Slovník AI

Schopnost modelu využívat informace obsažené v aktuálním kontextu bez dodatečného tréninku.

Událost nebo selhání AI systému, které vedlo nebo mohlo vést k vážnému ohrožení zdraví, bezpečnosti nebo základních práv osob.

Veřejné nebo odvětvové sbírky zaznamenaných selhání a škod způsobených AI systémy, sloužící k poučení a prevenci.

Proces, při němž již natrénovaný model generuje odpověď na základě vstupu uživatele.

Specifický typ ladění modelu založený na tréninku odpovědí na pokyny a instrukce uživatelů.

Zásada usilující o to, aby AI nepodkopávala spolehlivost informačního prostředí, například šířením manipulativního či klamavého obsahu, při současném respektu ke svobodě projevu.

Odvolání proti dílčímu rozhodnutí ještě před skončením sporu; v kauze Ross Intelligence soud takové odvolání připustil s ohledem na obtížnost právních otázek.

Mechanismy sloužící k ověřování souladu činností organizace s právními a interními pravidly.

Možnost porozumět vnitřní logice fungování AI modelu.

Průběžně vedený přehled všech AI systémů používaných v organizaci, který umožňuje řídit dohled podle úrovně rizika jednotlivých systémů.

Trend, kdy obsahové společnosti vstupují do kapitálových či licenčních vztahů s vývojáři AI (např. dohoda o využití postav v generátoru videa), čímž se spory mění v obchodní spolupráci.

Mezinárodní norma poskytující návod k řízení rizik AI, která propojuje obecné zásady řízení rizik s konkrétními úvahami specifickými pro umělou inteligenci.

První mezinárodní norma pro systém řízení umělé inteligence (AIMS), publikovaná na konci roku 2023. Umožňuje organizacím získat certifikaci od nezávislé třetí strany jako doklad o odpovědném řízení AI.

Doprovodná norma k ISO/IEC 42001 zaměřená na posuzování dopadů AI systémů, která poskytuje vodítka pro hodnocení jejich vlivu na jednotlivce a společnost.

Technika obcházení bezpečnostních a obsahových omezení modelu s cílem přimět jej generovat zakázaný výstup.

Pokus obejít bezpečnostní omezení modelu pomocí speciálně formulovaných pokynů, aby produkoval obsah, který by jinak odmítl.

Spor třinácti autorů (včetně R. Kadreyho) proti Meta ohledně trénování modelů Llama na knihách z tzv. stínových knihoven. Soudce Vince Chhabria v červnu 2025 uznal trénování za fair use, ale zdůraznil, že žalobci mohli uspět, pokud by prokázali tržní naredění (market dilution) způsobené zahlcením trhu konkurenčními výstupy.

Část kodexu pro všechny poskytovatele GPAI modelů, která stanoví opatření k dodržování autorského práva EU, včetně respektování výhrad práv (opt-out) pro vytěžování textů a dat.

Nejrozsáhlejší část kodexu, která se vztahuje pouze na poskytovatele GPAI modelů se systémovým rizikem a popisuje proces identifikace, hodnocení a zmírňování systémových rizik před zásadními rozhodnutími o nasazení.

Část kodexu vztahující se na všechny poskytovatele GPAI modelů, která upřesňuje, jak plnit informační povinnosti podle čl. 53, zejména poskytováním dokumentace navazujícím poskytovatelům a Úřadu pro AI.

Nástroj, který umožňuje popsat a porovnat AI systémy podle dimenzí, jako jsou data, role člověka, kontext nasazení a možný dopad na společnost.

Soubor praktických znalostí, zkušeností a postupů využitelných v podnikání.

Datová struktura propojující informace prostřednictvím vztahů mezi jednotlivými entitami.

Soubor dobrovolných zásad chování pro organizace vyvíjející pokročilé AI systémy, dohodnutý v rámci spolupráce zemí skupiny G7.

Dobrovolný soubor pravidel a doporučení pomáhající plnit požadavky AI Actu.

Dobrovolný nástroj zveřejněný Úřadem EU pro AI dne 10. července 2025, který pomáhá poskytovatelům GPAI modelů prokázat soulad s Aktem o UI. Připravili jej nezávislí experti v mnohostranném procesu a je rozdělen do tří kapitol.

Způsob, jímž je AI systém vnitřně uspořádán – jak propojuje vnímání, paměť, uvažování a jednání – s cílem řešit složitější úkoly koordinovaně.

Množství informací, které může AI model zohlednit při generování odpovědi v jednom okamžiku.

Strukturovaný soubor kontrolních opatření, z něhož organizace vybírá ta, jež odpovídají rizikům konkrétního AI systému a požadavkům více rámců současně.

Požadavek, aby data použitá pro vývoj a provoz AI byla relevantní, reprezentativní, dostatečně přesná a pokud možno bez systematických zkreslení.