DataLeaguebeta
Všetky roadmapy
Všetci8 krokov4 pokryté úlohami

AI gramotnosť pre každého

Čo musí o jazykových modeloch vedieť každý, kto ich používa v škole či v práci, bez programovania, s dôrazom na to, čomu veriť.

Prihlás sa a sleduj, koľko z 6 úloh roadmapy máš hotových.

Pre študentov, učiteľov a všetkých, ktorí používajú AI nástroje v škole alebo v práci a nechcú programovať. Roadmapa ťa prevedie od toho, ako jazykové modely fungujú, cez ich limity a overovanie výstupov až po bezpečnosť dát a reguláciu. Na konci budeš vedieť AI použiť tam, kde šetrí čas, rozpoznať, kedy jej neveriť, a vysvetliť kolegom, prečo.

Kroky

  1. Krok 1: Ako fungujú jazykové modely

    Jazykový model nevyhľadáva odpovede v databáze, ale predpovedá najpravdepodobnejšie pokračovanie textu na základe toho, čo videl pri trénovaní a čo má práve v kontexte. Z toho vyplýva takmer všetko podstatné: prečo znie sebavedomo, aj keď sa mýli, prečo záleží na formulácii zadania a prečo nepozná nič, čo mu nedáš. Hotovo je, keď vieš vlastnými slovami vysvetliť pojmy token, kontextové okno a trénovanie a uviesť dve veci, ktoré model principiálne nedokáže.

    Úlohy

    Zdroje

  2. Krok 2: Limity a halucinácie

    Model generuje text, ktorý je pravdepodobný, nie nutne pravdivý, vymyslené citácie, čísla či paragrafy zákona vyzerajú rovnako presvedčivo ako správne. Halucinácia nie je chyba, ktorú „opravia v ďalšej verzii", ale vlastnosť technológie, s ktorou treba počítať. Hotovo je, keď vieš vymenovať typické situácie, v ktorých model najčastejšie halucinuje (fakty, čísla, zdroje, aktuálne udalosti), a máš postup, čo s tým.

    Úlohy

    Zdroje

  3. Krok 3: Overovanie výstupov

    externé zdroje

    Každý fakt, číslo alebo zdroj z modelu je hypotéza, kým ho neoveríš v primárnom zdroji, a otázka „si si istý?" nie je overenie. Návyk overovať je to, čo odlišuje užitočné použitie AI od šírenia presvedčivých nezmyslov. Hotovo je, keď máš rutinu: čo overujem vždy, kde to overím a ako si od modelu pýtam zdroje tak, aby sa dali skontrolovať.

    Zdroje

  4. Krok 4: Čítanie čísel a grafov

    AI ti dnes vygeneruje tabuľku, percentá aj graf za pár sekúnd, a rovnako rýchlo vznikne zavádzajúci záver, ak nerozlišuješ percentá od percentuálnych bodov alebo koreláciu od príčiny. Základná dátová gramotnosť je preto súčasťou AI gramotnosti. Hotovo je, keď v správe alebo prezentácii na prvý pohľad spoznáš orezanú os, zle zvolený priemer a tvrdenie o príčine bez dôkazu.

    Témy na portáli

    Zdroje

  5. Krok 5: Bezpečnosť dát a GDPR

    To, čo napíšeš do chatbota, môže opustiť firmu, skončiť v trénovacích dátach alebo u tretej strany. Osobné údaje študentov, zákazníkov či kolegov, interné dokumenty a prístupové údaje do verejného nástroja nepatria. Hotovo je, keď vieš, ktoré dáta sú osobné a citlivé, poznáš pravidlá svojej školy či firmy pre AI nástroje a vieš text anonymizovať skôr, než ho modelu pošleš.

    Úlohy

    Zdroje

  6. Krok 6: Efektívne zadania: prompting a kontext

    externé zdroje

    Kvalita výstupu závisí najmä od toho, čo modelu dáš: cieľ, kontext, príklady, formát odpovede a obmedzenia. Nejde o „zaklínadlá", ale o jasnú komunikáciu, rovnakú, akú by potreboval nový kolega. Hotovo je, keď dokážeš zadanie rozložiť na rolu, úlohu, kontext a formát, priložiť relevantné dáta a iterovať na základe prvej odpovede namiesto písania nového promptu od nuly.

    Zdroje

  7. Krok 7: AI v pracovných nástrojoch

    voliteľnéexterné zdroje

    Asistenti v kancelárskych balíkoch, e-maile, tabuľkách či editoroch kódu menia bežné pracovné postupy, zhrnutia porád, návrhy e-mailov, vzorce v tabuľke, preklady. Výhodu nemá ten, kto AI používa najviac, ale ten, kto vie, kde šetrí čas a kde vytvára riziko. Hotovo je, keď máš tri vlastné pracovné postupy, v ktorých ti AI preukázateľne pomáha, a vieš povedať, čo pri nich kontroluješ.

    Zdroje

  8. Krok 8: Etika a regulácia: EU AI Act

    externé zdroje

    Európsky AI Act rozdeľuje systémy podľa rizika a od roku 2025 postupne zavádza povinnosti, vrátane AI gramotnosti ľudí, ktorí s AI v organizácii pracujú. Okrem zákona sú tu otázky zaujatosti, autorstva a zodpovednosti za rozhodnutia, ktoré model „navrhol". Hotovo je, keď vieš vysvetliť kategórie rizika, uviesť príklad zakázanej a vysokorizikovej praxe a povedať, kto nesie zodpovednosť za výstup AI v tvojej práci.

    Zdroje