Fórum:AI

Z WikiSkript

AI Gemini pro studenty na rok zdarma[upravit | editovat zdroj]

Mohlo by se Vám hodit: https://www.lf1.cuni.cz/google-gemini-pro-studenty-na-rok-zdarma

Příchod AI agentů[upravit | editovat zdroj]

AI – přehled a rozcestník[upravit | editovat zdroj]

Krátký rozcestník k umělé inteligenci: základní pojmy, nástroje a použití ve vzdělávání, vědě a medicíně. Stránka je dlouhá – používejte obsah a rozbalovací sekce.

Kalendář AI seminářů (podzim a zima 2025)[upravit | editovat zdroj]

Kdy Název akce Téma / odkaz na registraci Kde
27.11. 14-16 AI v práci pedagoga Pomůže umělá inteligence při výuce? Příprava podkladů, návrh Learning Outcomes, návrh aktivizačních prvků v hodině a mnoho dalšího. + Přehled nejnovějších AI nástrojů. Čestmír Štuka, Jan Zeman Velká zasedací místnost 1. LF
10.11. 13-15 Využití umělé inteligence pro výzkum a publikační činnost
AI pro vědeckou práci: etika a nástroje
Čestmír Štuka, Jan Zeman Velká zasedací místnost v Karolinu
6.11. 14-16 AI v práci pedagoga Využití umělé inteligence při výuce a hodnocení studentů, tvorba testových úloh pomocí AI, rychlá analýza výsledků studentů, využití AI pro komiksy, obrázky a infografiky a přehled nejnovějších AI nástrojů V pravé rýsovně (č. dv. 373) v budově na Albertově 6
4.11. Učíme se s AI Studenti studentům (organizuje Jakub Vávra) Spolek mediků
15.10. 14-16 AI na vlastním železe AI modely na lokálním HW
  1. Petr Beránek - 30 min,
  2. Jan Zeman, Ant. Procházka - 20 min
  3. Josef Martiňák, Čest. Štuka - 10 min
  4. Martin Ouvín - 20 min
  5. další - dle potřeby
Posluchárna Chemie 3.073
8.10. 14-16 Podzimní novinky v AI Čestmír Štuka a Jan Zeman vás seznámí s tím co již víte. Posluchárna Chemie 3.073
1.10. 14-16 AI v biomedicínském výzkumu Michaela Liegertová - AI v biomedicínském výzkumu a
Martin Májovský - Integrita publikací v době velkých jazykových modelů.
Velká zasedací místnost 1. LF

Rychlé odkazy na nástroje (chat)[upravit | editovat zdroj]

Pro začátečníky[upravit | editovat zdroj]

Vyzkoušejte si jak funguje AI

Mini-glosář pojmů[upravit | editovat zdroj]

Velký jazykový model (LLM)

Model strojového učení vytrénovaný na obrovském množství textu, který umí předpovídat další slova a generovat souvislý text. Ne„ví“ věci jako člověk, ale statisticky odhaduje pravděpodobná pokračování a může pracovat se strukturou úkolu (instrukce, příklady).

Transformátor (Transformer)

Architektura neuronové sítě založená na mechanismu „self-attention“, který umožňuje modelu soustředit se na důležité části vstupu. Díky paralelizaci a škálování je základem dnešních LLM i pokročilých modelů pro obraz/zvuk.

Token a tokenizace

Token je základní jednotka textu, se kterou model pracuje (může to být slovo, část slova nebo znak). Tokenizace je převod textu na tokeny; délka i cena výpočtu se počítá v tokenech, ne v „slovech“.

Halucinace (hallucinations)

Sebevědomě znějící, ale fakticky chybné nebo smyšlené odpovědi modelu. Snižují se lepším zadáním (kontext, zdroje), ověřováním a technikami jako RAG.

RAG – Retrieval-Augmented Generation

Postup, kdy se před odpovědí vyhledají relevantní dokumenty a předají modelu jako kontext. Zvyšuje aktuálnost a ověřitelnost, protože model „cituje“ dodané podklady místo pouhého vzpomínání.

Fine-tuning vs. promptování

Fine-tuning znamená dovytrénování modelu na vlastních datech (dražší, stabilní chování pro úzké úlohy). Promptování je práce s instrukcemi a příklady bez tréninku (rychlé, levné, flexibilní) – často stačí pro většinu kancelářských a výukových úkolů.

Agent a agentická AI

Agent je systém, který rozkládá cíl na kroky, volá nástroje (prohlížeč, kód, soubory) a sám plán upravuje podle výsledků. Agentická AI tyto schopnosti rozšiňuje o dlouhodobější plánování a koordinaci více úkolů či nástrojů.

API vs. MCP[upravit | editovat zdroj]

API je konkrétní rozhraní jedné služby, zatímco MCP (Model Concept Protokol) je univerzální protokol, který umožňuje AI používat různé nástroje jednotným způsobem.

API vs.MPC
  • API (Application Programming Interface) je rozhraní, přes které spolu mluví dva programy.
  • Typicky: HTTP REST API, gRPC, WebSocket…
  • Máš konkrétní endpointy:
    • GET /users/123
    • POST /messages
  • Posíláš request, dostaneš response.
  • Specifické pro jednu službu (třeba bankovní API, GitHub API, OpenAI API…).

Můžeš si to představit jako: „Jdu na konkrétní úřad k určité přepážce a vyřizuji jednu věc.“

MCP (Model Context Protocol) je protokol, jak model (např. AI systém) komunikuje s tzv. tool servery (nástrojovými službami).

  • Není to jedno konkrétní API, spíš standard, jak:
    • deklarovat nástroje (tools),
    • volat je,
    • vracet výsledky,
    • pracovat s „kontextem“ (soubory, databáze, služby…).
  • Umožňuje, aby jeden model mohl jednotným způsobem používat mnoho různých nástrojů (které interně klidně mají vlastní API).
  • Důležité je, že MCP popisuje:
    • jak nástroj oznámí: „Umím funkci X s těmito parametry,“
    • jak model řekne: „Zavolej tuhle funkci s těmito daty,“
    • jak se vrací odpovědi zpět modelu.

Přirovnání: „Je to univerzální tlumočník a pravidla, jak si má AI povídat s libovolnými službami/nástroji.“

API vs. MCP – hlavní rozdíly
  • MCP
    • metavrstva/standard nad tím – říká, jak modelům tyto služby vystavit jako nástroje.
    • Nástrojový server v MCP může pod kapotou volat libovolná API.
Kdo je typický „uživatel“
  • API
    • používají lidské aplikace – tedy programátoři, kteří píšou backend/front-end, integrace.
  • MCP
    • používá primárně model (AI) – ten přes MCP dostane seznam nástrojů a pak je volá, když to dává smysl v dialogu.

Trocha historie[upravit | editovat zdroj]

Vývoj AI[upravit | editovat zdroj]

Trocha teorie[upravit | editovat zdroj]

Kurzy[upravit | editovat zdroj]

Neuronové sítě[upravit | editovat zdroj]

Topologie neuronových sítí[upravit | editovat zdroj]

Učení neuronových sítí[upravit | editovat zdroj]

Učení s dohledem[upravit | editovat zdroj]

Učení pod dohledem, učení s učitelem,

Reinforcement learning - zpětnovazebné učení
  • Tréninková sada dat
  • Testovací sada dat
Generalizace
  • Zobecnění vs. zapamatování
  • Zobecnění - síť dobře generalizuje, když rozpozná příznak u případu, který ještě neviděla.
  • Zapamatování

Redukce dimenzionality[upravit | editovat zdroj]

Funkce Softmax[upravit | editovat zdroj]

Zarovnání[upravit | editovat zdroj]

Mesa optimalizace[upravit | editovat zdroj]

Mesa-optimalizace je situace, která nastane, když naučený model (jako je neuronová síť) je sám o sobě optimalizátorem. V této situaci vytvoří základní optimalizátor druhý optimalizátor, který se nazývá mesa- optimalizátor . Primární referenční prací pro tento koncept je Hubinger et al. „ Rizika z naučené optimalizace v pokročilých systémech strojového učení “.

Příklad: Přirozený výběr je optimalizační proces , který optimalizuje reprodukční zdatnost. Přírodní výběr vytvořil lidi, kteří jsou sami optimalizátory. Lidé jsou proto mesa-optimalizátory přírodního výběru a hackli původní systém přírody:

  1. Oddělili sex od rozmnožování.
  2. Oddělili zajištění na stáří od výchovy dětí.
  3. Oddělili obživu od práce.
  4. Oddělili sociální kontakty od setkávání s lidmi.

V kontextu zarovnání AI je obava, že základní optimalizátor (např. proces sestupu gradientu) může vytvořit naučený model, který je sám o sobě optimalizátorem a který má neočekávané a nežádoucí vlastnosti. I když se proces sestupu gradientu v určitém smyslu „pokouší“ dělat přesně to, co lidští vývojáři chtějí, výsledný mesa-optimalizátor se obvykle nebude snažit dělat přesně to samé.

Velké jazykové modely[upravit | editovat zdroj]

Jak funguje LLM[upravit | editovat zdroj]

Pokročilé modely[upravit | editovat zdroj]

Prompt engineering[upravit | editovat zdroj]

Přesnost dotazů na umělou inteligenci (promptů) je důležitá proto, že jde vlastně o programování v přirozeném jazyce. Každé upřesnění promptu, každý krok v komunikaci s LLM je vlastně zvědoměním si toho, co tvořím.

Prompt injection[upravit | editovat zdroj]

Oblíbené prompty[upravit | editovat zdroj]

Humanizéry[upravit | editovat zdroj]

Humanizace

Jak psát text, který působí lidsky[upravit | editovat zdroj]

Lidé se často ptají, zda lze poznat text napsaný umělou inteligencí. Krátká odpověď: nelze. Stačí použít vhodný přístup nebo nástroj, například tento: → odkaz na nástroj

Prompt pro přirozené psaní[upravit | editovat zdroj]

Role[upravit | editovat zdroj]

Jsi spisovatel, který tvoří upřímný a lidsky působící text. Píšeš jednoduše, přirozeně a srozumitelně. Tvoje práce připomíná přátelský rozhovor, ne marketingovou prezentaci.

Styl psaní[upravit | editovat zdroj]

  • Piš lidsky.
  • Používej běžné zkratky („jsi“, „nemáš“, „neudělám“, „nechci“).
  • Střídej rytmus: krátké úderné věty s delšími, které dávají čtenáři prostor.
  • Nech text dýchat – přidávej přirozené pauzy a občasné odbočky.
  • Vysvětluj jednoduše, jako bys mluvil s kamarádem u kávy.
  • Upřednostni přirovnání před odborným jazykem.
  • Piš tak, aby se text četl snadno a působil opravdově.

Znaky lidského psaní[upravit | editovat zdroj]

  • Text má rytmus, drobné nedokonalosti a konkrétní detaily.
  • Začínej věty spojkami A nebo Ale, když to zní přirozeně.
  • Používej útržky vět pro důraz.
  • Vyhýbej se obecným frázím typu „dosáhnout úspěchu“ – napiš konkrétně („získat klienta“, „mít klidný spánek“).
  • Ukazuj způsob myšlení:
    • „jde mi o to, že…“
    • „zkus se na to podívat takhle…“
    • „víš ten pocit, když…“
  • Přiznej nejistotu:
    • „nejsem si jistý, ale…“
    • „možná je to jen můj dojem, ale…“
  • Piš s názorem – řekni, co si skutečně myslíš.
  • Používej běžné výrazy: „upřímně“, „fakt“, „koukej“, „tak trochu“.
  • Nech myšlenky doznít, když to odpovídá toku řeči.
  • Piš, jako bys mluvil s jedním člověkem naproti sobě, ne k publiku.

Zásady spojení s čtenářem[upravit | editovat zdroj]

  • Začni emocí, pak předej hodnotu.
  • Ukaž, že chápeš čtenářovy pocity a situaci, dřív než nabídneš řešení.
  • Text může být mírně „neučesaný“ – přidej osobní poznámky nebo krátké vsuvky.
  • Piš tak, jako bys sám prožil to, o čem mluvíš.
  • Opři se o konkrétní detaily a emoční pravdu, která čtenáře přiměje říct: „Jo, přesně tak.“

Postup práce[upravit | editovat zdroj]

Když dostaneš téma:

  1. Najdi emocionální zkušenost, která se za ním skrývá.
  2. Začni okamžikem rozpoznání – něco, co čtenář sám zažil.
  3. Sdílej poznatek jako objev, ne poučku.
  4. Používej „my“ a „ty“, aby vznikla blízkost.
  5. Skonči něčím praktickým, co lze skutečně udělat.

Zásada: Upřednostni jasnost před chytrostí. Každé slovo má čtenáře posunout dál nebo s ním vytvořit spojení.

Vyhýbej se[upravit | editovat zdroj]

Vyhýbej se korporátním, generickým a prázdným frázím. Nepoužívej tyto výrazy a jejich varianty:

Klišé Nahraď tímto
mohlo by se zvážit co kdyby
je důležité poznamenat uvědom si
aby bylo možné aby
z důvodu, že protože
vzhledem k tomu, že protože
v současné době teď
na základě podle
v neposlední řadě vypusť
závěrem vypusť
v rámci projektu v projektu
cílem je chci / jde o to
v kontextu v souvislosti s
posouvá hranice vypusť nebo napiš konkrétně
v dnešní době dneska
optimalizovat procesy napiš konkrétně, co se zlepšuje
implementovat řešení nasadit / použít
dosáhnout výsledků udělat něco / získat něco
umožňuje efektivnější práci usnadňuje práci
vytváří přidanou hodnotu napiš, co přesně to přináší
klíčový faktor úspěchu napiš konkrétně, co rozhoduje
v rámci strategie ve strategii
otevírá nové možnosti napiš konkrétně, jaké
posouvá na vyšší úroveň vypusť
efektivní řešení funkční / rychlé
využít potenciál naplno použít
komplexní přístup celkový pohled
moderní trend nový způsob / současný přístup / „dobrou praxí je dneska“

Vyhýbej se také těmto prázdným konstrukcím:

  • „zajistit, aby bylo dosaženo“
  • „být v souladu s cíli“
  • „v rámci implementace strategie“
  • „podporovat inovace“
  • „zvyšovat efektivitu procesů“
  • „nabízíme řešení na míru“
  • „poskytujeme přidanou hodnotu“

Shrnutí[upravit | editovat zdroj]

Piš tak, jak lidé skutečně mluví – jednoduše, konkrétně a bez firemních klišé. Autentický text nevzniká z dokonalosti, ale z opravdovosti a spojení s čtenářem.

Michal Kubíček, FB, 12.10.2025

Prompty pro analýzu testu[upravit | editovat zdroj]

Vložím soubor s výsledky testu, co řádek to student, co sloupec to testová úloha.

  1. Zrekonstruuj klíč správných odpovědí na základě toho, že u správné odpovědi je navíc velké písmeno X.
  2. Použij klíč a spočti hrubé skóre studentů.
  3. Z těchto skóre vytvoř histogram.
  4. Vypočti pro jednotlivé úlohy jejich obtížnost a diskriminaci.
  5. Ulož tyto hodnoty do tabulky. Tabulku mi pošli ve formátu excel.
  6. Vykresli sloupcový graf se dvěma proměnnými, kde na ose x budou položky seřazené podle obtížnosti a pro každou položku bude červeně vynesená hodnota obtížnosti a modře vynesená hodnota diskriminace. Pro popis osy x použij menší font aby se popisky položek nepřekrývaly.
  7. Graf mi pošli jako soubor v excelu.

ChatGPT[upravit | editovat zdroj]


ChatHub + Poe[upravit | editovat zdroj]

Google Gemini[upravit | editovat zdroj]

Copilot[upravit | editovat zdroj]

Pokud máte licenci na Copilot M365 a copilota nevidíte v nainstalovaných aplikacích ale jenom ve webových verzích, může to být tím, že je potřeba aktualizovat licenci a restartovat aplikaci. Pak už by se měl copilot objevit. Tedy např. v desktopové aplikaci Word hledáte pod odkazem Účet (Account) a vyberete položku Update License.


  • Blackbox AI (odpověď s kódem)
  • Cogram (SQL placené)
  • Grammarly (gramatika - free)
  • Jasper (pisálek free)
  • Scribe (generátor průvodců - free)

Copilot pro PowerPoint[upravit | editovat zdroj]

Claude3[upravit | editovat zdroj]

Unfortunately, Claude.ai is only available in certain regions right now. We're working hard to expand to other regions soon. Get notified when Claude is available in your region.

OpenEuroLLM[upravit | editovat zdroj]

Agenti AI a Agentická AI[upravit | editovat zdroj]

Perplexity Comet[upravit | editovat zdroj]

Claude Code[upravit | editovat zdroj]

Claude Pro nyní obsahuje agenta, který umí pracovat na lokálním PC.

Claude Code je agentní kódovací nástroj, který může běžet ve vašem terminálu, rozumí vaší kódové základně a pomáhá vám kódovat rychleji prováděním rutinních úkolů, vysvětlováním složitého kódu a zpracováním pracovních postupů, to vše prostřednictvím příkazů v přirozeném jazyce. docs.anthropic.com/s/claude-code

Win 11[upravit | editovat zdroj]

Analýza dat s AI[upravit | editovat zdroj]

AI v kancelářských aplikacích[upravit | editovat zdroj]

Užitečnost AI[upravit | editovat zdroj]

AI v grafice[upravit | editovat zdroj]

Nano Banana[upravit | editovat zdroj]

Ostatní[upravit | editovat zdroj]

Rozpohybování fotek[upravit | editovat zdroj]

(video generátory)

Minimax[upravit | editovat zdroj]

Runway (Gen3)[upravit | editovat zdroj]

Luma Dream Machine[upravit | editovat zdroj]

Kling[upravit | editovat zdroj]

Deep Dream Generator[upravit | editovat zdroj]

Porovnání[upravit | editovat zdroj]

Zajímavosti[upravit | editovat zdroj]

AI ve videu[upravit | editovat zdroj]

Wan 2.2 Animate[upravit | editovat zdroj]

Systém pro animaci postav a výměnu postav ve videích.


Lokální generátor videa FramePack[upravit | editovat zdroj]

AI ve vyhledávání[upravit | editovat zdroj]

AI v biochemii[upravit | editovat zdroj]

AI v hudbě[upravit | editovat zdroj]

AI ve škole[upravit | editovat zdroj]

AI v psychoterapii[upravit | editovat zdroj]

AI v programování[upravit | editovat zdroj]

AI ve správě webu, médií, ...[upravit | editovat zdroj]

Je možné nechat AI projít webovou stránku a nechat navrhnout vylepšení?

  • GPT 4, Stáhněte si pluginy - KeyMate, LinkReader, SEO (nebo další pluginy pro pomoc s weby). Dejte mu prompt: “Posílám link na web. Tento web se zabývá tím a tím. Projdi si ho a navrhni vylepšení (případně odhal chyby), abychom zvýšili návštěvnost.
  • ChatGPT s pluginem pro procházení webu a nebo nově Bard, který už funguje v České republice.
  • Lighthouse
  • Plugin do prohlížeče jménem Merlin AI. Využíval zdarma chatgtp a dokázal se spojit s webem. Má to jednoduchou instalaci a nastavení.
  • Nástroj pro kontrolu novinových článků (Šlerka)

Používání umělé inteligence k vytváření vysoce kvalitních zpráv

https://ts2.space/cs/analyza-ai-a-sentimentu-ziskavani-emocionalnich-vhledu-z-textu-a-reci/ Nástroje pro analýzu sentimentu

ChatBot
  • https://botpress.com/
  • LivechatAI (drahý), Voiceflow, Langchain, pripadne Landbot taky menej komplikovaný
Dabing
  • Rask.ai dokáže předabovat při zachování hlasu původního herce.
  • Elevenlabs.io dokáže klonovat hlas a nechat jej mluvit to, co je zadáno textově.
  • TTS od Coqui z githubu. Umi to klonovat i cestinu, resp jakykoliv jazyk, ale je to hooodne citlivy na vstup a asi i dalsi nastaveni.

Novinky v AI[upravit | editovat zdroj]

Text to video[upravit | editovat zdroj]

Text to speech[upravit | editovat zdroj]

Speech to text[upravit | editovat zdroj]

Přepis schůzky[upravit | editovat zdroj]

(zvukový záznam na text, Audio to text)

Přepis nahrávky v Gemini[upravit | editovat zdroj]

Google Gemini nyní nabízí zdarma přepis zvuku pro soubory do celkové délky 10 minut. Uživatelé mohou nahrát soubory MP3, AAC nebo WAV – jednotlivě nebo až 10 souborů dohromady nepřesahující 10 minut. Gemini rychle analyzuje a přepisuje mluvené audio do čitelného textu. Poté můžete požádat Gemini, aby uklidila vyplňující slova („um“, „ach“) nebo shrnula klíčové body.

Postup

Ujistěte se, že máte nejnovější aplikaci Gemini nebo si otevřete gemini.google.com . Klepněte na „+“ a zvolte Nahrát soubory (nebo Soubory v aplikaci). Napište příkaz jako „přepište tuto řeč. ” Pokud dojde k chybám, zkuste výzvu znovu. Gemini také podporuje vyhledávání v přepisech a jejich zdokonalování pro přehlednost. Díky tomu je Gemini bezplatná a rychlá alternativa k placeným nástrojům jako je Otter.ai

AI ve výuce[upravit | editovat zdroj]

AI v publikační činnosti[upravit | editovat zdroj]

AI ve vědě[upravit | editovat zdroj]

Využití chatbotů pro tvůrčí činnost v akademickém prostředí]

AI při zpracování dlouhých textů[upravit | editovat zdroj]

Etické používání AI ve výuce[upravit | editovat zdroj]

Využití AI při studiu medicíny[upravit | editovat zdroj]

  • Integrating artificial intelligence into medical education
    • Systematická rešerše (BMC Medical Education, 2025) syntetizuje 14 studií o využití umělé inteligence (AI) v medicínském vzdělávání, vybraných z více databází na základě protokolu zaregistrovaného v PROSPERO; zkoumané práce (scopingové přehledy, dotazníky, kvalitativní studie, pilotní kurzy) se zaměřují na široké spektrum aplikací od přijímacích řízení přes diagnostiku až po výuku a hodnocení. Autoři upozorňují na nutnost fázového přístupu, který začíná základní AI gramotností v preklinickém studiu a postupně přechází k pokročilým klinickým aplikacím. Díky pečlivému designu (PRISMA, hodnocení biasu), transparentním omezením a doporučením je článek spolehlivým zdrojem pro orientaci v této oblasti.

Anthropic Education Report: How University Students Use Claude[upravit | editovat zdroj]

Jak univerzitní studenti využívají Clauda?

Analýza milionů konverzací souvisejících se vzděláváním. Studenti primárně používají Claude k

  • vytváření a zlepšování vzdělávacího obsahu (39,3 %) a
  • poskytování technických vysvětlení (33,5 %).
  • Počítačové vědy představují 38,6 % Claudových konverzací, přesto že tvoří pouze 5,4 % diplomů.
  • Používají studenti AI k podvádění? Studenti žádají aby přepsal esej, aby se zabránilo odhalení plagiátorství.
  • Studenti většinou používali umělou inteligenci k vytváření a analýze obsahu (podle Bloomovy taxonomie vzdělávacích cílů). Jak zabránit studentům, aby nepřenesli kognitivní úkoly na umělou inteligenci?

Využití AI ve výuce medicíny[upravit | editovat zdroj]

AI v testování a hodnocení studentů[upravit | editovat zdroj]

AI simulovaný pacient[upravit | editovat zdroj]

Využití AI v medicíně[upravit | editovat zdroj]

AI v nemocnici[upravit | editovat zdroj]

Transparentnost použití AI v medicíně[upravit | editovat zdroj]

Med-PaLM 2: Medical large language model[upravit | editovat zdroj]

Úspěšnost modelu MedPalm2 při zkouškách USMLE ve srovnání se staršími modely.

    • Med-PaLM 2 může zpracovávat informace ze zobrazovacích metod, jako jsou rentgenové snímky hrudníku, mamogramy a další. Velké jazykové modely mohou být překvapivě úspěšné v testech, které mají zkoumat porozumění, znalosti a schopnost uvažování, které si absolventi lékařských fakult osvojují dlouhá léta. Otázkou je, zda schopnost odpovědět na otázky testu je stejnou výpovědí o kompetencích, jako v případě lidského subjektu.

Zkontrolujte, zda je Med-PaLM dostupný ve vaší zemi. Med-PaLM je v současné době dostupný pouze v následujících zemích: Spojené státy Kanada Spojené království Austrálie Nový Zéland Singapur Indie Japonsko Jižní Korea

Využití AI pro tvorbu Wikipedie a WikiSkript[upravit | editovat zdroj]

AI prakticky[upravit | editovat zdroj]

PyTorch Lightning[upravit | editovat zdroj]

PyTorch Lightning je framework postavený na knihovně PyTorch, který zjednodušuje a zpřehledňuje psaní kódu pro trénování modelů strojového učení a hlubokého učení. Jeho cílem je oddělit vědeckou logiku (co model dělá) od inženýrské logiky (jak se model trénuje).

Při trénování modelu v klasickém PyTorchi bývá trénovací kód často dlouhý a plný opakujících se částí (cykly, logování, ukládání checkpointů apod.). PyTorch Lightning tyto rutiny automatizuje, takže se vývojář může soustředit na architekturu modelu a výzkum.

  1. Čistý a přehledný kód – bez ruční správy cyklů a zařízení
  2. Snadné škálování – model může běžet na více GPU, TPU nebo v cloudu bez změny logiky
  3. Kompatibilita s PyTorchem – stále lze používat nativní moduly, dataset API i vlastní vrstvy
  4. Integrované logování – podpora TensorBoard, Weights & Biases a dalších nástrojů

PyTorch Lightning je ideální pro rychlý výzkum, replikovatelnost a čistý kód při práci s hlubokými neuronovými sítěmi. Je používán jak ve vědeckém výzkumu, tak i v průmyslových projektech, kde je potřeba efektivně spravovat trénovací procesy.

Hugging Face[upravit | editovat zdroj]

Platforma Hugging Face je oblíbená open-source platforma a komunita pro strojové učení, zvláště zaměřená na oblasti zpracování přirozeného jazyka (NLP) a umělé inteligence (AI). Hlavní charakteristiky a funkce Hugging Face zahrnují:

  • Knihovna Transformery

Tato knihovna nabízí přístup k široké škále předtrénovaných modelů, jako jsou BERT, GPT-2, T5, a další, které lze použít pro různé úlohy NLP, jako je klasifikace textu, generování textu, otázky a odpovědi a summarizace.

  • Kolaborativní Komunita

Hugging Face podporuje velkou a aktivní komunitu výzkumníků, vývojářů a nadšenců do AI, kteří sdílejí modely, nástroje a nejlepší postupy.

  • Přístup k Modelům

Uživatelé mohou snadno stahovat a používat různé předtrénované modely pro své projekty. Kromě toho mohou sdílet své vlastní modely s komunitou.

  • Nástroje pro Vývoj a Výzkum

Platforma poskytuje nástroje a knihovny, které usnadňují experimentování a vývoj v oblasti strojového učení a AI.

  • Podpora Různých Jazyků a Domén

Hugging Face podporuje širokou škálu jazyků a domén, což umožňuje jejich použití v různých aplikacích a projektech.

  • Integrace s Jinými Platformami

Hugging Face se dá integrovat s populárními nástroji a platformami pro strojové učení, jako jsou TensorFlow, PyTorch a další. Platforma Hugging Face je tedy velmi užitečným zdrojem pro každého, kdo se zajímá o strojové učení a AI, nabízí flexibilní a mocné nástroje pro různé aplikace v oblasti NLP a AI.

Lokální instalace AI[upravit | editovat zdroj]

Pokud chcete provozovat AI nezávisle a bezplatně (ale pomaleji) zvolte lokální instalaci AI.


Lokální AI pro generování obrázků[upravit | editovat zdroj]

Flux[upravit | editovat zdroj]

(generování obrázků) (via Prompt Lab) Flux Dev model je nový typ modelu stable diffusion. Lze ho spustit přes comfyUI, přes workflow dostupné na civitAI, ale je velice náročný na hardware.

  • Minimální doporučené požadavky jsou 12gb VRAM a 30GB RAM. Každopádně verze Schnell je dostupnější, ale má větší chybovost... Oba tyto modely jsou dostupné buď na githubu, nebo civitAI...
  • Musíte mít grafickou kartu nVidia alespoň 12Gb, poté nainstalovat comfyUI. To stáhnete na tomto odkazu

Potom stáhněte comfyUI manager

Poté stáhnete model Flux, VAE a workflow, které najdete na civitAI...

Flux Kontext model[upravit | editovat zdroj]

Dostupný přes API, nebo lokálně spustitelný p5es ComfyUI. (ComfyUI je grafické uživatelské rozhraní (GUI) pro práci s generativními obrazovými modely) Překvapivě běží plynule a rychle i na , podobně jako klasický Flux Dev.

💡 Co to umí? (via. PromptLab)
– Měnit styl obrázku (např. fotka → ilustrace)
– Spojit dvě osoby do jednoho obrázku se zachováním identity obličejů
– Oblékat generované i reálné postavy do libovolného oblečení
– Vkládat produkty do rukou
– Přetvořit objekty (např. běžné auto → kabriolet)
– Restaurovat staré nebo poškozené fotky
– Generovat konkrétní charakter (postavu) ve více pózách, výrazech i scénách
– A hlavně: udržet kontext a přesně reagovat na úpravy vloženého obrázku jen na základě promptu.

ComfyUI[upravit | editovat zdroj]

ComfyUI je grafické uživatelské rozhraní (GUI) pro práci s generativními obrazovými modely

Automatizace s pomocí AI[upravit | editovat zdroj]

GPT4All[upravit | editovat zdroj]

Spusťte si Chatbota u sebe na počítači! Program Gpt4all - offline jazykový model s přístupem k lokálním souborům (snad všechny formáty). Některé jazykové modely ke stažení (3 - 8Gb) umí i česky. No v češtině nic moc. Ale zase je schopen pracovat s různými soubory. Rychlost odpovědi jako GPT4 (s 8Gb grafikou). Počítat vyloženě neumí, ale dějiny zná. Umí pracovat s tabulkou a udělat jakž takž souhrn. Programovací jazyky zvládá.

Model umělé inteligence sám “nepřemýšlí”. Funguje tak, že je nejdříve potřeba jej natrénovat (s pomocí velmi výkonného hardwaru — GPU nebo TPU)— do neuronové sítě se pustí obrovské množství dat (proto modely obsahují čísla jako 1.3B, 2.7B, 13B, 67B — počet miliard parametrů). Tímto se v síti nastaví určité “váhy”, dle kterých se neurony aktivují nebo neaktivují. Pokud do takto natrénované sítě “pustíme” vstup, výstup bude určen “váhami” v síti, u chatbotů text, který je poskládán dle nejvyšších pravděpodobností z natrénovaných dat. K inferenci již není potřeba tak velký výkon, pouze vstup “proteče” jednotlivými neurony.

Face swap[upravit | editovat zdroj]

Zpracování vložené fotky a face swap s lokálně běžící Stable diffusion s ControlNetem. Co do rozlišení je výstup limitován výkonem grafiky, ale i to se dá s controlnetem obejít.

Install Stable Diffusion Locally (Quick Setup Guide)

Pro zachování vzhledu osoby použít in paint a parametr --iw, který specifikuje, jakou váhu (od 0 do 2) má vstupní obrázek.

Kurzy AI

Využití API[upravit | editovat zdroj]

AI a bezpečnost[upravit | editovat zdroj]

Detekce obsahu generovaného AI[upravit | editovat zdroj]

Porovnání AI detektorů textu (2025)[upravit | editovat zdroj]

  • Přehled a porovnání „top AI detektorů 2025“ (funkce, klady/-zápory): TrustPost, CyberNews.
  • Praktický test 5 detektorů (GPTZero, Originality, Winston AI, Grammarly aj.) na lidském, AI a „mix“ textu – GPTZero vyšlo nejlépe: Tom’s Guide.
  • Srovnávací článek (GPTZero vs. Copyleaks vs. Originality) – přímo od GPTZero (možný bias):
  • Technická zpráva Pangramu (porovnání s GPTZero, Originality, DetectGPT + arXiv preprint):
  • Debaty nad přesností Turnitinu a limity detekce: California Learning Network, Wired, The Guardian.
  • Žádný detektor není 100 % spolehlivý. Falešně pozitivní nálezy jsou časté, hlavně u kratších textů nebo mimo angličtinu. Doporučuje se brát výsledek jako signál k rozhovoru, nikoliv důkaz.
  • Výsledky se liší testem od testu. V jedné zkoušce vyhrál GPTZero, jinde Copyleaks/Originality. Firemní blogy (např. Pangram) většinou ukazují vlastní nástroj jako nejlepší.
  • Turnitin (rozšířený ve školách) má proměnlivou přesnost. Školy varují před přeceňováním „AI skóre“.
  • Školní prostředí / LMS: využij Turnitin (pokud je k dispozici), případně kombinuj s GPTZero nebo Copyleaks jako druhý názor. Výsledek vždy ověřuj rozhovorem.
  • Obsahové týmy / SEO: Originality.ai a Copyleaks mají silné API a kontrolu plagiátů; pro rychlé manuální šeky je pohodlný GPTZero.
  • Enterprise / forenzní přístup: Pangram (model-aware přístup, benchmarky) – ale pozor na firemní bias.

Pangram[upravit | editovat zdroj]

Pangram - nástroj pro detekci textu vytvořeného umělou inteligencí (např. ChatGPT, Claude, Gemini apod.).

  • Mezi jeho funkce patří:
    • vyhodnocení pravděpodobnosti, že text byl napsán AI
    • rozpoznávání konkrétního modelu AI, který text mohl generovat
    • kontrola plagiátorství (porovnání s existujícími texty)
    • podpora pro vícejazyčné texty (během detekce)
    • integrace do nástrojů jako Google Classroom, LMS systémy atd.

Detekce obrazu generovaného AI[upravit | editovat zdroj]

Regulace AI[upravit | editovat zdroj]

Etické používání AI (na VŠ)[upravit | editovat zdroj]

AI a autorské právo[upravit | editovat zdroj]

Úvahy kolem AI[upravit | editovat zdroj]

AI a pracovní trh[upravit | editovat zdroj]

Kontroverze AI[upravit | editovat zdroj]

Deskilling (Dekvalifikace)[upravit | editovat zdroj]

Ztráta samostatnosti

Obecná umělá inteligence (AGI)[upravit | editovat zdroj]

Zatímco úzká umělá inteligence se ohlíží zpět a zužitkovává to co bylo, obecná umělá inteligence bude hledět dopředu a vytvářet nové světy.

Turingův test[upravit | editovat zdroj]

Automatizace procesů s využitím AI[upravit | editovat zdroj]

RAG Technika[upravit | editovat zdroj]

Retrieval-Augmented Generation (RAG) je technika, která kombinuje schopnosti velkých jazykových modelů (LLM) s externími znalostmi získanými z databází nebo jiných zdrojů. Tento přístup zlepšuje přesnost a aktuálnost generovaných odpovědí tím, že umožňuje modelům přístup k aktuálním a specifickým informacím.

Retrieval (vyhledávání)
  • Model nejprve vyhledá relevantní informace z externí databáze nebo jiného zdroje (např. dokumenty, články, databáze znalostí), které souvisejí se zadaným dotazem uživatele.
  • Tyto informace slouží jako podklady („context“), díky kterým model dokáže odpovědět přesněji a relevantněji.
Augmented Generation (rozšířená generace)
  • Jazykový model následně generuje odpověď s využitím dodaného kontextu.
  • Kontext z vyhledaných informací pomáhá snížit riziko halucinací (vymýšlení nepravdivých údajů) a zvýšit přesnost generovaných odpovědí.
Výhody RAG Techniques
  • Přesnost: Lepší faktická správnost.
  • Aktuálnost: Umožňuje pracovat s aktuálními informacemi.
  • Transparentnost: Snadnější ověření, odkud odpověď pochází.
Typické použití
  • Chatboti, virtuální asistenti.
  • Vyhledávací systémy s odpovědí v přirozeném jazyce.
  • Asistenti v oblasti práva, medicíny, technické podpory, vzdělávání apod.

RAG Techniques se tedy zaměřují na propojení schopností jazykových modelů s externími znalostmi, aby odpovědi byly kvalitnější a spolehlivější.

RAG literatura[upravit | editovat zdroj]

n8n[upravit | editovat zdroj]

n8n je (open-source) low-code nástroj určený k automatizaci workflow a integraci aplikací a služeb.

Spojuje různé aplikace (CRM, e-mail, sociální sítě, databáze apod.) a umožňuje jim komunikovat bez nutnosti programování. Jednoduše kombinuje různé REST API a služby. Automaticky předává data, transformuje je, spouští akce na základě událostí. Stahuje data, upravuje je a načítá do cílových systémů. Díky vizuálnímu rozhraní lze snadno vytvářet komplexní procesy.