrozumitelnou stopu zamerání, ale operace výběru zpravidla není přímo diferencovatelná. Trénink proto používá odhady gradientu, reinforcement learning, Gumbel-Softmax nebo jinou relaxaci. Zvolená oblast nemusí představovat úplné kauzální vysvětlení predikce.
učení bez cílových štítků
Unsupervised learning je učení modelu z dat bez explicitně poskytnutej cílové proměnné pro každý příklad. Algoritmus hledá strukturu podle vlastného cíle, například minimalizuje rekonštrukčnou chybu, zoskupuje podobné body, odhaduje hustotu nebo učí latentnou reprezentaci. Výsledné zhluky a osi nemají automaticky lidský význam ani správný počet kategorií. Hodnocení proto používá stabilitu, interní kritéria, rekonštrukci, downstream úlohy a odbornou interpretaci, ne klasickou accuracy bez referenčních štítků. Výstup se musí porovnat s jednoduchými alternatívami, protože zložitá latentní mapa nemusí přinést lépe rozhodnutí.
Učení metriky
Metric learning je učení reprezentace nebo vzdialenostnej funkce tak, aby geometrická blízkost zodpovedala požadované sémantickej podobnosti. Trénink využívá páry, trojice nebo skupiny příkladů a ztráty, které priťahují související vzorku a oddelují nesúvisiace. Výsledkem může být lineární Mahalanobisova metrika nebo neuronový embedding. Úspěch závisí na strategie výběru pozitivních a negativních příkladů, definice podobnosti, normalizace vektorů a evaluace na nových identitách či třídách.
Učení operátorů
Operator learning je oblast strojového učení, která aproximuje mapování mezi funkčnými priestormi, tedy operátor, místo mapování konečne rozmerného vektora na jiný vektor. Vstupem může být celé pole počiatočných podmínek, koeficientů nebo zdrojů a výstupem řešení diferenciálnej rovnice jako funkce prostoru a času. Architektury jako Deeponet nebo Fourier Neural Operator se učí rodinu řešení napříč mnohými inštanciami problému. Generalizace závisí na diskretizace, pokrytí funkcí, fyzikálnych omezení a stability mimo tréninkového rozsahu.
Učení podle kurikula
Curriculum learning je tréninková strategie, při které se pořadí nebo výběr příkladů mění od jednodušších či spolehlivějších k náročnějším, podobně jako učební kurikulum. Obtížnost může určit člověk, heuristika nebo model a plán může měnit data, úlohy, šum či délku sekvence. Cílem je zlepšit optimalizaci, rychlost nebo generalizaci tím, že model nejprve získá stabilní reprezentace. Nesprávně kurikulum může vytvořit bias, opozdit důležité hraniční případy nebo vést k zapomenutí, proto se porovnává s náhodným pořadím.
Učení reprezentací
Representation learning je učení transformace, která převádí surová data na interní příznaky nebo embeddingy vhodné pro jednu či více následných úloh. Reprezentace může vzniknout supervised, self-supervised, unsupervised nebo kontrastívnym tréninkem. Dobrá reprezentace zachycuje relevantní faktory variability, potláča rušivé změny a umožňuje jednoduchšiemu downstream modelu využit informaci s menším množstvím labelů. Kvalita však závisí na cílové úlohy, datové distribuce a toho, které invariance trénink podporil.
Učení s chybnými anotacemi
Noisy label learning zkoumá trénink modelů v situaci, když část cílových označení je nesprávná, nejednoznačná nebo nekonzistentná. Šum může být náhodný, závislý od skutečné třídy, vstupu, anotátora nebo zberového procesu. Metody využívají robustní ztráty, odhad prechodovej matice, výběr malých strát, co-teaching, korekci labelů nebo semi-supervised učení. Klíčové je rozlíšit chybné označení od ťažkého, ale legitímneho příkladu, jinak čištění odstraní důležitou hranici rozhodování.
Učení s nulovým počtem příkladů cílové třídy
Zero-shot learning je rámec, ve kterém model během tréninku nedostane označené příklady jedné nebo více cílových tříd, ale při inferenci jejich má rozpoznat pomocí pomocnej sémantickej informace. Tou mohou být atributy, textové opisy, názvy tříd, znalostní graf nebo společný embedding. Klasické nastavení oddeluje seen a unseen třídy, generalizované nastavení testuje obě skupiny najednou. Úspěch závisí na kvality sémantického mosta a od omezení biasu směrem k známym triedam.
učení s referenčním předchozím tokenom
Teacher forcing je tréninkový postup pro autoregresivní dekóder, při kterém model při predikci dalšího kroku dostává jako předchozí vstup správný referenční token, ne vlastní skoršiu predikci. Ulahčuje optimalizaci a umožňuje paralelnejšie zpracování cílové sekvence. Vzniká však rozdíl mezi tréninkem a inferencí, protože při nasazení model pokračuje z vlastních výstupů. Skorá chyba se potom může kumulovat způsobem, který během tréninku nezažil. Poměr referenčních a modelových tokenů je součástí tréninkového protokolu a musí být reprodukovatelný.
Učení z časového rozdílu
Temporal-difference learning, zkráceně TD learning, aktualizuje odhad hodnoty ze súčtu okamžitej odměny a diskontovaného odhadu nasledujúceho stavu. Rozdíl mezi týmto bootstrapovým cílem a aktuálnym odhadom se nazýva TD error. Metoda se může učit po každém kroku bez čakání na koniec epizódy a tvoří základ algoritmů SARSA, Q-learning a actor-critic. Protože cíl sám závisí na odhadu modelu, kombinace aproximace funkce, off-policy dat a agresívnych aktualizací může vést k nestabilite.
Učení z jednoho příkladu
One-shot learning je nastavení, ve kterém má model rozpoznat nebo osvojit novou třídu, objekt či úlohu z jedinej označenej ukázky na třídu, přičemž využívá reprezentaci naučenou z jiných dat. Běžné přístupy používají metrické učení, prototypy, siamské sítě, generativní rozšíření nebo silný předtrénovaný model. Nejde o trénink komplexného modelu od nuly na jednom zázname. Hodnocení musí oddělit třídy použité na metaučení od nových tříd a opakovat epizódy s různými support a query příklady.
Učení z kontextu
In-context learning je schopnost modelu přizpůsobit svoje chování na základě instrukce a příkladů vložených přímo do aktuálního vstupu bez aktualizace parametrů. Prompt může obsahovat popis úlohy, několik dvojic vstup a výstup, formát odpovědi nebo pracovní pravidla. Model využije vzory naučené během předtrénování a v rámci kontextového okna odhadne požadované zobrazení. Nejde o trvalé doučení, proto se informace po skončení požadavky sama nezapíše do váh. Výsledek je citlivý na výběr příkladů, jejich pořadí, formulaci, konflikty a délku kontextu. Schopnost může napodobňovat učení, ačkoli mechanismus zůstává inferenční.
Učení z malého počtu příkladů
Few-shot learning je rodina postupů, kterých cílem je zvládnout novou třídu nebo úlohu z malého počtu označených příkladů. V klasickém ML může využívat meta-learning, metric learning, prototypové reprezentace nebo přenos z předtrénovaného modelu. Při generativních modelech se výraz často používá i pro few-shot prompting, kde se několik demonštrací vloží do kontextu bez aktualizace parametrů. Výsledek závisí na podobnosti úloh, výběru příkladů, pořadí a pokrytí variant.
učení ze slabých anotací
Weakly supervised learning je širší třída metod, které trénují model z neúplných, nepresných nebo hrubých anotací místo plne spolahlivých štítků požadovaných cílovou úlohou. Slabost může znamenat šum v třídách, pouze obrazové štítky při požadované segmentaci, částečně označené příklady, párové omezení nebo nepresnou lokalizaci. Algoritmus využívá strukturu dat, regularizaci, latentní proměnné nebo pomocné úlohy na odvození detailnejšieho cíle. Výkon závisí na mechanizmu chyb a od toho, zda je slabý signál identifikovatelný.
ukotvení odpovědi ve webových zdrojích
Web grounding je proces, při kterém generativní systém získává aktuálně nebo overitelné informace z webových zdrojů a váže na ne tvrzení ve výstupu. Pipeline zahrnuje formulaci dotazu, retrieval, výběr stránok, extrakci relevantních pasáží, posouzení důveryhodnosti, syntézu a citování. Ukotvení snižuje závislost od parametrových znalostí, ale nezaručuje pravdivost, protože web může být chybný, zastaraný nebo manipulovaný. Kvalita se hodnotí podle podpory tvrzení, aktuálnosti, pokrytí a přesnosti atribuce.
Ukotvení ve důkazoch
Evidence grounding je vlastnost nebo návrhový postup, při kterém mají faktické tvrzení generovaného výstupu oporu v explicitně dostupných zdrojích, datech nebo pozorovaniach. V RAG systéme zahrnuje získání relevantních pasáží, jejich poskytnutie modelu, omezení odpovědi na podporovaný obsah a ověření vezby mezi tvrdením a důkazem. Samotné pripojení citace grounding nezaručuje, protože zdroj může být nerelevantný nebo tvrzení podporovat pouze částečně. Hodnotí se na úrovni jednotlivých claimů.
Ukotvení výstupu
Grounding je naviazání výstupu AI na konkrétní ověřitelný kontext, autoritatívne data, nástroj nebo stav prostředí. V generativních systémech se realizuje například retrievalem dokumentů, citacemi, databázovým dotazom, voláním funkce nebo obmedzením odpovědi na poskytnuté důkazy. Cílem je snížit nepodložené tvrzení a zabezpečit aktuálnost či doménovou přesnost. Grounding však není záruka pravdy. Zdroj může být nesprávný, neaktuálny nebo špatně interpretovaný a model může citovat text, který jeho závěr v skutečnosti nepodporuje.
Úložiště a správa vstupních vlastností
Feature store je infraštruktúrna vrstva na definování, výpočet, katalogizaci, verziování a poskytování features pro trénink i online inferenci. Obvykle propojuje offline store s historickými hodnotami, online store s nízkou latencí, registry metadát a materializačné procesy. Klúčovou funkcí je časovo korektné sestavení tréninkových dat a konzistentná implementace té určité feature v produkci. Feature store nerieši automaticky kvalitu, oprávnenost ani význam údajů.
UMAP
UMAP je nelineárna metoda redukce rozměrnosti založená na aproximaci lokální varietnej struktury dat a její reprezentaci pomocí váženého grafu susedností. Nejprve odhaduje lokálně vztahy ve vysokém rozmere, potom optimalizuje nízkorozmerné uložení tak, aby podobné body zostali blízko. Parametry n_neighbors a min_dist riadia kompromis mezi lokálnymi zhlukmi a širšou strukturou. Výsledná mapa je užitečná, ale vzdálenosti a velikosti shluků se nesmějí interpretovat jako přesné měření původního prostoru. Reprodukovatelnost vyžaduje uložit metriku, seed, počet sousedů, minimálnu vzdálenost i verzi implementace.
Umělá inteligence na okraji sítě
Edge AI označuje provádění AI funkcí na zařízení nebo na výpočtovém uzle blízko místa, kde data vznikají, místo výlučného odosielání do vzdialeného cloudu. Může jít o lokální inferenci, priebežnou adaptaci nebo část distribuovaného tréninku. Návrh musí zohladnit omezený výkon, paměť, spotrebu, teplotu, konektivitu a bezpečné aktualizace. Přínosem bývá nižší latence, menší objem prenášaných dat a schopnost fungovat i při prerušení sítě. Nasazení musí mít i fallback pro překročení lokálních limitů.
Uncertainty estimation
Uncertainty estimation je výpočet skóre, rozdělení, intervalu nebo souboru scenárů, které vyjadrují, nakolko je konkrétní predikce neistá. Může oddělovat aleatorickou nejistotu vyplývajúcu z variability pozorování od epistemickej nejistoty spůsobenej obmedzenými znalosťami modelu. Používají se ensemble modely, Bayesovské aproximace, Monte Carlo dropout, kvantilová regrese nebo konformná predikce. Odhad musí být validovaný podle pokrytí a chování mimo tréninkové distribuce. Produkční záznam má uchovat i verzi metody nejistoty, protože stejná predikce může mít po migraci jiný interval.
unigramový pravděpodobnostní model segmentace
Unigram language model v tokenizaci předpokládá, že text vzniká postupností subword jednotek, z kterých každá má vlastní pravděpodobnost nezávislou od sousedů. Trénink začíná velkým kandidátskym slovníkem a opakovaně odstraňuje jednotky s malým přínosem k pravděpodobnosti korpusu, zatímco nedosiahne cílovou velikost. Jedna věta může mít více platných segmentací a algoritmus vybere nejpravděpodobnější nebo vzorkuje alternativy. Nejde o klasický n-gram model dalšího slova. Tokenizačný model se verzuje spolu s normalizací a slovníkem, protože změna segmentace mění všechny vstupy neuronové sítě.
Únik cílové informace
Label leakage vzniká, když se informace o cílovém výsledku dostane do vstupních příznaků, procesu předzpracování nebo dělení dat způsobem, který nebude dostupný v okamihu reálné predikce. Může jít o přímý identifikátor výsledku, údaj vytvořený po události, agregaci vypočítanou i z validační množiny nebo proxy proměnnou tak tesne previazanou s labelom, že obchádza zamýšlanou úlohu. Leakage vede k nadhodnoteným metrikám a často se prejaví až prudkým poklesom výkonu po nasazení.
Únik promptu nebo skrytého kontextu
Prompt leakage je nechcené odhalení systémového promptu, skrytých instrukcí, interného kontextu, příkladů, nástrojových schém nebo citlivých údajů vložených do kontextového okna. Může vzniknout explicitným útokům na prompt extraction, nepriamou otázkou, chybou v logování, debug výstupem nebo tím, že model reprodukuje obsah, který měl pouze použít. Systémový prompt nelze považovat za bezpečný trezor, proto v ňom nemají být heslá ani dlhodobé tajemství. Ochrana zahrnuje minimalizaci kontextu, oddělené secret storage, redakci výstupů, access control a testování extrakce.
univerzální adversariální perturbace
Universal adversarial perturbation je jediný malý vzor úpravy vstupu, který po pridaní k velkému podielu různých příkladů spůsobí chybnou predikci modelu. Na rozdíl od útoku optimalizovaného pro jeden obraz se perturbace učí tak, aby fungovala napříč datasetem nebo třídami. Může odhalit společné zranitelné směry rozhodovací hranice. Úspěšnost závisí na normového omezení, modelu, dat a transferu mezi architektúrami. Vizuální nenápadnost neznamená fyzickou realizovatelnost ani stejný dopad v produkci. Bezpečnostní report musí rozlíšit digitální útok, transformovaný vstup a fyzický experiment na reálném senzore.
univerzální encoder vět
Universal Sentence Encoder je rodina predtrénovaných modelů společnosti Google, které mapují věty nebo kratšie texty do pevných hustých vektorů určených pro přenos mezi NLP úlohami. Původní varianty využívali transformer nebo Deep Averaging Network a učili se na kombinaci konverzačních, inferenčných a dalších jazykových cílů. Vektory lze použít na podobnost, klasifikaci, shlukování nebo retrieval bez tréninku velkého encoderu od nuly. Označení universal neznamená stejnou kvalitu pro každý jazyk, doménu a délku textu. Model, modul, normalizace a způsob dávkování se ukladají jako jedna verzovaná embeddingová pipeline.
útlm váh během optimalizace
Weight decay je mechanismus, který při každém optimalizačnom kroku zmenšuje vybrané parametry směrem k nule. Při klasickém SGD je často algebraicky ekvivalentný L2 penalizaci pridanej k strate, ale při adaptívnych optimalizátoroch se tyto formulace mohou správat rozdílně. Adamw oddeluje útlm parametrů od gradientovej aktualizace. Cílem je omezit nekontrolovaný rast váh a podporit jednodušší řešení, ne automaticky vytvořit riedky model. Koeficient je třeba volit spolu s learning rate, plánom tréninku a výnimkami pro zkreslení nebo normalizačné parametry.
útok s úplnou znalostí cílového modelu
White-box attack je adversariální útok, při kterém útočník pozná nebo může přímo používat vnitřní informace cílového systému, například architekturu, parametry, gradienty, tréninkový postup nebo obranné mechanizmy. Tato znalost umožňuje optimalizovat vstup, poisoning strategii nebo extrakčný cíl přímo vůči modelu. V evasion scenári se často počítá gradient ztráty podle vstupu a hledá se perturbace v povolenom prostoru. White-box označuje úroveň znalosti a přístupu, ne konkrétní algoritmus ani automaticky najsilnejší realistický útok. Hodnocení musí uvést normu, rozpočet, počet kroků a adaptaci na obranu.
Útok se zadními vrátky
Backdoor attack je útok, při kterém útočník spůsobí, že model reaguje neželaným, předem určeným způsobem pouze při výskyte konkrétního spúšťača. Spúšťač může být obrazový vzor, fráza, token, vlastnost souboru nebo jiný signál, který se při běžném testování nemusí objavit. Zadné vrátka se často implantují otravou tréninkových dat, zásahom do modelu nebo kompromitovanou dodávatelskou reťazou. Bez spúšťača může model působit přesně a bezpečně, co ztěžuje detekci.
Útok zaměřený na obejití omezení modelu
Jailbreak attack je záměrně sestavený přímý promptingový útok, kterého cílem je prinútit generativní model porušit bezpečnostní nebo behaviorálnu politiku. Útočník může používat role-play, transformace textu, tokenové obfuskace, více-krokové rozkladání úlohy, konfliktní instrukce nebo optimalizované sufixy. Útok se hodnotí podle cíle, znalosti systému, rozpočtu dotazů, prenositelnosti a dosiahnutého porušení. Při autorizovanom red teamingu jde o test, při neoprávnenom použití o bezpečnostní hrozbu.
úzká nebo slabá umělá inteligence
Weak AI je neformálne označení systému navrhnutého na omezený soubor úloh bez tvrzení, že disponuje všeobecným porozumením, vědomím nebo ludskou šírkou kognitívnych schopností. Pojem se často používá jako synonymum narrow AI, přičemž slabá neznamená nízký výkon. Systém může v špecifickej oblasti prekonat člověka a zároveň selhat mimo tréninkového nebo návrhového rozsahu. Termín není presnou regulačnou kategorií, proto se při odbornom použití musí doplnit účel, doména, povolené vstupy a hranice generalizace.
Úzká vrstva
Bottleneck layer je vrstva nebo reprezentace s obmedzenou kapacitou, přes kterou musí projít informace mezi širšími časťami modelu. Omezení může mít podobu menšieho počtu dimenzií, nižšej propustnosti, kvantizace nebo jiného informačního limitu. V autoencoderoch núti encoder vytvořit kompaktný latentní kód potřebný na rekonštrukci. V residual architektúrach může bottleneck znižovat výpočtovou cenu pomocí projekcí. Úzká vrstva sama nezaručuje užitočnou nebo sémantickou reprezentaci, její vlastnosti určují cíl, data, regularizace a kapacita decoderu.
váha neuronové sítě
Weight je učený číselný parameter, který určuje silu a směr vlivu jedné složky reprezentace na další výpočet modelu. V lineární vrstvě váhy tvoří matici násobenou vstupem, v konvolúcii jádro zdielané napříč pozicemi a v attention projekčné matice pro dotazy, klúče, hodnoty a výstup. Trénink mění váhy podle gradientů a optimalizátora tak, aby znižoval cílovou ztrátu. Samotná hodnota nemá univerzální význam, protože její účinek závisí na architektury, škály aktivací a ostatních parametrů.
Validace dat zapsaných v YAML
YAML schema validation je ověření, či datová struktura načítaná z YAML splňuje externí pravidla pro typy, povinné pole, rozsahy, enumerace, vzájomné závislosti a neznámé klúče. YAML špecifikace sama neposkytuje univerzální aplikačný kontrakt, proto se používají mechanizmy jako JSON Schema, Openapi, Kubernetes schémata nebo typové modely knižníc. Validace má proběhnout po bezpečnom parsování a před spuštěním tréninku či nasazení. Syntakticky platný YAML totiž může představovat vecne neplatnou konfiguraci.
validační množina
Validation set je oddelená část dostupných dat používaná během vývoja na výběr hyperparametrů, prahů, architektury nebo okamihu ukončení tréninku. Model se na její příkladech přímo neučí aktualizací váh, ale opakované rozhodování podle validačních výsledků přenáší informaci z této množiny do vývojového procesu. Proto nesmí nahrádzat nezávislý testovací soubor. Rozdělení musí respektovat čas, skupiny, entity a zdroj dat, jinak může vzniknout leakage a nerealistický odhad generalizace.
validační ztrátová funkce
Validation loss je hodnota ztrátové funkce vypočítaná na validačních datech při modelových parametrech získaných z tréninku. Vyjadřuje, jako dobře optimalizovaný cíl funguje na příkladech mimo aktualizace váh. Sleduje se po epochách při early stoppingu, porovnávání konfigurací a diagnostike přeučení. Její absolutní hodnota má význam pouze spolu s konkrétnou ztrátou, škálou cíle, váhami tříd a způsobem agregace. Nízká validační ztráta navíc nemusí znamenat dobrou kalibraci, férovost ani obchodný úžitok.
variační autoenkóder
Variational autoencoder, VAE, je latentní generativní model, který encoderem odhaduje parametry pravděpodobnostního rozdělení latentní proměnné a decoderom rekonštruuje nebo generuje data. Trénink maximalizuje evidence lower bound, zloženou z rekonštrukčného člena a regularizace pomocí Kullbackovej-Leiblerovej divergence vůči prioru. Reparameterizačný trik umožní prenášat gradient přes náhodné vzorkování. VAE vytváří hladší latentní prostor, ale při silnom decoderi může trpieť posterior collapse a rozmazanými výstupy.
Variační inference
Variational inference je metoda aproximace složitého posteriorného rozdělení pomocí jednoduchšej parametrickej rodiny rozdělení. Inference se převede na optimalizaci, při které se hledá rozdělení q nejbližší k skutočnému posterioru podle zvolené divergence. Běžně se maximalizuje evidence lower bound, zkráceně ELBO, který spojuje očakávanou logaritmickou vierohodnost a penalizaci odchylky od prioru. Výsledná aproximace může být rychlá, ale omezená rodina q může podhodnotit nejistotu nebo vynechat více módy.
vázání dvou množin váh
Weight tying je omezení, při kterém dvě logicky odlišné operace používají tu jistou matici parametrů nebo její přesně definovanou transformaci. V jazykových modelech se často váže vstupní embeddingová tabulka s výstupnou projekcí z hidden state na logits slovníka. Tím se snižuje počet parametrů a zavádí společná geometrie pro čtení a predikci tokenů. Vázání vyžaduje kompatibilní rozměry a mění tok gradientů, protože jedna matice dostává signál z obou rolí. Může zlepšit perplexitu a velikost modelu, ale také vytvořit konflikt mezi potrebami vstupní reprezentace a výstupní klasifikace.
vážená křížová entropie
Weighted cross-entropy je modifikace krížovej entropie, při které se ztráta příkladů nebo tříd násobí předem určenými váhami. V multiclass klasifikaci se často přiřazuje vyšší váha vzácné nebo prevádzkovo nákladnej třídě, takže její chyby více ovplyvnia gradient. Váhy mohou vycházet z inverznej frekvence, efektívneho počtu vzorků, nákladovej matice nebo validačního cíle. Metoda nemění množství dat a sama neopravuje chybné štítky. Nevhodné váhy mohou zhoršit kalibraci, zvýšit počet falešných pozitív a presunúť rozhodovací hranici způsobem, který neodpovídá reálnym nákladem.
Včasné zastavení tréninku
Early stopping je regularizačný postup, při kterém se trénink modelu ukončí podle výkonu na validačních datech dříve, než optimalizace zcela minimalizuje tréninkovou loss funkci. Sleduje se zvolená metrika, její nejlepší hodnota, minimálně zlepšení a počet tolerovaných kroků bez pokroku. Cílem je zachytit stav, ve kterém model ještě generalizuje, ale nezačal se nadmerne prispůsobovat tréninkovým příkladem. Správná implementace uchová a obnoví parametry z najlepšieho validačního bodu.
vektorová databáze
Vector database je databázový systém navržený na ukladání, indexování, filtrování a vyhledávání vysokodimenzionálnych vektorů, často spolu s identifikátorom, metadátami a původným objektem. Podporuje podobnostné metriky, přibližné nearest-neighbor indexy, aktualizace, škálování a provozní vlastnosti jako replikace či řízení přístupu. Ne každé úložiště vektorů je plnohodnotná databáze. Kvalitu řešení určuje konzistence embeddingů, recall indexu, filtrace, latence, čerstvost dat a auditovatelné propojení na zdroj.
vektorová kvantizace
Vector quantization mapuje spojitý vektor na jeden nebo více prvků z konečného codebooku a nahrazuje původní hodnoty indexmi nebo centroidmi. Používá se na kompresi embeddingů, zrychlení podobnostného vyhledávání a učení diskrétnych latentných reprezentací. Product quantization rozdělí vektor na podpriestory a kvantizuje jejich samostatně, VQ-VAE učí codebook spolu s encoderem a decoderom. Kvantizace zavádí distorzi, které vliv je třeba měřit na recalli, rekonštrukcii nebo downstream úloze.
Vektorová reprezentace
Embedding je hustý číselný vektor, který reprezentuje objekt, například slovo, dokument, obrázek, uživatele nebo produkt, v naučenom prostoru vlastností. Hodnoty jednotlivých rozměrů zpravidla nemají samostatný lidský název, ale geometrické vztahy mezi vektory zachycují podobnost relevantní pro tréninkovou úlohu. Embeddingy umožňují sémantické vyhledávání, shlukování, doporučení a vstup do dalších modelů. Jejich význam závisí na modelu, dat, normalizace a zvolené metriky vzdálenosti.
Vektorová reprezentace dotazu
Query embedding je vektor vytvořený z používatelského dotazu tak, aby se dal porovnávat s reprezentacemi dokumentů, položek nebo odpovědí. Model může používat společný encoder nebo asymetrické encodery, protože krátka otázka a dlouhý dokument mají odlišnou distribuci. Trénink využívá pozitivně páry a informatívne negatívy. Kvalita závisí na jazyka, domény, normalizace a způsobu indexování. Blízkost v prostoru není důkaz pravdivosti ani oprávnění sprístupnit dokument.
Vektorová reprezentace obrázku
Image embedding je číselný vektor, který komprimuje vizuálně vlastnosti obrázku do latentního prostoru vhodného na porovnávání, klasifikaci nebo vyhledávání. Enkóder mapuje pixely na pevný nebo strukturovaný počet hodnot tak, aby sémanticky podobné obrazy měli podle zvolené metriky blízké reprezentace. Embedding může opisovat celý obrázek, jednotlivý region nebo patch. Jeho význam závisí na tréninkového cíle, dat a normalizace. Vektor není univerzální popis reality, může zvýrazňovat objekty, styl, textúru či textový soulad a zároveň potláčat detaily důležité pro jinou úlohu.
vektorová reprezentace slova
Word embedding je hustý numerický vektor priradený slovu nebo slovníkovej jednotke tak, aby se jeho poloha učila z distribučných vzorů v textu nebo z cílové úlohy. Statické embeddingy poskytují jednomu slovu stejný vektor ve všech vetách, zatímco kontextové modely vytvářejí reprezentaci tokenu podle okolia. Blízkost ve vektorovom prostoru může zachytit syntaktickou nebo sémantickou podobnost, ale není priamym důkazem synonymie, pravdivosti ani kauzálneho vztahu. Kvalitu ovlivňuje korpus, tokenizace, dimenze, tréninkový cíl a frekvence slov. Embedding může reprodukovat spoločenské zkreslení zdrojových dat.
vektorová reprezentace textu
Text embedding je hustý číselný vektor vytvořený modelem tak, aby zachytával vybrané významové nebo funkční vlastnosti textu. Používá se na podobnost, vyhledávání, shlukování, klasifikaci a retrieval. Význam vzdálenosti závisí na tréninkového cíle, modelu, poolingu a normalizace. Embedding není jednoznačný odtlačok významu ani důkaz faktickej shody. Při změně modelu se vektorový prostor změní a uložený index se zpravidla musí prepočítat. Retrieval test má obsahovat synonyma, negace, čísla, zkratky i velmi podobné, ale nesprávně dokumenty.
vektorová reprezentace tokenu
Token embedding je naučený vektor priradený identifikátoru tokenu v slovníku modelu. Tvoří základnou numerickou reprezentaci před spracováním kontextovými vrstvami a často se kombinuje s pozičnou nebo segmentovou informací. Stejný token začíná s stejným vstupním embeddingom bez ohladu na větu, ale jeho neskoršia kontextová reprezentace se mění podle okolia. Embeddingová matice patří mezi parametry modelu a může být zdielaná s výstupnou projekcí logits. Při rozšíření slovníka je třeba inicializovat nové řádky embeddingovej matice a zachovat správně ID špeciálnych tokenů.
vektorová reprezentace uživatele
User embedding je hustý vektor, který reprezentuje uživatele na základě jeho interakcí, atributů, sekvence chování nebo společného učení s položkami. Model umiestňuje uživatelů s podobnými preferenciami do blízkych oblastí latentního prostoru a používá vektor na ranking, retrieval, segmentaci či predikci další akce. Embedding není stabilní identita ani úplný profil člověka. Mění se s daty a cílem, může zachytit citlivé korelace a při cold starte potřebuje obsahové příznaky nebo průměrnou inicializaci. Identifikátor uživatele a vektor mají oddělený retention režim, přičemž výmaz musí zasáhnout cache, indexy i tréninková příklady.
vektorová reprezentace věty
Sentence embedding je vektor pevnej délky reprezentujúci význam věty, otázky nebo krátkeho textového úseku. Vzniká poolingom tokenových reprezentací nebo modelem trénovaným přímo na podobnost vět, kontrastivně páry či retrieval. Umožňuje rychle porovnávání velkého množství textů, klasifikaci a shlukování. Jeden vektor však komprimuje pořadí, detaily a několik tém, proto může být nedostatečný pro přesné logické, numerické nebo právně porovnání. Při porovnávání se musí zachovat stejná verze modelu, normalizace a poolingový postup.
Vektorové vnoření znalostního grafu
Knowledge graph embedding je naučené zobrazení entít a často i vztahů znalostního grafu do nízkorozmerných vektorů nebo tenzorů. Skórovace funkce přiřazuje vyšší kompatibilitu platným trojiciam než negatívnym kandidátom a umožňuje link prediction, entity alignment, klasifikaci nebo retrieval. Rodiny modelů používají translace, bilineárne operace, rotace či neuronové sítě. Embedding komprimuje graf, ale může stratit logické omezení, provenance a přesný význam složitých relací. Vyhodnocení se má rozdelit podle typů relací, protože průměrné skóre skryje slabé kritické vezby.
vektorové vyhledávání
Vector search je proces vyhladání položek, kterých vektorové reprezentace jsou podle zvolené metriky nejbližší k vektoru dotazu. Může používat přesné porovnání nebo approximate nearest-neighbor index a často se kombinuje s metadátovými filtrami, lexikálnym retrievalem a rerankingom. Výsledek závisí na embeddingového modelu, způsobu tvorby dotazu, chunkingu, metriky a parametrů indexu. Geometrická blízkost neoveruje faktickou správnost ani oprávnění uživatele pristupovat k nájdenému obsahu.
vektorový index
Vector index je datová struktura, která zrýchluje vyhladání nejbližších vektorů bez úplného porovnání dotazu se všemi položkami. Používá například graf HNSW, inverted file, produktovou kvantizaci nebo stromové dělení prostoru. Večšina produkčných indexů je približná a vymieňa recall za latenci, paměť a čas sestavení. Index má vlastní hyperparametre, režim aktualizací a podporované filtry. Jeho kvalita se hodnotí vůči exact search na reprezentatívnych dotazoch, ne pouze průměrem času odozvy.
velikost slovníka tokenů
Vocabulary size je počet rozlišovaných tokenů včetně špeciálnych symbolů, pro které model udržuje řádky vstupní embeddingovej a často i výstupní projekčnej matice. Větší slovník může skrátit sekvence a zachytit časté morfémy nebo celé slova, ale zvečšuje počet parametrů a vytváří riedko pozorované tokeny. Menší slovník zvyšuje počet tokenů na text a náklady attention, ale zlepšuje sdílení mezi tvarmi. Optimální velikost závisí na jazyků, domény, modelu a výpočtového rozpočtu.
Velký jazykový model
Large language model, LLM, je jazykový model s vysokou kapacitou, trénovaný na rozsáhlých textových nebo multimodálnych korpusoch tak, aby se dal použít na široké spektrum jazykových úloh. Súčasné LLM často využívají transformerovou architekturu, tokenizaci a pretrénování s následnou inštrukčnou nebo preferenčnou adaptací. Velikost se nedá určit jediným univerzálnym počtem parametrů. LLM generuje výstupy z naučených distribúcií a kontextu, ne spolahlivým vyhledáváním v databázi pravdivých faktů.
věrnost vysvětlení chování modelu
XAI fidelity vyjadřuje, do jaké míry vysvětlení zachycuje skutečné chování vysvetlovaného modelu v určenej oblasti vstupů. Při lokálnom surrogate modeli se může měřit shoda jeho predikcí s původným modelem v okolí konkrétního případu. Při atribúciách se zkoumá změna výstupu po odstranění nebo perturbaci označených prvků. Fidelity neříká, zda je původní model pravdivý, spravodlivý nebo kauzální. Vysoká věrnost znamená pouze to, že vysvětlení přesně popisuje zvolený model podle definovaného testu.
věta o univerzální aproximaci
Universal approximation theorem označuje rodinu výsledků dokazujúcich, že neuronová síť s vhodnou nelineárnou aktivací a dostatočným počtem jednotek dokáže na kompaktnej oblasti aproximovat širokou třídu spojitých funkcí s lubovolne malou chybou. Věta je existenčná, neurčuje potřebnou šírku, množství dat, algoritmus učení ani schopnost generalizovat. Neznamená ani přesnou reprezentaci nekonečnej domény či efektivně nájdení parametrů. Praktický výkon proto závisí na architektury, optimalizace a induktívneho biasu. Při citování je třeba uvést konkrétní verzi teorémy, typ funkce, doménu a podmínky aktivačnej funkce.
vícerozměrné pole hodnot
Tensor je datová struktura predstavujúca n-rozmerné pole prvků stejného datového typu spolu s tvarem, rozložením v pameti a často i informací o zařízení a potrebe gradientu. Skalár je tensor rádu nula, vektor rádu jedna a matice rádu dva. V AI se tensory používají na vstupy, parametry, aktivace i gradienty. Matematický pojem tensor je širší, zatímco knižnice strojového učení týmto slovem často označují praktické vícerozměrné pole. Operace s broadcastom musí být skontrolované, protože platný tvar může vytvořit numericky nesprávný výsledek bez chyby runtime.
Video generation model
Video generation model vytváří nebo upravuje video na základě textu, obrazu, zvuku, trajektorie, masky nebo předchozích snímků. Může využívat difúzi, autoregresívne tokeny, flow matching nebo hybridní architekturu. Úloha zahrnuje kompozíci scény, priestorový detail, časový vývoj, pohyb kamery, synchronizaci zvuku a zachování identity. Pojem označuje funkčnou třídu, ne konkrétní algoritmus. Provozní kvalita zahrnuje ovládatelnost, délku, latenci, editovatelnost, bezpečnostní filtry a původ tréninkových dat.
videodifuzní model
Video diffusion model vytváří sekvenci snímků tím, že se naučí reverzný proces k postupnému pridávání šumu do videa, často s podmienkou ve forme textu, obrazu nebo pohybového signálu. Oproti obrazovej difúzii musí modelovat i temporal coherence, pohyb objektů, kameru a identitu napříč časem. Architektura může používat priestorovo-časové attention bloky, latentní prostor nebo kaskádu rozlišení. Kvalita se neposudzuje pouze ostrosťou snímků, ale i fyzikálnou konzistencí, kontinuitou a zhodou s promptem.
Viterbi algorithm
Viterbi algorithm je dynamický programovací postup na nájdení najpravdepodobnejšej sekvence skrytých stavů v modeli s Markovovou strukturou, zejména v hidden Marků modelech. V každém časovém kroku uchovává nejlépe skóre pro každý stav a backpointer na předchozí rozhodnutí, místo enumerace všech možných ciest. Časová složitost je přibližně lineární v dlžke sekvence a kvadratická v počtu stavů při plných prechodoch. Algoritmus vrací jednu MAP cestu, ne marginálne pravděpodobnosti jednotlivých stavů.
vizuálně ukotvení
Visual grounding spojuje jazykový výraz s konkrétnou oblasťou, objektem nebo časovým úsekom ve vizuálnom vstupe. Model může pro popis vrátit bounding box, masku, bod, region token nebo segment videa. Úloha vyžaduje nejen rozpoznat kategorii, ale i rozlíšit referenční vlastnosti a vztahy, například druhý červený pohár vlavo od knihy. Grounding se používá při interaktivní segmentaci, robotike a vysvětlení multimodálnych odpovědí. Pozornost modelu sama o sebe není důkaz správného groundingového rozhodnutí.
vizuálně zobrazení vysvětlení AI
XAI visualization je vizuální reprezentace modelového chování nebo vysvětlení, například saliency mapa, atribučný graf, partial dependence krivka, rozhodovací strom, prototyp, attention mapa nebo kontrafaktuálna trajektorie. Vizualizace je komunikačná vrstva, ne důkaz správnosti metody. Farebná škála, normalizace, prahování, agregace a výběr reference mohou zásadne měnit interpretaci. Kvalitní návrh uvádí cílový výstup, jednotky, baseline, nejistotu a omezení. Při obrazech musí lokalizace projít sanity checks, jinak může zvýrazňovat strukturu nezávislou od naučených váh.
vizuálně-jazykový model
Vision-language model, VLM, zpracovává obrazové a jazykové vstupy v společném systéme a učí se jejich prepájat pro úlohy jako captioning, otázky nad obrazom, retrieval, grounding nebo multimodální dialóg. Architektura může používat dva encodery s kontrastívnym cílem, cross-attention fusion nebo vision encoder pripojený k velkému jazykovému modelu. Schopnost pomenovat objekt neznamená přesné prostorové měření ani spolehlivou kauzálnu interpretaci scény. Výkon závisí na vizuálního rozlišení, propojení modalit a datových párů.
vizuální encoder
Vision encoder je neuronová síť, která mění obraz nebo video na reprezentaci vhodnou pro klasifikaci, retrieval, detekci, segmentaci nebo multimodální spájání. Může vytvořit jeden globální embedding, mriežku lokálních tokenů nebo viacúrovňové feature maps. Používá konvoluční síť, Vision Transformer nebo hybridní architekturu a může být trénovaný se štítkami, self-supervised cílem či kontrastivně s textem. Informace zachovaná v reprezentaci závisí na rozlišení, patchingu, augmentací a tréninkové úlohy.
Vložení škodlivej instrukce do promptu
Prompt injection je útok nebo neželaná manipulace, při které obsah dodaný modelu mění jeho chování tak, aby ignoroval nebo prekonal původní záměr aplikace. Při direct prompt injection vloží pokyn uživatel, při indirect prompt injection se škodlivá instrukce nachází v dokumente, webovej stránke, emaile nebo jiném zdroji, který systém zpracuje. Zranitelnost vzniká, protože model přijímá instrukce a data v společném kontextu. Ochrana vyžaduje izolaci důvěry, minimálně oprávnění nástrojů, validaci výstupů, schvalování citlivých akcií a adversariální testování.
Voice activity detection
Voice activity detection, VAD, klasifikuje krátké úseky zvukového signálu jako řeč, neřeč nebo pravděpodobnost řečové aktivity. Používá energii, spektrální příznaky nebo neuronové modely a slouží na segmentaci, spuštění ASR, potlačení ticha a řízení streamování. VAD nerozpoznává obsah ani identitu mluvčího. Musí zvládnout šepot, hudbu, ruch, překryv mluvčích a zpoždění na hranicích slov. Prahy, minimální délka segmentu a hangover mechanismus ovlivňují, zda se neodříznou začátky nebo konce výpovědi.
Voice cloning
Voice cloning vytváří syntetickou řeč napodobňujúcu hlasovou identitu cílové osoby z jedné nebo více nahrávok. Systém získává speaker embedding nebo adaptuje generativní model a kombinuje ho s text-to-speech komponentem. Zero-shot klonování používá krátku referenci bez samostatného tréninku mluvčího, fine-tuned klonování může dosáhnout vyšší podobnost. Věrnost timbru neznamená zachování emoce, prízvuku ani bezpečný souhlas. Technologie přináší riziko impersonace, podvodu a neoprávneného použití biometrických údajů.
Voice conversion
Voice conversion mění hlasovou identitu, styl, prízvuk nebo další paralingvistické vlastnosti existujúcej řečové nahrávky při snahe zachovat její jazykový obsah a časování. Systém oddeluje obsahové reprezentace od speaker nebo style embeddingu a decoder vytvoří nový akustický signál. Na rozdíl od text-to-speech nevychádza primárně z textu, ale ze zdrojové řeči. Kvalitu ovlivňuje disentanglement, prozodie, šum a rozdíl jazyků. Aplikace zahrnují anonymizaci, dabing i rizikovou impersonaci.
Volání funkcí modelem
Function calling je integračný vzor, při kterém model na základě používatelského vstupu vybere předem definovaný nástroj a vytvoří strukturované argumenty podle jeho schémata. Samotný model obvykle funkci nevykoná. Aplikačný kód musí validovat argumenty, ověřit oprávnění, zavolat externí systém a vrátit výsledek do konverzace. Schéma omezuje formát, ne pravdivost záměru ani bezpečnost operace. Kritické akce proto potřebují potvrzení, idempotenci, audit a kontrolu výstupu.
Vstupní vlastnost
Feature je meratelná nebo odvodená vstupní proměnná, kterou model používá při tréninku nebo inferenci. Může jít o původní hodnotu ze zdroje, kategorii, časový údaj, pixel, token, statistický souhrn nebo naučenou reprezentaci. Jednotlivý příklad je opísaný súborom feature hodnot, často usporiadaných do vektora nebo tenzora. Užitečnost feature závisí na informačního vztahu k cielu, dostupnosti v čase predikce, stability, kvality měření a rizika úniku cílové informace.
Výběr příkladů komisí modelů
Query-by-committee je strategie aktívneho učení, která udržuje několik modelů nebo hypotéz kompatibilných s dosud označenými daty a vybírá na anotaci příklady, při kterých se nejvíce nezhodnou. Nesúhlas se měří hlasovacou entropiou, divergencí predikčných rozdělení nebo variabilitou parametrů. Cílem je získat štítky s vysokou informační hodnotou. Pokud členovia komise zdielají stejné zkreslení nebo jsou téměř totožní, jejich shoda může vytvořit falešný pocit istoty.
výběr příkladů podle nejistoty
Uncertainty sampling je strategie active learningu, která na označení vybírá neoznačené příklady, při kterých si aktuální model nejméně verí. Nejistota se může měřit najnižšou maximálnou pravděpodobností, malým rozdílem mezi dvěma najlepšími třídami, entropiou nebo nesúhlasom ensemble. Cílem je získat co nejvíce informatívnych štítků za omezený rozpočet. Samotná nejistota však může uprednostnit šum, odlehlé body nebo opakované případy, proto se kombinuje s rozmanitosťou a kontrolou kvality. Anotátorovi se ukladají i důvody nejistoty a čas označení, aby se odlíšil náročný případ od chybnej taxonomie.
Výběr vstupních vlastností
Feature selection je postup, který z původní množiny vlastností vybírá podmnožinu pro trénink a inferenci bez vytvárání nových kombinovaných rozměrů. Filtr metody používají statistické skóre nezávislé od finálneho modelu, wrapper metody opakovaně hodnotí různé podmnožiny a embedded metody vybírají během učení, například přes regularizaci nebo stromové rozdělení. Výběr může snížit šum, výpočet a riziko přeučení, ale musí být vykonaný uvnitř validačního procesu.
Vyhlazování štítků
Label smoothing nahrazuje při tréninku ostrý one-hot cíl mekšou distribúcí, ve které část pravdepodobnostnej hmotnosti zůstává správné třídě a zbytek se rozdělí podle zvoleného prioru mezi ostatní třídy. Snižuje tlak na nekonečne velké logity a může omezit prehnanou sebaistotu modelu. Ovlivňuje však geometrii reprezentací, kalibraci i přenos znalostí při distilaci. Míra smoothingu je hyperparameter a její účinek závisí na počtu tříd, šumu a ztrátové funkce.
Vyhledávání informací
Information retrieval je disciplína návrhu systémů, které z velké kolekce vyberou a zoradia dokumenty nebo objekty relevantní k informační potrebe uživatele. Pipeline zahrnuje zpracování dotazu, index, výpočet shody, ranking, prípadné rerankování a prezentaci výsledků. Lexikálne metody pracují s výskytom slov, husté vyhledávání porovnává embeddingy a hybridný přístup kombinuje oba signály. Relevantnost není totožná s pravdivosťou ani autoritou, proto ranking potřebuje další kritéria. Hodnocení používá anotované dotazy a metriky jako precision, recall, MRR nebo ndcg, přičemž produkční systém musí sledovat čerstvost, diverzitu a chování uživatelů.
Vyhledávání k nejbližších sousedů
K-nearest neighbor search je výpočetní úloha najít pro dotazový bod k objektů s najmenšou vzdáleností nebo največšou podobností v referenční kolekcii. Přesné řešení garantuje skutečných sousedů podle dané metriky, aproximované řešení obetuje část recallu za nižší latenci a paměť. Implementace může používat brute force, stromové indexy, grafové struktury, kvantizaci nebo kombinované filtry. Top k je definované vůči konkrétnímu indexu, metrice a verzi vektorovej reprezentace.
Vyhledávání relevantních položek
Retrieval je proces identifikace a seřazení položek z korpusu podle jejich relevance k dotazu nebo informační potrebe. Zahrnuje vytvoření indexu, reprezentaci dotazu, matching, scoring a výběr top-k kandidátů. Lexikálne metody pracují s termínmi a štatistikou výskytu, dense retrieval s embeddingmi, hybridní systémy kombinují oba signály. Retrieval se liší od generování, protože vrací existujúce dokumenty nebo objekty. Kvalitu určují pokrytí korpusu, čerstvost indexu, filtry, relevance judgments a latence.
Vyhledávání znalostí
Knowledge retrieval je proces identifikace a načítání faktů, dokumentů, pasáží, grafových prvků nebo záznamů, které jsou relevantní pro konkrétní znalostní potřebu. Zahrnuje formulaci dotazu, výběr kolekce, kandidátne vyhledávání, filtrování, reranking a sestavení kontextu. Na rozdíl od generování má vrátit důkaz nebo jeho adresu. Kvalitu určuje recall relevantních zdrojů, přesnost pořadí, aktuálnost, oprávnění, rozmanitost a vhodná granularita. Výsledkem může být prázdna množina, pokud žiadny kandidát neprejde minimálnym prahem důvěry.
Vyrovnávace paměť klúčů a hodnot
Key-value cache, KV cache, v transformerovom dekódování uchovává key a value tenzory vypočítané v attention vrstvách pro předchozí tokeny. Při generování dalšího tokenu model znovu počítá reprezentaci nového tokenu, ale nemusí prepočítavat K a V celé minulosti. Tím snižuje opakovanou práci a zrýchluje sekvenční dekódování. Paměť roste s počtem vrstev, délkou kontextu, počtem hláv, rozmerom a batchom, proto může být hlavním limitem servingu. Cache nemění pravděpodobnostní model odpovědi, pokud je implementovaná přesně a bez kvantizačnej odchylky.
Vysokorizikový systém AI
High-risk AI system je právní kategorie podle nařízení Evropské únie 2024/1689, ne obecné označení každého nebezpečného modelu. Systém se považuje za vysokorizikový zejména tehdy, když je bezpečnostním komponentem regulovaného výrobku podle článku 6 ods. 1, nebo patří do použití uvedeného v příloze III a splňuje podmínky článku 6 ods. 2 a 3. Klasifikace se váže na zamýšlený účel a konkrétně použití, ne pouze na technologii. Poskytovatel musí plnit požadavky na řízení rizik, data, dokumentaci, záznamy, transparentnost, lidský dohled, přesnost, robustnost a kybernetickou bezpečnost.
Vysokorozměrná data
High-dimensional data jsou data s velkým počtem příznaků vzhledem na počet pozorování, dostupný výpočet nebo efektivně množství informace. Ve vysokém rozmere roste prostor exponenciálne, body bývají řídké a rozdíl mezi najbližšou a vzdialenou položkou se může zmenšovat. Odhad parametrů proto vyžaduje více dat a metriky podobnosti mohou stratit rozlišovaci schopnost, co jsou prejavy curse of dimensionality. Ne každý velký vektor je však stejně problematický, protože data mohou ležet na nízkorozmernej štruktúre. Pomáhá regularizace, výběr příznaků, redukce rozměrnosti a doménová metrika.
vysvětlení jedné predikce nebo případu
XAI local explanation popisuje faktory a modelové vztahy relevantní pro konkrétní vstup, predikci nebo malé okolí vstupního prostoru. Používá se například lokální surrogate model, atribuce, kontrastivně důvody, nejbližší prototypy nebo citlivostná analýza. Výsledek se nesmí automaticky zovšeobecnit na celý model. Lokálnost musí být definovaná metrikou, kernelem, množinou perturbací nebo porovnávacím prípadom. Pokud je rozhodovace hranice nepravidelná, dvě blízké pozorování mohou mít odlišné vysvětlení.
Vysvětlitelná umělá inteligence, XAI
Explainable AI, XAI, označuje systémy a metody, které poskytují luďom důvody nebo informace umožňujúce porozumieť výstupu, chování či obmedzeniam AI. Vysvětlení může být globálně, lokálně, kontrafaktuální, príkladové nebo procesné a musí být prispůsobené uživateli a účelu. NIST zdůrazňuje poskytnutie vysvětlení, jeho zmysluplnost, přesnost vůči skutočnému procesu a rešpektování znalostných limitů. Pekne formulovaný príbeh není vysvětlením, pokud neodpovídá mechanizmu systému.
vzorkování výstupu
Sampling je způsob generování, při kterém model vybírá další token náhodným výběrem z pravděpodobnostního rozdělení místo vždy najpravdepodobnejšej možnosti. Rozdělení lze měnit teplotou, top-k, top-p nebo ďalšími pravidly, které zužují množinu kandidátů. Vzorkování zvyšuje variabilitu a umožňuje více platných pokračování, zároveň však může zvýšit faktické chyby, nestabilitu formátu a rozdíly mezi opakovanými behmi. Použitá konfigurace dekódování je proto součástí reprodukovatelného záznamu experimentu.
vzorkování z k nejlepších tokenů
Top-k sampling je dekódovace metoda, která v každém kroku ponechá pouze k tokenů s nejvyšší pravděpodobností, ostatným nastaví pravděpodobnost na nulu, zvyšné hodnoty renormalizuje a z nich vzorkuje. Pevná velikost kandidátnej množiny omezuje velmi nepravdepodobné pokračování, ale nereaguje na tvar distribuce. Při určité predikci může být k zbytočne velké, při plochej distribuci zasa příliš malé. Výsledek závisí i od teploty a dalších filtrů logits. Hodnota k se nehodnotí pouze na průměrné kvalite, ale i na najhorších bezpečnostných a formátových zlyhaniach.
Wasserstein GAN
Wasserstein GAN je variant generativní adversariálnej sítě, který nahrazuje klasifikační diskriminátor kritikom odhadujúcim rozdíl mezi reálnou a generovanou distribúcí pomocí Wassersteinovho cíle. Kritická funkce musí splňat Lipschitzovo omezení, původne aproximované orezáváním váh, později zejména gradient penalty nebo spektrálnou normalizací. Cíl poskytuje zmysluplnejší tréninkový signál i při neprekrývajúcich se distribúciách, ale sám sám o sobě negarantuje stabilitu, rozmanitost ani kvalitu vzorků.
Wassersteinova vzdálenost
Wasserstein distance je metrika mezi pravdepodobnostnými rozdeleniami založená na minimálnych nákladoch potřebných na přesun pravdepodobnostnej hmoty z jednoho rozdělení do druhého. Náklady kombinují množství presúvanej hmoty a vzdálenost presunu v základnom prostoru. Na rozdíl od divergencií, které mohou zůstat konštantné při neprekrývajúcich se podporách, Wassersteinova vzdálenost zachycuje i geometrii jejich vzájomnej polohy. Výsledek závisí na zvolené metrice, rádu p a od existence príslušných momentů.
Word error rate
Word error rate je metrika pro přepis řeči vypočítaná jako součet substitúcií, vynechaní a vložení dělený počtem slov v referenčnom prepise. Počty chyb vznikají z minimálnej editovacej vzdálenosti mezi normalizovanou referencí a hypotézou. WER může presiahnuť 100 procent, pokud systém vloží mnoho nadbytočných slov. Hodnota závisí na pravidel tokenizace, interpunkce, čísiel, velkých písmen, diakritiky a od toho, co se považuje za slovo. Metrika váží všechny slovné chyby stejně, proto nemusí vyjadrovat významovou závažnost, správnost mien ani použitelnost pro konkrétní proces.
XLM
XLM označuje rodinu metod cross-lingual language model pretraining, které učí společné reprezentace více jazyků. Původná práca predstavila monolingválny masked language modeling a supervised translation language modeling nad paralelnými vetami. Cílem je prenášat znalosti mezi jazykmi při klasifikaci, porozumení a preklade. Skratka XLM není všeobecným označením každého viacjazyčného modelu a nemá se zamieňat s XLM-R. Výkon závisí na jazykového pokrytí, tokenizace, vyvážení korpusu a dostupnosti paralelných dat.
XLM-Roberta vícejazyčný encoder
XLM-R, celým názvem XLM-Roberta, je transformerový encoder předtrénovaný masked language modelingom na filtrovaných Commoncrawl datech v sto jazycích. Nepoužívá paralelní věty ani translation language modeling jako původní XLM. Zdielaný Sentencepiece slovník a společná kapacita umožňují cross-lingual transfer, ale vytvářejí kompromis mezi pozitívnym prenosom a capacity dilution. Model je určený zejména na porozumění textu, klasifikaci, NER nebo extrakci po fine-tuningu. Není autoregresívnym generátorom a jeho výsledky se mezi jazykmi výrazně liší.
XLS-R
XLS-R je rodina velkých samoučených modelů řečových reprezentací založená na wav2věc 2.0 a trénovaná na surovom zvuku z mnoha jazyků. Encoder maskuje latentní časové kroky a kontrastívnym cílem rozlišuje správnou kvantizovanou reprezentaci od negativních vzorků. Společný predtréning umožňuje fine-tuning pro rozpoznávání řeči, identifikaci jazyka nebo překlad, zejména při jazycích s malým množstvím prepisů. XLS-R není hotový univerzální ASR model bez dekódovacej hlavy. Výsledek ovlivňuje akustická doména, písmo, lexikón a dostupné štítky.
XML
XML je textový značkovací formát W3C pro hierarchicky strukturované data. Dokument tvoří jeden koreňový element, vnorené elementy, atributy, text, namespace deklarace a volitelné procesné instrukce. Well-formed XML dodržiava syntaktické pravidla, valid XML navíc splňuje schéma nebo DTD. V AI systémech se XML používá při výmene metadát, anotací, konfigurací, dokumentových korpusů a starších podnikových API. Parser musí bezpečně zpracovat entity, kódování a namespace. Na ochranu před XXE se externí entity a sieťové načtení štandardne vypínají.
XSD schéma pro validaci XML
XML Schema, často označovaná XSD, je jazyk W3C na definování povolené struktury, typů a omezení XML dokumentů. Schéma určuje elementy, atributy, pořadí, cardinality, jednoduché a komplexné typy, namespaces, patterny nebo numerické hranice. Validace vytvoří informaci, či dokument splňuje kontrakt, a může přidat typové anotace do datového modelu. XSD nekontroluje všetku obchodnou logiku ani faktickou správnost. Při AI integraci je užitečná na vstupní anotace a výstupní správy, ale generovaný dokument se musí parsovat a validovat mimo modelu.
YAML alias
YAML alias je uzel serializačného stromu zapísaný znakom hviezdičky a názvem existujúcej kotvy. Při kompozícii odkazuje na už ukotvený uzel, takže reprezentačný graf může obsahovat více ciest k té určité datové entite. Alias není textová makro náhrada a jeho chování nelze zamieňat s kopírováním řetězce. V AI konfiguracích snižuje duplicitu spoločných nastavení, ale výsledek může záviset od toho, jako konkrétní knihovna mapuje zdielané uzly do objektů programovacieho jazyka.
YAML anchor
YAML anchor je pomenování priradené prvému výskytu uzla v serializačnom strome pomocí znaku ampersand. Umožňuje, aby se ten jistý uzel později referencoval aliasom bez opetovného zapisování celé hodnoty. Kotva je vlastnost serializace, po sestavení reprezentačného grafu se její název nepovažuje za součást datového modelu. V konfiguracích AI pipeline se kotvy používají na sdílení spoločných bloků parametrů, například nastavení prostředí, limitů zdrojů nebo základní tréninkové konfigurace.
YAML metadata v hlavičce dokumentu
YAML front matter je blok metadát umiestnený na začátku textového dokumentu, obyčajne mezi oddelovačmi s tromi spojovníkmi. Není součástí jádrové špecifikace YAML jako dokumentový formát, ale konvencí používanou generátormi webů, publikačnými systémy a obsahovými pipeline. V GEO knowledge base může nést identifikátor pojmu, autora, datum revíze, jazyk, taxonomii, kanonickou URL, zdroje, stav schválení nebo pravidla chunkování. Jeho význam určuje konkrétní spracovatel.
YAML parser
YAML parser je softvérová součást, která analyzuje znaky YAML prúdu a vytváří tokeny, události nebo datové uzly použitelné aplikací. Kompletné zpracování zahrnuje skenování, parsování, kompozíci grafu a konštrukci objektů konkrétního programovacieho jazyka. Rozdíly mezi knižnicami se mohou projevit při implicitním typování, duplicitných klúčoch, merge rozšíreniach, bezpečnom konštruování objektů a kompatibilite s verzí špecifikace. Výběr parsera je proto i bezpečnostní a reprodukčné rozhodnutí.
YAML, jazyk serializace dat
YAML je textový jazyk na serializaci dat, který reprezentuje skalárne hodnoty, sekvence a mapování pomocí odsadení a jednoduché syntaxe. Špecifikace YAML 1.2.2 definuje prezentačný prúd, serializačný strom a reprezentačný graf, přičemž JSON je kompatibilnou podmnožinou jádrové schémata. V AI systémech YAML často popisuje konfiguraci tréninku, parametry experimentu, datové pipeline, nasazení modelu nebo deklaratívne pracovní postupy. Samotný formát však neurčuje význam polí ani jejich povolené hodnoty.
YARN
YARN je vrstva správy zdrojů a plánování aplikací v ekosystéme Apache Hadoop. Oddeluje globálně přidělování výpočetní kapacity, které řídí Resourcemanager, od koordinace konkrétní aplikace prostřednictvím její Applicationmaster. Úlohy se vykonávají v kontajneroch přiřazených Nodemanagermi na jednotlivých uzlech. Při AI a datových pipeline může YARN pridelovat CPU, paměť a další zdroje pro distribuované předzpracování, Spark úlohy nebo dávkové učení, nejde však o tréninkový algoritmus ani modelový register.
Yeo-Johnsonova mocninová transformace
Yeo-Johnson transformation je parametrická monotónna mocninová transformace určená na snížení šikmosti a stabilizaci rozptylu numerické proměnné. Na rozdíl od Box-Coxovej transformace je definovaná i pro nulové a záporné hodnoty, přičemž používá rozdílně větve podle znamienka vstupu a hodnoty parametru lambda. Parameter se často odhaduje maximalizací vierohodnosti. Transformace může pomoci lineárním a štatistickým modelem, nevytváří však normalitu z každé distribuce a musí být fitovaná pouze na tréninkových datech.
YOLO
YOLO označuje rodinu jednopriechodových modelů počítačového vidění, které predikují polohu a třídu objektů z obrazu v jedné integrovanej neuronové síti. Původná práca formulovala detekci jako regresi z pixelů na ohraničujúce rámce a pravděpodobnosti tříd. Pozdější implementace menili backbone, detekčnou hlavu, práci s kotvami, ztrátové funkce i postprocessing a rozšírili rodinu na segmentaci, pózu či orientované rámce. Název YOLO proto není jedna nemenná architektura a technická dokumentace musí uvést konkrétní verzi a implementaci.
YOLO tracking
YOLO tracking je video pipeline, která kombinuje detekce objektů s trackerom pridelujúcim dočasné identity napříč snímkami. Detektor poskytuje rámce, třídy a skóre, zatímco algoritmy jako Bytetrack nebo Bot-SORT používají pohyb, překrytí a případně vzhladové embeddingy na asociaci trajektorií. YOLO samo nemusí určovat identitu osoby v biometrickém smyslu. Výsledek ovlivňuje frekvence snímků, výpadky detekce, zakrytie, pohyb kamery, prahy trackera a pravidla zániku či opetovného vytvoření stopy.
Youden index
Youden index, označovaný J, je součet senzitivity a špecificity mínus jedna. Nadobúda hodnoty od mínus jedna do jedna, přičemž nula odpovídá výkonu bez užitočného rozlišení při daném prahu a jedna dokonalej separaci. Často se používá na výběr prahu, který maximalizuje vertikálnu vzdálenost bodu ROC krivky od diagonály. Index dává senzitivite a špecificite stejnou váhu a nezahrňa prevalenci, náklady chyb ani kalibraci pravděpodobností, proto nemusí určovat ekonomicky nebo klinicky optimálne rozhodnutí.
Yule-Walker equations
Yule-Walker equations vyjadrují vztah mezi autokovarianciami stacionárneho autoregresného procesu a jeho koeficientmi. Pro AR model rádu p vytvářejí lineární systém s Toeplitzovou kovariančnou maticou, ze kterého lze odhadnout parametry a rozptyl inovace. Odhad používá vzorkové autokovariance, proto je citlivý na volbu rádu, stacionaritu, délku série a způsob odhadu kovariance. V aplikační AI se využívá při klasickém modelování signálů, predikci časových radů a jako referenční baseline vůči zložitejším sekvenčným modelem.
Yuleova-Simonova distribuce
Yule-Simon distribution je diskrétní pravděpodobnostní rozdělení na kladných celých číslach s ťažkým mocninovým chvostom, parametrizované kladným parametrem rho. Vzniká v modelech preferenčného pripájání, kde se nové typy objavují s určitou pravděpodobností a existujúce typy získavají další výskyty úmerne svojej doterajšej frekvencii. V NLP může približovat nerovnomerné frekvence slov nebo entít, v sítích distribuci popularity. Není totožné se Zipfovým zákonom a jeho vhodnost se musí testovat na chvoste i vůči alternatívnym rozdeleniam.
Z-order curve
Z-order curve je mapování vícerozměrných celočíselných souřadnic na jednorozmerný Mortonů kód vytvořený prekladáním bitů jednotlivých osí. Zachovává prostorovou lokalitu pouze přibližně, ale umožňuje ukladat body, dlaždice nebo voxely v obyčajnom zoradenom indexe. V AI systémech se využívá při organizaci bodových mračien, sparse voxel grids, geodát, cache-friendly spracování a výběru bloků z rozsáhlých vícerozměrných polí.
Z-test statistické hypotézy
Z-test je parametrický test hypotézy, kterého testovací statistika má při platnosti nulové hypotézy štandardné normálně rozdělení nebo se k nemu dostatečně přibližuje. Používá se například při testování průměru se známym populačným rozptylom, rozdílu dvou priemerů ve velkých vzorcích nebo rozdílu podielů. V AI experimentoch může porovnávat míry úspešnosti či konverze, ale pouze tehdy, když jsou splnené podmínky nezávislosti, vhodné aproximace a správně definovanej jednotky analýzy.
Zabezpečování kvality AI
Quality assurance for AI je plánovaný soubor procesů, zodpovedností a důkazů, kterými organizace vytváří přiměřenou istotu, že AI systém splňuje určené požadavky během celého životního cyklu. Zahrnuje kvalitu dat, návrhové kontroly, verifikaci, validaci, bezpečnostní testy, dokumentaci, řízení změn, monitoring a reakci na incident. QA je procesne orientované a preventívne. Neobmedzuje se na finálnu metriku modelu ani na jednorazovou kontrolu před vydáním.
základní jednotka zpracování modelu
Token je diskrétna jednotka, na kterou tokenizer převede vstup před spracováním modelem. Může představovat celé slovo, část slova, znak, bajt nebo špeciálny symbol. Každý token se mapuje na celočíselný identifikátor a následně na embedding. Počet tokenů není totožný s počtem slov ani znaků a závisí na konkrétního slovníka a pravidel tokenizace. Limity kontextu, výpočetní náklady i účtování API se proto často vyjadrují v tokenech. Počet tokenů se měří stejnou verzí tokenizéra, jakou používá produkční model a konkrétní endpoint.
Základní model
Base model je model, který slouží jako východiskový artefakt pro další adaptaci, integraci nebo odvozené modely. Při generativní AI jde často o rozsiahlo předtrénovaný model bez úzko špecializovanej konfigurace pro konkrétní organizaci. Následné úpravy mohou zahrnovat supervised fine-tuning, instruction tuning, adaptér, Lora, kvantizaci, bezpečnostní vrstvy nebo napojení na externí znalosti. Pojem neříká, že model je neutrálny, bezpečný nebo vhodný na priame použití, pouze popisuje jeho úlohu v rodokmeni řešení.
Základní model
Foundation model je model trénovaný na rozsáhlých a rozmanitých datech, zpravidla pomocí self-supervised učení, který lze adaptovat na široké spektrum následných úloh. Adaptace může probíhat promptováním, retrievalem, fine-tuningom, nástroji nebo pridáním špecializovaných hláv. Šířka použití vytváří společný technologický základ pro více aplikací, ale i prenášání stejných chyb, omezení a systémových rizík. Pojem neznamená, že model je univerzální, spolehlivý nebo vhodný bez kontextového testování.
ZCA bělení dat
ZCA whitening, nazývané i zero-phase component analysis whitening, je lineární transformace centrovaných dat, která odstraní korelace a nastaví kovarianční matici přibližně na jednotkovou. Na rozdíl od PCA whitening výsledek spetne otočí do původní súradnicovej orientace, takže transformované vzorku zůstávají v euklidovskom smyslu co nejbližší původným datům. Stabilitu řídí regularizačný člen pridaný k vlastným hodnotám, protože velmi malé variance by jinak nadmerne zosilnili šum.
Zernike moments
Zernike moments jsou komplexné projekčné koeficienty obrazu nebo binárneho tvaru na ortogonálne Zernikeho polynómy definované na jednotkovom disku. Absolútne hodnoty momentů lze použít jako příznaky invariantné vůči rotaci, zatímco fáza nese informaci o orientaci. Rád polynómu určuje úroveň zachyteného detailu. V rozpoznávání tvarů, biometrii, kontrole povrchů a medicínském obraze poskytují kompaktný globální popis kontúry nebo intenzitnej struktury.
Zero padding
Zero padding je rozšíření tenzora o bunky s nulovou hodnotou na okrajoch nebo v zvolené dimenzii. Při konvolučných sítích řídí priestorový rozměr výstupu a umožňuje, aby se filtr aplikoval i na hraniční pixely. Při sekvenciách může nulové doplnění vyrovnat délky položek v dávce, ale musí být sprevádzané maskou, pokud nula může být platnou hodnotou nebo pokud model nesmí padding započítat. Ve frekvenčných metódach mění vzorkování spektra, ne skutečné informačné rozlišení signálu.
Zipfů zákon frekvence slov
Zipf's law je empirická regularita, podle které je frekvence prvku přibližně nepřímo úměrná jeho pořadí v žebříčku frekvencí. V přirozeném jazyku se několik slov objevuje velmi často a velké množství slov tvoří dlouhý ocas vzácných položek. V log-log zobrazení má střední část rozdělení přibližně lineární průběh, ačkoli exponent a odchylky závisí na korpusu, tokenizace a jazyka. Zákon ovlivňuje slovníky, sampling, kompresi, vyhledávání i učení embeddingů.
zjednodušený model napodobující black box
XAI surrogate model je interpretovatelnejší model natrénovaný tak, aby aproximoval predikce složitého modelu. Lokální surrogate popisuje chování v okolí jednoho vstupu, globální se snaží zachytit širšiu distribuci. Cílové hodnoty pro učení často neposkytuje realita, ale původní black box. Surrogate proto vysvětluje jeho reakce, včetně chyb. Výběr architektury, vzorkování, váhování a rozsahu určuje, co aproximace zachytí. Povinnou součástí je měření fidelity na relevantních případech a označení oblastí, kde zjednodušení selhává.
Zmírňování halucinací
Hallucination mitigation označuje opatření, které snižují pravděpodobnost, rozsah nebo následok nepodloženého výstupu. Zahrnuje kvalitnejšie data a trénink, retrieval augmented generation, volání overených nástrojů, omezení odpovědi na dostupný kontext, požadavek na citace, kalibrované odmítnutí, postprodukčnou verifikaci a lidské schválení. Nejde o jednu techniku ani o úplné odstranění javu. Účinnost se musí měřit pro konkrétní doménu, typ otázky a model, protože zásah může znižovat halucinace, ale současně zhoršit úplnost, tvorivosť nebo používatelskou užitečnost.
Znalostní báze
Znalostní báze je spravovaná kolekce faktů, pravidel, dokumentů, definic nebo případů, kterou systém používá na vyhledávání, odvozování nebo podporu odpovědí. Může mít relační, dokumentovou, grafovou, ontologickou nebo hybridní strukturu. Od běžného úložiště se odlišuje důrazem na význam, kurátorství, původ, vztahy a použitelnost pro znalostní úlohu. Její kvalita zahrnuje správnost, úplnost, aktuálnost, konzistenci, přístupová práva a dohledatelnost změn. Každý objekt má mít identifikátor a vlastníka, aby se dala provést oprava bez nejasného dopadu.
Znalostní graf
Znalostní graf je štruktúrovaná reprezentace, ve které uzly označují entity, koncepty nebo hodnoty a hrany pomenované vztahy mezi nimi. Tvrzení se často zapisují jako trojice subjekt, predikát, objekt a doplňají se identifikátormi, typmi, ontológiou, kontextem a provenance. Graf podporuje propojování heterogénnych zdrojů, dotazování a odvození nových vztahů. Jeho spolehlivost závisí na entity resolution, schémata, kvality tvrzení a správy konfliktů. Časové a kontextové tvrzení často vyžadují reifikaci, named graphs nebo samostatný model události.
Zpětné šíření chyby
Backpropagation je výpočetní postup na získání gradientů ztrátové funkce podle parametrů neuronové sítě. Po dopředném výpočtu predikce se chyba šíří výpočtovým grafem opačným směrem pomocí řetězového pravidla diferenciálního počtu. Výsledné parciální derivace říkají optimalizátoru, jako citlivo ztráta reaguje na změnu každého parametru. Backpropagation sama neurčuje velikost aktualizace váh, tu provádí optimalizační algoritmus podle gradientů, rychlosti učení a dalších pravidel.
Zpracování přirozeného jazyka
Natural language processing, zkráceně NLP, je interdisciplinárna oblast, která vyvíja metody na výpočetní zpracování lidského jazyka v textové nebo řečové forme. Zahrnuje reprezentaci jazyka, analýzu struktury a významu, extrakci informací, vyhledávání, překlad, klasifikaci, sumarizaci, dialóg i generování. NLP spojuje lingvistiku, štatistiku a strojové učení. Konkrétní systém nemusí jazyku rozumět ludským způsobem, může pouze spolehlivě provádět úzko definovanou transformaci.
Ztrátová funkce při tréninku YOLO
YOLO loss function je složený tréninkový cíl, který kombinuje chybu lokalizace rámce, klasifikace a podle architektury i objektovosti, distribuce souřadnic nebo dalších pomocných úloh. Lokalizačná složka často využívá variant Iou ztráty, klasifikace binárnu krížovou entropiu nebo príbuzný cíl a váhy jednotlivých částí určují jejich relativní gradientový vliv. Konkrétní formula se mezi verzemi YOLO mění. Hodnotu celkovej ztráty proto nelze porovnávat mezi implementacemi bez znalosti normalizace a přiřazení pozitivních vzorků.