Kratica AI izhaja iz angleškega izraza Artificial Intelligence, kar v slovenščini pomeni umetna inteligenca. Gre za enak pojem, le da je angleška kratica AI v vsakdanji rabi pogosto uporabljena tudi pri nas.

LLM je kratica za Large Language Model oziroma veliki jezikovni model. Gre za vrsto modela umetne inteligence, ki je bil naučen na ogromnih količinah besedil in zna razumeti ter ustvarjati človeku razumljiv jezik. Primeri takih modelov so GPT, Claude in Gemini.

Kratice označujejo tri stopnje razvoja umetne inteligence. ANI (Artificial Narrow Intelligence) je ozka umetna inteligenca, namenjena posameznim nalogam. AGI (Artificial General Intelligence) je splošna umetna inteligenca, ki bi bila enakovredna človeški. ASI (Artificial Superintelligence) pa je superinteligenca, ki bi presegla človeške sposobnosti.

GPT je kratica za Generative Pre-trained Transformer. Gre za vrsto velikega jezikovnega modela, ki temelji na arhitekturi transformer, je vnaprej naučen na velikih količinah besedil in zna ustvarjati (generirati) novo besedilo na podlagi zastavljenega vprašanja ali navodila.

Modeli umetne inteligence so matematični sistemi, naučeni na podatkih, da prepoznavajo vzorce in opravljajo določene naloge, kot so ustvarjanje besedila, prepoznavanje slik ali napovedovanje. Model je torej rezultat procesa učenja, ki ga nato uporabljamo v praktičnih orodjih in aplikacijah.

AI agent je sistem umetne inteligence, ki lahko samostojno načrtuje in izvaja zaporedje korakov za dosego zastavljenega cilja. Za razliko od preprostega odgovarjanja na vprašanja lahko agent uporablja različna orodja, dostopa do podatkov in izvaja naloge v okolju z minimalnim posredovanjem človeka.

AI Chatbot je pogovorni program, ki z uporabo umetne inteligence komunicira z uporabniki v naravnem jeziku. Uporablja se za odgovarjanje na vprašanja, podporo strankam in pomoč pri različnih opravilih, pri čemer se pogosto opira na velike jezikovne modele.

Umetno inteligenco najpogosteje delimo na tri stopnje: ozko umetno inteligenco (ANI), ki je specializirana za posamezne naloge, splošno umetno inteligenco (AGI), ki bi bila enakovredna človeški, ter superinteligenco (ASI), ki bi presegla človeške sposobnosti. Danes v praksi obstaja le ozka umetna inteligenca.

Ozka umetna inteligenca (ANI) je umetna inteligenca, ki je zasnovana za opravljanje ene ali nekaj določenih nalog, na primer prepoznavanje govora, priporočanje vsebin ali prevajanje. Vsi obstoječi sistemi umetne inteligence danes spadajo v to skupino.

Splošna umetna inteligenca (AGI) je hipotetična oblika umetne inteligence, ki bi bila sposobna razumeti, se učiti in reševati katero koli intelektualno nalogo enako uspešno kot človek. Takšna umetna inteligenca še ne obstaja in ostaja cilj raziskav.

Superinteligenca (ASI) je hipotetična umetna inteligenca, ki bi po sposobnostih presegla najboljše človeške umove na skoraj vseh področjih, vključno z ustvarjalnostjo, reševanjem problemov in znanstvenim sklepanjem. Gre za teoretičen koncept, ki odpira pomembna etična in varnostna vprašanja.

Orodja umetne inteligence so praktične aplikacije in programi, ki uporabnikom omogočajo uporabo zmožnosti umetne inteligence. Mednje spadajo pogovorni pomočniki, orodja za ustvarjanje besedil in slik, prevajalniki ter programi za analizo podatkov in avtomatizacijo opravil.

Chatbot je namenjen predvsem pogovoru in odgovarjanju na vprašanja. Asistent gre korak dlje in uporabniku pomaga pri opravilih, kot so pisanje, načrtovanje ali iskanje informacij. Agent pa je najbolj samostojen – zna sam načrtovati in izvesti zaporedje korakov za dosego cilja, pri čemer uporablja različna orodja z minimalnim posredovanjem človeka.

Generativna umetna inteligenca je vrsta umetne inteligence, ki ustvarja novo vsebino, kot so besedilo, slike, zvok, glasba ali koda. Namesto da bi le prepoznavala ali razvrščala podatke, na podlagi naučenih vzorcev tvori povsem nove rezultate.

Generativna umetna inteligenca lahko ustvari besedila (članke, povzetke, e-pošto), slike in ilustracije, glasbo in zvok, videoposnetke, programsko kodo ter druge oblike vsebin. Rezultat nastane na podlagi zastavljenega navodila oziroma poziva.

Poziv (angl. prompt) je navodilo ali vprašanje, ki ga vnesemo v orodje umetne inteligence, da dobimo želeni odgovor. Od jasnosti in natančnosti poziva je pogosto odvisna kakovost rezultata.

Dober poziv je jasen, konkreten in vsebuje dovolj konteksta. Koristno je navesti želeno vlogo, obliko in dolžino odgovora, podati primere ter razdeliti zahtevo na manjše korake. Če prvi rezultat ni ustrezen, poziv postopoma izboljšujemo in natančneje opišemo, kaj želimo.

Žetoni (angl. tokens) so osnovne enote besedila, na katere jezikovni model razdeli vhodni in izhodni tekst. Žeton je lahko cela beseda, del besede ali ločilo. Modeli obdelujejo besedilo v obliki žetonov, njihovo število pa pogosto vpliva tudi na ceno in omejitve uporabe.

Umetna inteligenca deluje tako, da se na velikih količinah podatkov nauči prepoznavati vzorce in odnose. Na podlagi teh vzorcev nato napoveduje in ustvarja rezultate. Sodobni sistemi pogosto temeljijo na nevronskih mrežah, ki posnemajo način, kako informacije obdeluje človeški možganski sistem.

Umetna inteligenca se uči s postopkom treniranja, pri katerem model obdela velike količine podatkov in postopoma prilagaja svoje notranje parametre, da čim bolje opravlja zastavljeno nalogo. Učenje je lahko nadzorovano, nenadzorovano ali s spodbujanjem (učenje z nagrajevanjem).

Umetna inteligenca je širši pojem, ki zajema vse sisteme, sposobne inteligentnega vedenja. Strojno učenje je njena podpodročje in pomeni pristop, pri katerem se sistem uči iz podatkov, namesto da bi bil za vsako nalogo izrecno programiran. Vsako strojno učenje je torej umetna inteligenca, ni pa vsaka umetna inteligenca strojno učenje.

Strojno učenje je pristop k umetni inteligenci, pri katerem se sistem samostojno uči iz podatkov in izkušenj, namesto da bi sledil vnaprej določenim pravilom. Na podlagi primerov prepozna vzorce in jih uporabi za napovedovanje ali odločanje pri novih podatkih.

Globoko učenje je podpodročje strojnega učenja, ki uporablja večplastne nevronske mreže z velikim številom plasti. Te omogočajo prepoznavanje zapletenih vzorcev v podatkih in stojijo za mnogimi sodobnimi dosežki, kot so prepoznavanje slik, razumevanje govora in veliki jezikovni modeli.

Nevronska mreža je računalniški model, sestavljen iz medsebojno povezanih enot (umetnih nevronov), organiziranih v plasti. Navdih zanjo je delovanje človeških možganov. Z učenjem prilagaja moč povezav med nevroni in tako prepoznava vzorce ter obdeluje informacije.

Treniranje modela je postopek, pri katerem model umetne inteligence obdela velike količine podatkov in postopoma prilagaja svoje notranje parametre, da čim natančneje opravlja določeno nalogo. Rezultat treniranja je model, ki ga nato uporabljamo v praksi.

Inferenca je faza, v kateri že naučeni model uporabimo za obdelavo novih podatkov in ustvarjanje rezultatov, na primer odgovora na vprašanje. Za razliko od treniranja se pri inferenci model ne uči več, ampak le uporablja svoje znanje.

Algoritem je natančno določeno zaporedje korakov ali pravil za rešitev določenega problema ali izvedbo naloge. V umetni inteligenci algoritmi določajo, kako se model uči iz podatkov in kako sprejema odločitve.

Halucinacija pomeni, da model umetne inteligence poda odgovor, ki je videti prepričljiv, a je dejansko napačen ali izmišljen. Do tega pride, ker modeli tvorijo besedilo na podlagi verjetnostnih vzorcev in ne razumejo resnice tako kot človek.

Umetna inteligenca lahko poda napačen odgovor, ker sklepa na podlagi vzorcev v podatkih in ne na dejanskem razumevanju. Vzroki so lahko pomanjkljivi ali pristranski podatki za učenje, nejasen poziv, zastarelo znanje ali nagnjenost k halucinacijam. Zato je odgovore vedno dobro preveriti.

Med najbolj znanimi proizvajalci orodij umetne inteligence so podjetja, kot so OpenAI, Anthropic, Google, Microsoft in Meta. Poleg velikih tehnoloških podjetij pa na trgu deluje tudi veliko manjših podjetij in odprtokodnih skupnosti.

Da, tudi v Evropski uniji nastajajo orodja in modeli umetne inteligence. Med bolj znanimi je francosko podjetje Mistral AI, poleg tega pa razvoj poteka na številnih evropskih univerzah, raziskovalnih ustanovah in v podjetjih, pogosto z večjim poudarkom na varnosti, zasebnosti in skladnosti z evropsko zakonodajo.

Umetno inteligenco razvijajo in upravljajo podjetja, raziskovalne ustanove ter organizacije, ki ustvarjajo modele in orodja. Njeno rabo hkrati urejajo tudi zakonodaja in regulatorji – v Evropski uniji na primer Akt o umetni inteligenci (AI Act) – ki določajo pravila za varno in odgovorno uporabo.

Jezikovni model je model umetne inteligence, ki je naučen razumeti in ustvarjati človeški jezik. Na podlagi zaporedja besed napoveduje, katera beseda oziroma žeton je najverjetneje naslednja, in tako tvori smiselno besedilo.

Odprtokodni model umetne inteligence je model, katerega koda in pogosto tudi uteži (parametri) so javno dostopni. Uporabniki ga lahko prosto pregledujejo, prilagajajo, dodatno učijo in poganjajo na lastni infrastrukturi, kar povečuje preglednost in nadzor.

Lokalni model umetne inteligence je model, ki teče neposredno na uporabnikovi napravi ali strežniku, ne pa v oblaku. Prednost je večja zasebnost in nadzor nad podatki, saj ti ne zapustijo naprave, običajno pa zahteva zmogljivejšo strojno opremo.

Lokalni model teče na uporabnikovi napravi ali lastnem strežniku, kar zagotavlja večjo zasebnost in neodvisnost od povezave, a zahteva zmogljivejšo strojno opremo. Oblačni model teče na oddaljenih strežnikih ponudnika; dostopen je od kjer koli in ne obremenjuje lastne naprave, vendar podatki potujejo k ponudniku.

RAG (angl. Retrieval-Augmented Generation) je pristop, pri katerem jezikovni model pred odgovorom poišče ustrezne informacije v zunanjem viru podatkov in jih vključi v svoj odgovor. Tako lahko odgovarja natančneje in z aktualnimi ali specifičnimi podatki, ki jih sicer ne bi imel.

Vektorska podatkovna baza je posebna vrsta baze, ki podatke shranjuje v obliki vektorjev (numeričnih predstavitev pomena). Omogoča hitro iskanje vsebinsko podobnih informacij in je pogosto v jedru rešitev, kot je RAG.

Fino prilagajanje (angl. fine-tuning) je postopek dodatnega učenja že naučenega modela na manjši, specializirani zbirki podatkov. Tako model prilagodimo določenemu področju, slogu ali nalogi, ne da bi ga učili povsem od začetka.

Kvantizacija je postopek, pri katerem se natančnost številk (parametrov) v modelu zmanjša, na primer iz večbitnega v manjbitni zapis. Tako model postane manjši in hitrejši ter zahteva manj pomnilnika, običajno ob le majhni izgubi natančnosti, kar olajša njegovo uporabo na skromnejši strojni opremi.

Ne v človeškem smislu. Umetna inteligenca ne razmišlja, ne razume in nima namenov; na podlagi statističnih vzorcev iz podatkov napoveduje najverjetnejši naslednji rezultat. Čeprav lahko deluje prepričljivo, gre za matematične izračune in ne za zavestno razmišljanje ali logično sklepanje kot pri človeku.

Ne razume pomena tako kot človek. Jezikovni modeli besede pretvorijo v številske predstavitve in prepoznavajo, katere besede se običajno pojavljajo skupaj. Tako lahko ustvarijo smiselno besedilo, vendar brez resničnega razumevanja vsebine, konteksta ali resničnosti sveta, na katerega se besede nanašajo.

Ne. Umetna inteligenca nima zavesti, občutkov, samozavedanja ali subjektivnega doživljanja. Gre za računalniške programe, ki obdelujejo podatke in ustvarjajo rezultate. Vtis "osebnosti" ali "čustev" je zgolj posledica načina, kako model oblikuje besedilo, in ne dokaz notranjega doživljanja.

Umetna inteligenca lahko nadomesti ali avtomatizira posamezne naloge, zlasti ponavljajoče se in rutinske, redko pa celoten poklic v celoti. Pogosteje deluje kot orodje, ki človeku pomaga in poveča njegovo učinkovitost. Presoja, odgovornost, ustvarjalnost in medosebni odnosi ostajajo področja, kjer je človek nenadomestljiv.

Najbolj bodo spremenjena delovna mesta z veliko ponavljajočimi se in predvidljivimi opravili, na primer obdelava podatkov, administracija, podpora strankam, prevajanje ter deli programiranja in ustvarjanja vsebin. Manj bodo prizadeti poklici, ki temeljijo na fizični spretnosti, empatiji, kompleksni presoji in odgovornosti.

Med ključne etične dileme spadajo pristranskost in diskriminacija zaradi neuravnoteženih podatkov, pomanjkanje preglednosti pri odločanju, varstvo zasebnosti, vprašanje odgovornosti za napake ter možnost zlorabe za manipulacijo ali nadzor. Pomembna sta tudi vpliv na delovna mesta in dostopnost tehnologije.

Zanesljivega načina ni, obstajajo pa namigi: preveč gladko in splošno besedilo, ponavljanje, dejstvene napake, nenavadne podrobnosti pri slikah (roke, prsti, besedilo) ter odsotnost virov. Obstajajo tudi orodja za zaznavanje, a niso zanesljiva. Najbolj zanesljivo je preverjanje vira in dejstev.

Deepfake je sintetična vsebina, najpogosteje video, slika ali zvok, ki jo ustvari ali spremeni umetna inteligenca tako, da nekdo videti ali sliši reče ali stori nekaj, česar v resnici ni. Uporablja se lahko za zabavo, pogosto pa tudi za zavajanje, širjenje dezinformacij in prevare.

Umetna inteligenca odpira več odprtih vprašanj: ali je uporaba avtorsko zaščitenih del za učenje modelov dopustna, komu pripadajo pravice na ustvarjenih vsebinah in kdaj rezultat posega v obstoječa dela. Zakonodaja na tem področju še ni povsem izoblikovana in se razlikuje med državami.

V mnogih pravnih ureditvah avtorsko varstvo zahteva človeškega avtorja, zato vsebina, ki jo v celoti ustvari umetna inteligenca brez bistvenega človeškega ustvarjalnega prispevka, pogosto ni avtorsko zaščitena. Kadar človek vsebino znatno oblikuje, izbira in ureja, pa je lahko zaščiten njegov ustvarjalni prispevek. Ureditev se med državami razlikuje.

AI Act je uredba Evropske unije, ki celovito ureja razvoj in uporabo umetne inteligence. Sisteme razvršča po stopnji tveganja (od nesprejemljivega do minimalnega) in za bolj tvegane določa strožje zahteve glede preglednosti, varnosti, nadzora in odgovornosti. Cilj je varna, etična in v temeljne pravice usmerjena raba umetne inteligence.

Ni nujno. Pri javnih orodjih se lahko vneseni podatki shranjujejo, obdelujejo ali celo uporabljajo za nadaljnje učenje modelov, odvisno od ponudnika in nastavitev. Varnost je odvisna od pogojev uporabe, lokacije strežnikov in vrste storitve, zato občutljivih podatkov brez ustreznih zagotovil ne vnašamo.

V javna orodja lahko brez večjih pomislekov vnašamo splošne, javno dostopne in neobčutljive podatke, na primer splošna vprašanja, javno objavljene informacije ter vsebine brez osebnih ali zaupnih podatkov. Za vse občutljivo je treba uporabiti ustrezno zaščitene ali interne rešitve.

V javna orodja ne vnašamo osebnih podatkov, zdravstvenih in finančnih informacij, gesel, poslovnih skrivnosti, zaupnih pogodb ter drugih varovanih ali občutljivih podatkov. Takšne informacije lahko uidejo, se shranijo ali uporabijo za učenje modela, kar pomeni tveganje za zasebnost in skladnost s predpisi.

Poslovne skrivnosti zaščitimo tako, da jih ne vnašamo v javna orodja, temveč uporabljamo lokalne ali poslovne rešitve z ustreznimi pogodbenimi in varnostnimi zagotovili. Pomembni so tudi jasna interna pravila, anonimizacija podatkov, nadzor dostopa ter izobraževanje zaposlenih o tveganjih.

Med največja tveganja spadajo uhajanje in zloraba podatkov, netočni ali izmišljeni odgovori (halucinacije), pristranskost, napadi kot je prompt injection, ustvarjanje dezinformacij in deepfakeov ter prekomerno zaupanje v samodejne odločitve brez človeškega nadzora.

Prompt injection je napad, pri katerem napadalec v besedilo, ki ga bo obdelala umetna inteligenca, prikrije zlonamerna navodila. Model jih lahko upošteva kot ukaze in tako obide varnostne omejitve, razkrije zaupne podatke ali izvede nezaželena dejanja. Gre za eno pogostejših varnostnih groženj pri jezikovnih modelih.

Uhajanje podatkov prek AI pomeni, da občutljive informacije nenamerno zapustijo organizacijo prek orodij umetne inteligence. Do tega pride, ko zaposleni v javna orodja vnašajo zaupne podatke, ki se lahko shranijo, uporabijo za učenje modela ali se pozneje pojavijo v odgovorih drugim uporabnikom.

Odgovor preverimo tako, da ga primerjamo z zanesljivimi in neodvisnimi viri, preverimo navedena dejstva, številke in vire ter smo posebej pozorni pri pomembnih ali strokovnih vsebinah. Umetna inteligenca lahko namreč navaja napačne ali izmišljene podatke, zato je človeška presoja nujna.

Da. Umetna inteligenca se uči iz podatkov, ki lahko vsebujejo zgodovinske, družbene ali statistične pristranskosti, te pa se odražajo v njenih odgovorih. Posledica so lahko nepravične ali diskriminatorne odločitve, zato je pomembna skrbna izbira podatkov, testiranje in človeški nadzor.

Za odločitev je odgovoren človek oziroma organizacija, ki orodje uporablja, ne pa umetna inteligenca sama. AI je pripomoček za podporo pri odločanju, končno presojo in odgovornost pa nosi uporabnik, zato je pomemben ustrezen nadzor in preverjanje predlaganih rešitev.

Varna uporaba temelji na jasnih internih pravilih, izbiri zaupanja vrednih orodij, zaščiti občutljivih podatkov, nadzoru dostopa in rednem izobraževanju zaposlenih. Pomembno je tudi, da rezultate vedno preverja človek in da se uporaba usklajuje s predpisi, kot sta GDPR in AI Act.

Podjetje potrebuje jasno politiko uporabe umetne inteligence, ki določa, katera orodja so dovoljena, katere podatke je dovoljeno vnašati, kako se varujejo osebni in zaupni podatki, kdo je odgovoren za preverjanje rezultatov ter kako se zagotavlja skladnost s predpisi in etičnimi načeli.