Prečo klikáme na semafory, stroje sa učia ako deti, čo o vás vie ChatGPT?
Newsletter KatarinAI | Vydanie #2 | 26. máj 2025
🎯 Čo sa dnes dozviete za 3 minúty:
Ako funguje "škola" pre umelú inteligenciu
Ktorý ChatGPT model použiť pre vašu prácu
Čo sa stane, keď detská kreativita stretne AI
Nastavenia ChatGPT, ktoré ľudia nevyužívajú
Keď som dala prečítať kolegovi draft prvého vydania, jednou z jeho reakcií bolo: „zbytočne dávaš toľko polls, keď v tejto fáze budeš mať 0,5 čitateľa“. Teším sa, že jeho predikcia nevyšla a v množstve čitateľov sme sa posunuli aspoň o jednu desatinnú čiarku a vynásobili to 6! :)
Toto je druhé vydanie newslettera KatarinAI a úvodom začnem s citáciou Amarovho zákona, ktorý pekne vystihuje podstatu, prečo som sa rozhodla ho písať:
"Máme tendenciu účinok technológie v krátkodobom horizonte preceňovať a v dlhodobom horizonte podceňovať."
🚦Prečo klikáme na semafory?
Veľké spoločnosti o nás neustále zbierajú dáta a používajú ich na trénovanie AI. Inteligencia strojov rastie s množstvom odpovedí, ktoré im poskytujeme. Keď budete nabudúce vyklikávať semafory na fotke, spomeňte si, že aj na vašich odpovediach sa učia autonómne autá. Ako však funguje metóda učenia strojov?
Hebbova hypotéza 🧠
The Organization of Behavior od Donalda Hebba je prelomová kniha, ktorá položila základy chápania, ako sa v našom plastickom mozgu vytvárajú a posilňujú nervové spojenia. Hebb v nej predstavil koncept, ktorý dnes poznáme ako Hebbova hypotéza alebo „cells that fire together wire together“.
Keď dva neuróny často aktivujú jeden druhého, ich spojenie sa posilní. Tento mechanizmus vysvetľuje proces učenia, formovania spomienok a rozvoja zručností v mozgu bez toho, aby musel niekto manuálne naprogramovať každý detail. Pre oblasť umelej inteligencie je tento princíp zásadný.
Podobne ako mozog sa aj AI modely učia hľadať vzorce a súvislosti v dátach iteratívnym posilňovaním správnych spojení. Hebbov koncept sa stal základom pre algoritmy strojového učenia, najmä v oblasti hlbokých neurónových sietí.
Škola AI
Veľa ľudí predpokladá, že umelej inteligencii zadávame presné pravidlá typu: „mačka má špicaté uši a fúzy“. V skutočnosti AI nepotrebuje explicitné inštrukcie zadané človekom, pretože pravidlá dokáže objaviť sama, zo vzorov a štruktúr v dátach.
Väčšina komerčných AI (napríklad AlphaGo, či jazykové modely o ktorých som písala minule) je postavená na hlbokom učení (deep learning). Ide o technológiu, ktorá využíva obrovské množstvo dát a sama sa z nich učí. História hlbokého učenia siaha do roku 1943, keď Walter Pitts a Warren McCulloch vytvorili počítačový model založený na neurónových sieťach ľudského mozgu. Skutočný rozmach prišiel až o polstoročie neskôr, keď sme nazbierali potrebné množstvo dát a vygenerovali dostatočný výpočtový výkon.
💡 Fun fact: Dnes má váš smartfón viac ako miliónkrát silnejší výkon než počítače NASA, keď Neil Armstrong letel na mesiac a internet je asi 10¹² krát väčší ako v roku 1995.
Učitelia, stavitelia a študenti
Učenie umelej inteligencie funguje podobne ako učenie detí - ukazujeme jej vzorce, odmeňujeme správne odpovede a opravujeme chyby. Ale metóda, ktorú používame, sa viac podobá na evolučné prežitie najsilnejšieho než na školské lavice.
Tréning AI sa začína vytvorením 2 botov, bota staviteľa a bota učiteľa (bot je softvér, ktorý dokáže vykonávať opakujúce sa úlohy). Bot staviteľ je časť kódu, ktorý je schopný písať ďalší kód a teda vytvára ďalšie boty (študentov), ktoré majú vykonať požadovanú úlohu. Bot učiteľ testuje vytvorených študentov, aby zistili, ako plnia pridelenú úlohu.
Tak vznikajú boti študenti, ktorí zo začiatku majú veľmi slabé výsledky. Tak slabé, že by sme ich vedeli pomenovať ako náhodné. Učiteľ ich odpovede vyhodnotí a výsledky odovzdá späť staviteľovi. Tí najlepší prežijú, staviteľ z nich urobí tisíce kópií a mierne pozmení kód. Ostatní sú vymazaní a celý cyklus vykonaný v sekundách sa opakuje.
Tento nekonečný bitúnok študentov na záver prinesie niekoľko botov, ktorí vedia rozoznať na fotke mačku od „nemačky“ s presnosťou, ktorá porazí ľudské schopnosti aj napriek tomu, že ju nikdy predtým nevideli.
Príbeh o žltej loptičke
V roku 2016 pracoval Mo Gawdat v inovačnom laboratóriu Google X keď sa tím ich robotických inžinierov pustil do zaujímavého projektu: chceli naučiť robotické ramená rozpoznávať predmety a manipulovať s nimi pomocou učenia.
Namiesto toho, aby im naprogramovali jasné pravidlá (uchop v tomto uhle, s touto silou), postavili farmu desiatok robotických ramien, ktoré pracovali paralelne a učili sa samé, metódou pokusu a omylu.
Experiment prebiehal nasledovne: pred každé rameno položili tácku s náhodnými predmetmi (využívali detské hračky pre ich rôzne tvary, textúry a váhy) a ich úlohou bolo hračku uchopiť a zdvihnúť.
Keďže Google mal veľa peňazí a dostatok počítačového výkonu, každý pokus zaznamenávala kamera a ukladali sa údaje o uhle pohybu, rýchlosti, tlaku, trajektórii aj výsledku (podarilo/nepodarilo sa uchopiť a zdvihnúť). Stovky tisíc pokusov však neprinášali žiadne výsledky.
Napriek tomu pokračovali. Robotické ramená si týmto procesom budovali vlastné neurónové siete. Až po niekoľkých týždňoch sa jednému z ramien podarilo úspešne uchopiť a zdvihnúť žltú loptičku. V tom momente sa to naučili aj ostatné ramená.
Netrvalo dlho a ramená boli schopné zdvihnúť všetky hračky pri každom jednom pokuse.
Čo o ChatGPT (možno) ešte neviete
V minulom vydaní sme si stručne ukázali, ako by mal vyzerať dobrý prompt. Promptovanie ako také si rozoberieme podrobne v ďalšom vydaní - ukážeme si konkrétne techniky, štruktúry a tipy, ktoré vám pomôžu získať z AI ešte lepšie odpovede. Je však dôležité zdôrazniť, že samotné zadanie otázky nie je jediný faktor, ktorý ovplyvňuje kvalitu výstupu od umelej inteligencie. Veľkú rolu hrá aj to, ako máte ChatGPT nastavené.
📖 Návod, ako si môžete ChatGPT prispôsobiť tak, aby bol čo najviac „šitý na vašu mieru“ a aby pre vás pracoval zmysluplne nájdete tu.
Jedným z nastavení, ktoré v návode riešime je pamäť modelu. Keďže môj GPT má pamäť povolenú, skúsila som sa ho opýtať, čo všetko vlastne o mne vie. A vedel o mne veľa! 😄 Niektoré informácie boli presné, iné nie.
Ktorý ChatGPT model použiť?
Okrem správneho nastavenia je kľúčové vedieť, ktorý model je pre vašu úlohu ten správny. Každý z dostupných modelov má svoje silné stránky a je optimalizovaný na rôzne typy úloh. Možno ste si už všimli, že v rozhraní ChatGPT máte na výber hneď z niekoľkých možností.
.
Pôvodne som pre vás pripravila širší prehľad použitia, špecifikácií a konkrétnych príkladov, ktorý model sa hodí na akú úlohu – vo formáte PDF na stiahnutie. Mohli ste si ho uložiť ako „cheatsheet“ a použiť vždy, keď budete váhať, ktorý model použiť.
Neskôr som si však uvedomila, že existuje oveľa efektívnejší prístup a presne o to nám v tomto newsletteri ide:
💡 Nechať AI pomôcť aj s výberom samotnej AI.
Nabudúce, keď budete riešiť konkrétnu úlohu, jednoducho popíšte GPT svoju situáciu alebo cieľ a opýtajte sa ho, ktorý model je na túto úlohu najvhodnejší. Následne si ho už len prepnete v hornom menu. Modely sa vyvíjajú veľmi rýchlo a tie, ktoré máme k dispozícii dnes, môžu byť o mesiac nahradené novými verziami.
🎬 Tip pre rodičov malých detí
Ak chcete ukázať deťom, ako funguje umelá inteligencia kreatívne a zábavne, vyskúšajte vytvoriť krátke video z obrázka, ktoré nakreslia. Viac vo videu.
Prompt, ktorý som použila v Sora:
Presne zachovaj daný obrázok, bez zmien výtvarného štýlu, proporcií alebo detailov. Vytvor len jednoduchú animáciu, postavičky na obrázku tancujú a spievajú, ale nepridávaj žiadne iné objekty. Použi výlučne pôvodnú grafiku obrázka ako základ.Novinky zo sveta AI
📍 Tesla zverejnila video Optimus robota, ako vykonáva domáce práce - vynáša smeti, pomáha v kuchyni a upratuje. Robot sa učí všetko sledovaním videí, na ktorých tieto práce vykonávajú ľudia a potom aplikuje svoje zručnosti v reálnom svete.
📍Anthropic predstavil modely Claude Opus 4 a Claude Sonnet 4, ktoré dosiahli najlepší výsledok na svete v programátorských úlohách. Model Opus dokáže pracovať 7 hodín nepretržite na komplexných projektoch a je tak pokročilý, že Anthropic musel zaviesť dodatočné bezpečnostné opatrenia, aby zabránil zneužitiu pri vývoji zbraní.
📍 Výskumníci z Mass General Brigham predstavili nástroj FaceAge, umelú inteligenciu, ktorá dokáže z fotografie tváre odhadnúť váš biologický vek a pomôcť lekárom presnejšie predpovedať šance na prežitie pri rakovine. Zaujímavosťou je, že AI hodnoty FaceAge sa zhodovali s génmi spojenými so starnutím buniek, čo naznačuje, že algoritmus dokázal zachytiť procesy, ktoré sa v kalendárnom veku neodrazia.
Na dnes to bolo zo sveta AI všetko. V budúcom vydaní sa dozviete:
Môj "aha" moment - kedy som si v práci prvýkrát uvedomila, ako umelá inteligencia zmenila hru
Ako AI môže zmeniť vzdelávanie a v čom sa nezhodnem s kolegom Robom Chovanculiakom
PPT za pár sekúnd - ako vytvoriť prezentáciu pomocou AI rýchlejšie, ako vypijete kávu
Ako si ChatGPT, Gemini a Claude poradili so štatistickou analýzou z testovania v Ekonomickej olympiáde
Teším sa, že ste dočítali až sem. Ak vám tento newsletter pomohol alebo vás niečo zaujalo, dajte mi vedieť. Ďakujem, že ste tu so mnou! 🚀
-Katarína