sběr dat

ROZDEJ MAXIMÁLNĚ 4 ♥️

Jako postava ze hry League of Legends

„Vyvolávači, teorie barev je jako stavění správného item buildu. Některé barvy spolu vytvářejí silnou synergii, podobně jako dobře sladěný tým. Doplňkové barvy jsou jako dva šampioni s rozdílnými schopnostmi, kteří se navzájem posilují. Když použiješ správné kombinace barev, tvůj obraz bude stejně působivý jako perfektně vyhraný týmový fight u Barona!“ 😄

Ahoj! Jasně, pojďme si ukázat, jak by teorii barev vysvětlily dvě úplně jiné osoby: spolužák z 8. třídy a učitel výtvarky.

Očima žáka 8. třídy 🎒

„Čus! Hele, s těma barvama je to v pohodě, nemusíš v tom hledat žádnou vědu.

Základ jsou tři barvy – červená, žlutá a modrá. Říká se jim primární, protože je z ničeho namíchat nedokážeš. Když je ale smícháš mezi sebou, máš z toho oranžovou, zelenou a fialovou (sekundární barvy). To znáš ze školních vodovek, když zmatláš žlutou a modrou a najednou máš trávu.

Pak je dobrej trik komplementární (doplňkový) barvy. To jsou barvy, co leží na tom barevným kruhu přímo naproti sobě – třeba červená a zelená nebo modrá a oranžová. Když je dáš vedle sebe, tak doslova svítí a brutalně se zvýrazní. Znáš to z loga YouTube nebo z her, když chceš, aby něco fakt řvalo do očí.

A ještě mysli na to, jestli děláš něco na papír nebo na kompu. V temper

Tento materiál slouží jako metodický úvod do principů velkých jazykových modelů. Jako pedagogové a uživatelé digitálních nástrojů musíme začít u demystifikace: AI není digitální mozek, ale fascinující statistický stroj. Abychom ji mohli efektivně a kriticky ovládat, musíme pochopit, co se děje pod jejím povrchem.

1. Demystifikace: Proč AI není člověk a co je to „Transformer“

Prvním krokem k pochopení systémů jako Copilot nebo ChatGPT je uvědomit si, že se nejedná o myslící bytosti, ale o specifický druh softwarové architektury.Transformer  je statistický program, který se na obrovském množství dat naučil měnit vstup na výstup. Funguje jako pokročilý prediktor, který na základě pravděpodobnosti odhaduje, jaký kousek textu by měl následovat.Během tréninku je model za správné předpovědi „odměňován“ a za špatné „trestán“. Tento proces postupně ladí miliardy vnitřních nastavení, kterým říkáme  parametry . Právě v těchto parametrech jsou uloženy veškeré „znalosti“ modelu.Při samotném generování textu hraje roli tzv.  „teplota“ :

• Nízká teplota:  Model je deterministický, vybírá nejpravděpodobnější slova a dává věcné, strohé odpovědi.

• Vysoká teplota:  Zvyšuje náhodnost, což vede ke kreativitě, ale i k větší chybovosti.Statistika je tedy motorem, který dává textu formu a určuje, jak model vnímá sémantiku jazyka.

2. Tokenizace: Když slova přestanou být slovy

Model nečte text jako lidé po písmenech nebo celých slovech. Rozkládá ho na  tokeny  – nejmenší jednotky, kterým matematicky rozumí. Tokenem může být celé slovo, ale u složitějších jazyků (jako je čeština) je to často jen shluk znaků.Rozdíly v tokenizaci mají zásadní vliv na efektivitu práce s modelem:| Jazyk | Příklad věty | Počet tokenů || ------ | ------ | ------ || Čeština | Pojďme se něco naučit | 12 tokenů || Angličtina | Let's learn something! | 4 tokeny |

Syntéza pro praxi:  Jelikož má model omezený prostor pro to, co si „pamatuje“ (kontextové okno), čeština tento prostor vyčerpává mnohem rychleji. Pro české studenty je tedy u velmi dlouhých a komplexních úkolů výhodnější komunikovat v angličtině, která je tokenově úspornější.

3. Mechanismus pozornosti: Jak AI „neztratí nit“

Starší systémy generovaly text lineárně a velmi rychle zapomínaly, co bylo na začátku věty. Zlom přinesl mechanismus  pozornosti (attention) , který do neuronové sítě přidal novou vrstvu. Ta umožňuje modelu sledovat vztahy mezi všemi slovy v textu naráz.Příklad z praxe:  Vezměme větu:  „Potom, co ji naštval, tak ho frinknula pánví po hlavě.“  Slovo „frinknula“ neexistuje. Díky mechanismu pozornosti však model analyzuje celý kontext (naštvání, pánev, hlava) a odvodí sémantický význam: pochopí, že slovo zastupuje akci „udeřila“ nebo „praštila“.Tři hlavní přínosy mechanismu pozornosti:

• Hledání spojitostí:  Nachází vzory napříč textem, obrázky i kódem.

• Udržení dějové linky:  Zabraňuje tomu, aby model v polovině textu zapomněl původní zadání.

• Pochopení sémantiky:  Určuje význam tokenů na základě jejich vztahu k ostatním prvkům.

4. Iluze vědomostí: Proč AI nemá databázi faktů

AI v sobě nemá žádnou encyklopedii ani Wikipedii. Informace nejsou uloženy jako fakta, ale jako statistické pravděpodobnosti v parametrech funkcí. Když model tvrdí, že Eiffelova věž je v Paříži, není to proto, že by viděl mapu, ale proto, že tato slova mají v jeho síti extrémně silný statistický vztah.Z tohoto principu vyplývá přirozené riziko:  Konfabulace (halucinace) je přirozeným důsledkem práce s pravděpodobností. Pokud model „zaženeme do kouta“ (např. dotazem na tři osobnosti narozené ve stejný den a rok), začne si vymýšlet, aby vyhověl statistické struktuře jazyka.Typickým příkladem je, když model správně spojí Abrahama Lincolna a Charlese Darwina (oba 12. února 1809) nebo Sylvestera Stalloneho a George W. Bushe (oba 6. července 1946). Pokud ho ale nutíte přidat třetí osobu, pravděpodobnost selže a model si vymyslí neexistující shodu, protože jeho prioritou je dokončit řadu, nikoliv ověřit pravdu.

5. Kontextové okno: Krátkodobá paměť stroje

Kontext si představte jako krabici s omezeným prostorem, do které se musí vejít vaše zadání, odpovědi modelu i data z nástrojů (např. výsledky z vyhledávání). U moderních systémů se velikost této „krabice“ pohybuje od  čtvrt milionu až po milion tokenů .Co se stane, když se kontext zaplní?

• Nastoupí algoritmus pro  automatické shrnutí (summarization) .

• Starší části konverzace se zkomprimují do stručného výtahu.

• Riziko:  Při tomto procesu se nevyhnutelně ztrácejí detaily a model začíná zapomínat specifické pokyny ze začátku chatu.Strategie pro práci s kontextem:

1. Ruční shrnutí:  Pokud je chat příliš dlouhý, nechte si nejdůležitější body shrnout a vložte je do nového, čistého chatu.

2. Metoda RAG:  Tato technika funguje jako „rozstříhání Hobita na jednotlivé stránky“. Do modelu se nevkládá celá kniha, ale jen ty konkrétní útržky (stránky), které jsou relevantní pro vaši aktuální otázku. Tím se šetří místo v kontextovém okně.

6. Bezpečnost a etika: Pravidlo „Shit in, Shit out“

Kvalita výstupu je přímo úměrná čistotě vstupu. Pokud do modelu vložíte zmatené zadání nebo nerelevantní data, dostanete nepoužitelný výsledek. V oblasti bezpečnosti se řiďte  Zlatými pravidly :

1. Skutečná anonymizace:  Nestačí smazat jména. Data nesmí obsahovat žádné střípky, ze kterých by šlo identitu osoby zpětně zrekonstruovat.

2. Zákaz citlivých údajů:  Do veřejných modelů nikdy nepatří hesla, API klíče ani zdravotní záznamy. Chovejte se k chatu jako k veřejné nástěnce.

3. Ověřování výsledků (Princip kladiva):  Model dělá chyby. Stejně jako po úderu kladivem kontrolujete hřebík, i u AI musí konečnou kontrolu provést člověk.Transformery bohužel usnadňují i podvody. U metody  Vishing  (podvody s hlasem) stačí útočníkovi pouhých  3 až 6 vteřin  nahrávky k vytvoření věrného klonu hlasu. Podvodníci často využívají WhatsApp nebo telefonní hovory, kde nízká kvalita přenosu (oříznuté frekvence) maskuje nedokonalosti umělého hlasu.

7. Závěr: Autenticita jako lidská superschopnost

AI je fascinující nástroj, který dokáže analyzovat data, psát kód nebo tvořit básně neuvěřitelnou rychlostí. Přesto má jednu zásadní slabinu: postrádá záměr a autentičnost. AI umí vytvořit téměř cokoliv, ale postrádá lidský smysl pro to, co a proč má smysl tvořit.AI nenahrazuje náš úsudek, je to nástroj, který vyžaduje kritické vedení člověkem.  Naší hlavní výhodou zůstává schopnost vnást do procesu vlastní vizi, etické hodnoty a autentičnost, kterou statistické modely pouze napodobují.

Vytvořeno s NotebookLM

Pro zadání textu využívám aplikaci "Badge magic" - zdarma ke stažení.

Komunikace

Řešení problémů

Ověřování fyzikálních zákonů

Programování

Jemná motorika

Orientace

Tělesná zdatnost

Obratnost

Pracovní postup

Práce s textem

Digitální Kompetence

Kompetence k řešení problému

Pracovní kompetence

Pohybové dovednosti

Čtenářské dovednosti

Kreativita

Řešení problému a čtenářská gramotnost - Oldřich

Řešení problému, komunikacni dovednost a sociální spolupráce - trasa od žraloka

Digitální kompetence, kompetence k učení - roboti

Řešení problému, digitální kompetence - QR kódy

kompetence digitální, k učení a sociální - termokamera

Vzácný společenský tvor z kmene učitelů, každoročně migrující v letních měsících do Plzně, kde se na území Centra robotiky schází k intenzivnímu rituálu známému jako letní dílna. Přestože bývá pozorován ve stavu mírné únavy až pokročilého vyčerpání, vyznačuje se mimořádnou schopností přežít náročný survajvr pouze za pomoci kávy, dobré nálady a podpory svých soukmenovců. Díky silným vazbám v kmeni je schopen překonat i extrémní podmínky letní dílny a společně sdílet kávu, nápady i poslední zbytky energie. 😄

Jedinci tohoto druhu jsou poháněni neustálou touhou po seberozvoji, hledání inspirací a objevování nových cest pro vzdělávání. Jejich přirozeným prostředím jsou technologie, umělá inteligence, 3D modely, programování, Scratch a nejrůznější aplikace, které dokážou zkoumat dlouho do noci navzdory biologickým zákonům vyžadujícím spánek.

V průběhu pobytu na symbolickém ostrově získávají tajemné ostrovní vízum, plní úkoly připravené zkušenými lektory a účastní se neúprosných klání označovaných jako soutěž. K přežití jim slouží vydatné jídlo, především legendární buřty, případně také kokosy, pokud je ostrovní ekosystém zrovna poskytne.

Bestia Creatura Magistrorum Multiplex je mimořádně odolný druh. Dokáže současně spolupracovat, tvořit, diskutovat, smát se, učit se novým věcem a plánovat další školní rok. Ačkoliv se na konci výpravy může jevit značně opotřebovaně, odnáší si vždy nové znalosti, nové přátele a přesvědčení, že i ten největší problém lze vyřešit společně – ideálně s hrnkem kávy v ruce.

Motto druhu:
„Per kávam ad inspiraciam, per technologiam ad vzdělávání.“

Přes kávu k inspiraci, přes technologie ke vzdělávání.