Umělá inteligence

Předmět koncipuje umělou inteligenci jako systém propojující modely, data, rozhodovací mechanismy a provozní infrastrukturu. Důraz je kladen na spolehlivost a vysvětlitelnost, posilované učení od základů po multi-agentní přístupy, systémové aspekty a srovnání generativních metod včetně evaluace a tvorby syntetických dat. Dále je důraz kladen na rozhodovací rámce LLM vs. SLM (kvalita–latence–soukromí), práci s vlastní knowledgebase, tedy RAG vs. fine-tuning, agentní orchestrace a Model Context Protocol, a federované a privacy-preserving učení. Kurz také obsáhne důležité oblasti jako produkční prompting či In Context Learning a inference engineering, neuro-symbolickou integraci se znalostními grafy a AutoML/metaučení s důrazem na reprodukovatelnost. Kurz je zaměřen prakticky na systémovou integraci, bezpečnost, evaluaci a provoz nad jazykovými modely a multimodálními pipeline, a tedy navazuje na předmět „ Zpracování přirozeného jazyka“, kde jsou poskytnuty základy Transformeru, BERT/GPT a základní prompting, a také na předmět „Hluboké učení“ pokrývající architektury CNN/RNN/GAN do hloubky. Student si osvojí následující schopnosti: navrhnout architekturu AI systému (LLM/SLM, RAG/fine-tuning, agenti/MCP), měřit a omezovat halucinace/bias, zvolit a zdůvodnit typ generativního modelu a jeho metriky, aplikovat RL v praktických scénářích, navrhnout privacy-preserving/federované nasazení, optimalizovat inference a seznámit se s praktickým využitím AutoML/HPO/metaučení a zásadami reprodukovatelnosti.