TL;DR nejpoužívanějších AI pojmů

Ztrácíte se v názvosloví ze světa AI? Pak je tenhle článek pro vás.
Dali jsme dohromady nejvyhledávanější a nejpoužívanější pojmy, které souvisejí s umělou inteligencí. Můžete tento článek použít jako rychlý cheat sheet, který vám pomůže chápat výrazy, se kterými se budete pravděpodobně setkávat stále častěji. 

Vše vysvětlujeme jednoduše tak, aby pojmům porozuměl ideálně každý a abyste si je stihli přečíst i během pětiminutové pauzy mezi schůzkami. Bez zbytečné omáčky a prakticky.  

Začněme od začátku, co to je …

AI 

Artificial intelligence (AI), česky umělá inteligence, je technologie, která umožňuje počítačům a strojům simulovat lidské učení, porozumění, řešení problémů, rozhodování, kreativitu a samostatnost. Představte si ji jako asistenta, který dokáže zpracovávat informace podobně jako člověk. Pojem AI není žádná novinka – vznikl už v 50. letech. Skutečný boom ale nastal až v posledních letech, díky novým modelům, které výrazně zefektivnily porozumění přirozenému jazyku – průlomovým se staly zejména takzvané velké jazykové modely (LLM). Typickým příkladem je ChatGPT.

Například i Siri od Apple využívá prvky AI – a funguje už od roku 2011.

Machine learning

Machine Learning, česky strojové učení, je oblast umělé inteligence, která umožňuje počítačům učit se z dat –⁠ bez toho, aby je někdo musel naprogramovat krok po kroku.

Modely se učí rozpoznávat vzory, vztahy a pravidla, které v datech nejsou na první pohled vidět. Díky tomu pak zvládnou sami předpovídat, třídit nebo rozhodovat i nad novými informacemi, které předtím nikdy neviděly.

Cílem je, aby se s přibývajícími daty postupně zlepšovaly v tom, co dělají.

Deep learning 

Deep learning, česky „hluboké učení“ je typ strojového učení, který učí AI rozpoznávat vzory v datech pomocí tzv. neuronových sítí –⁠ tedy struktur inspirovaných lidským mozkem.

Čím víc „vrstev“ (neuronů) model má, tím složitější věci dokáže pochopit. Zatímco klasický Machine Learning si často vystačí s menším množstvím dat a jednoduššími algoritmy, deep learning potřebuje větší objemy dat a výkonnější výpočetní techniku.

LLM

Large Language Model (LLM), česky velký jazykový model, je forma umělé inteligence, která se specializuje na práci s jazykem – rozumí textům, umí je psát, shrnovat, překládat nebo odpovídat na otázky. Fungují a učí se na základě rozsáhlé analýzy jazykových dat, která jsou dostupná na internetu. Stojí za vznikem nástrojů, jako je ChatGPT, Gemini nebo Claude.

Chatbot

Chatbot je program, který komunikuje s lidmi pomocí textu nebo hlasu. Obvykle pomáhá s jednoduchými úkoly –⁠ odpovídá na otázky, vyřizuje rezervace nebo řeší dotazy v zákaznické podpoře.

Dřív fungoval hlavně podle předem napsaných pravidel (např. „pokud uživatel napíše A, odpověz B“). Moderní chatboti dnes využívají různé formy umělé inteligence a stále častěji jsou to velké jazykové modely (LLM), takže dokážou reagovat chytřeji a přirozeněji.

Důležité je, že chatbot ≠ AI. Většina webových chatbotů stále funguje bez použití AI.

Agent

Agent je typ AI, který dokáže plnit složitější úkoly samostatně –⁠ bez toho, abyste mu zadávali každý krok zvlášť. Stačí mu říct cíl, a on už si cestu k němu naplánuje sám.

Zatímco běžný model jako ChatGPT odpoví na jeden konkrétní prompt, agent si umí úkol rozdělit na menší části, přemýšlet nad postupem a dělat rozhodnutí v několika krocích. Je vhodný na komplexnější úkoly, plánování a automatizaci. 

Mezi nástroje, které s agenty už pracují, patří třeba OpenAI Deep Research nebo pokročilé verze ChatGPT.

Multi-agent

Multi-agent je systém, ve kterém spolupracuje víc AI agentů najednou –⁠ každý má svůj úkol, ale dohromady řeší jeden větší problém. Pracují autonomně, ale spolupracují spolu, podobně jako tým lidí.

Prakticky? Multi-agent systém by mohl např. sám naplánovat marketingovou kampaň: jeden agent zkoumá trh, druhý připravuje texty, třetí analyzuje výsledky a optimalizuje strategii v reálném čase.

V současnosti je v produkci jen minimum multi-agentních systémů. Většina z nich zatím nedosahuje takové úrovně, aby mohly podstoupit rozsáhlé uživatelské testování. Jedná se o velmi robustní řešení.

Prompt 

Prompt je zadání, které dáte umělé inteligenci. Může to být otázka, věta, úkol nebo třeba popis obrázku. Zadáním promptu vlastně říkáte: „Tohle po tobě chci.“ Umět správně promptovat je klíčem k tomu, jak kvalitní výsledek od AI dostanete.

Prompt Engineering

Prompt engineering je dovednost, která určuje jak správně zadávat pokyny AI tak, aby výstup byl co nejpřesnější, nejpraktičtější a dával smysl.

Prompt inženýři vymýšlejí chytře formulované vstupy (prompty), aby AI nástroje pracovaly přesně tak, jak mají – třeba aby psaly ve správném tónu, odpovídaly podle kontextu nebo generovaly konkrétní výstupy.

Token 

Token je nejmenší jednotka textu, se kterou AI pracuje. Může to být celé slovo, část slova nebo třeba interpunkční znaménko.

AI nečte text jako lidé – místo toho ho rozděluje na tokeny. Například věta „Ahoj světe!“ může být rozdělena na tři tokeny: „Ahoj“, „světe“ a „!“.

Počet tokenů ovlivňuje, kolik toho AI zvládne „přečíst“ nebo „vygenerovat“ najednou. Čím delší zadání, tím víc tokenů spotřebujete. U mnohých AI nástrojů se platí za počet použitých tokenů a nebo je jejich použití limitováno. 

Embedding

Embedding je způsob, jak si AI „překládá“ slova a věty do čísel (do vektorů), kterým modely rozumí a tak s nimi mohou dále pracovat. 

Představte si to jako mapu, kde si AI ukládá významově podobná slova blízko sebe – třeba „kočka“ a „pes“ leží blíž než „kočka“ a „stůl“.

Díky embeddingům dokáže AI vyhledávat podle významu, porovnávat texty nebo doporučovat obsah, který spolu souvisí.

Context window

Context window je rozsah textu, který si AI dokáže „udržet v hlavě“ v rámci jednoho zadání nebo konverzace.

Například model ChatGPT-4o zvládne až 128 000 tokenů, což odpovídá zhruba 300 stranám textu. Starší nebo jednodušší modely ale pracují jen s několika tisíci tokeny.

Čím větší context window, tím lépe AI chápe kontext, drží se tématu a reaguje konzistentně i ve složitějších úkolech.

Fine-tuning

Fine-tuning je proces, kdy se už předtrénovaný AI model „doladí“ pro konkrétní účel nebo typ dat.

Představte si to jako přeučení obecně chytrého modelu na specialistu –⁠ třeba AI, která rozumí všemu trochu, ale po fine-tuningu se zaměří jen na právní texty, zákaznickou podporu nebo specifický tón značky.

Používá se, když chcete, aby model lépe reagoval na konkrétní požadavky. 

Reasoning model

Reasoning model je typ jazykového modelu, který se nesoustředí jen na to, co už „viděl“ v trénovacích datech, ale umí logicky uvažovat, plánovat kroky a řešit problémy.

Zatímco běžný model generuje odpovědi na základě podobností v textech, reasoning model se snaží najít cestu k odpovědi krok po kroku –⁠ podobně jako člověk, když přemýšlí nad složitým úkolem.

Mezi reasoning modely patří například GPT 4o, Gemini 2.5 Pro nebo DeepSeek R1. 

Generativní AI 

Generativní AI je typ umělé inteligence, která vytváří nový obsah –⁠ texty, obrázky, zvuk, kód nebo videa.

Na rozdíl od jiných modelů, například prediktivní AI, která pracuje se statistikou nebo časovými řadami, generativní AI tvoří něco nového na základě toho, co se naučila z trénovacích dat.

V praxi se často chybně zaměňuje za LLM, které jsou sice jednou z forem generativních modelů, ale jedná se o širší pojem, který zahrnuje i modely pro tvorbu obrázků, zvuků nebo videí.

Deep research

Deep research označuje schopnost AI hledat, třídit a vyhodnocovat informace z různých zdrojů tak, aby vám poskytla co nejpřesnější odpověď.

Nejde jen o rychlé zodpovězení otázky, ale o komplexní rešerši. Používá se třeba při psaní odborných textů, analýzách trhu nebo při strategickém rozhodování. Je spojen s nástroji, které mají přístup k aktuálním datům na internetu (např. ChatGPT Deep Research, Perplexity.ai nebo Consensus).

Benchmark

Benchmark je standardizovaný test, kterým se měří a porovnává výkon AI modelů. 

Modely jako ChatGPT, Claude nebo Gemini se pravidelně testují na benchmarcích jako je MMLU (pro všeobecné znalosti) nebo GPQA. Výsledky pak často slouží jako podklad pro výběr příslušného nástroje. 

Benchmarky jsou užitečné pro orientaci, ale často testují jen úzké dovednosti. V reálném použití může model s nižším skóre klidně fungovat lépe. 

Jak si jednotlivé modely stojí můžete sledovat třeba zde.

NLP

Natural Language Processing, česky zpracování přirozeného jazyka, je oblast AI, která se zabývá porozuměním lidské řeči. 

Díky NLP umí AI číst, psát, odpovídat na otázky nebo třeba poznat tón zprávy.

AGI

Artificial General Intelligence, česky obecná umělá inteligence, je hypotetický typ AI, který by zvládl řešit jakýkoliv úkol stejně dobře (nebo lépe) než člověk. 

AGI by mohla samostatně vymyslet vědeckou teorii, vyřešit právní spor nebo vést firmu. Zatím neexistuje, ale firmy jako OpenAI nebo Anthropic se o to pokoušejí. 

RAG

Retrieval augmented generation, česky generování s podporou vyhledávání, je způsob, kdy je AI propojená s externími daty. Například s aktuálními daty společnosti, se kterými pracuje a generuje na základě nich odpovědi. Díky tomu pracuje s ověřenými informacemi  –⁠ takže je přesnější a spolehlivější.

RAG se zpravidla využívá třeba pro firemní chatboty, kteří odpovídají podle interní dokumentace, nebo AI asistenty, kteří čerpají z aktuálních článků, smluv či dat.

CAG

Cache-Augmented Generation funguje tak, že si AI předem uloží důležité informace do své „krátkodobé paměti“ (context window), aby je mohla později rovnou použít. Díky tomu dokáže rychleji reagovat a držet se tématu, protože si už potřebné znalosti nese s sebou.Na rozdíl od jiných přístupů nehledá informace až v momentě dotazu – má je už připravené.

Používá se třeba u nástrojů, kde se opakovaně pracuje se stejným kontextem – například u chatbotů, kteří řeší vícekrokové úkol

Závěr

Svět AI se mění neuvěřitelně rychle –⁠ a s tím roste i počet nových pojmů, se kterými se člověk setkává. Klidně proto časem připravíme verzi 2.0 (a možná i 3.0).

Doufáme, že vám po přečtení článku dávají tyhle pojmy větší smysl a budou se vám hodit v praxi. 🚀