Jana Pikulová

Pro praktické ukázky byl využit nástroj AI Microsoft Copilot, který generoval sportovní terminologii. Zadané prompty a výsledky jsou uvedeny přímo v textu.“

Úvod

Umělá inteligence je fenoménem současnosti. Obklopuje nás, najdeme ji na každém kroku. Oproti jiným technologiím se vyznačuje svou neuvěřitelnou rychlostí rozvoje, kterou můžeme sledovat v reálném čase. To, co bylo včera, před hodinou, už v tuto chvíli nemusí platit. Objevují se nové a nové nástroje na zpracování textu, vyhledávání zdrojů, tvorbu obrázků, videí, převod textu na hlas apod. Nikdo neví, jakým směrem se budou tyto technologie ubírat. Jak popisuje Stuart Russel na počátku své knihy Jako člověk – Umělá inteligence a problém jejího vnímání, jestliže jednou z výzev společnosti bylo vynalezení superinteligentní AI, která by byla lidská až nadlidská, co se stane, jestliže se nám to skutečně podaří? (RUSSELL, 2021, s. 9–10) Vzhledem k tomu, že používání umělé inteligence se stále rozšiřuje, a to občas ani netušíme, že v dané službě je AI zahrnuto, je vhodné nezaostávat za AI světem a snažit se mu aspoň částečně porozumět. Tento příspěvek má za cíl představit na příkladu, jak je možné využít umělou inteligenci k jazykovému výzkumu, jak se k užití AI staví Masarykova univerzita a Ústav slavistiky a v neposlední řadě, co to vlastně jsou LLM.

LLM aneb Velké jazykové modely

Tyto modely zahrnujeme do systému umělé inteligence. Jsou to „algoritmy hlubokého učení, které dokáží rozpoznat, shrnout, přeložit, předvídat a generovat obsah díky rozsáhlým datovým sadám“ (LARGE). Počátky jazykových modelů najdeme už v 90. letech 20. století, kdy byly založeny na neuronových sítích s mnoha parametry.

Tyto modely jsou trénovány na velkém množství materiálu v řádech miliard parametrů. Počet parametrů však roste exponenciálně a např. u ChatGPT-4 se hovoří o 1 bilionu parametrů (GPT-4). Trénink takovýchto modelů funguje formou s učitelem, sebeučením nebo kombinací těchto dvou způsobů. V současné době jsou používány nebo testovány pro širokou škálu úkolů v různých oblastech. S jejich využitím se můžeme setkat u chatbotů při péči o zákazníky, při vzdělávání, zpracování přirozeného jazyka nebo při generování různých výstupů jako jsou obrázky, programové kódy nebo i umělecká díla (LAREO). Výhodou LLM je jejich všeobecné použití. Nejsou úzce zaměřeny na jednu oblast, ale jejich obzory sahají do velké šíře. Toho bylo dosaženo množstvím zdrojů, které byly poskytnuty k trénování. Tréninkovým materiálem se staly volně dostupné materiály na internetu. Jak je však obecně známo, příspěvky na internetu mají různou kvalitu a různou míru věrohodnosti. Můžeme tedy říct, že i vstupní data nemají jednotnou kvalitu. Ve formě učení těchto modelů nedošlo k velkým změnám, ale výrazně se změnilo množství dat do systému vložených. I když se jazykové modely učily předvídat další slova na základě jednoduchých úkolů, zvládly se naučit sémantiku a syntax lidského jazyka. Díky schopnosti pamatovat si velké množství faktů, si dokázaly vytvořit velké obecné znalosti o světě (VELKÝ). Ač by se mohlo zdát, že díky množství materiálu bude nástroj generovat ve většině případů pravdivé výsledky, není tomu tak. Může docházet k různým zkreslením, nepřesnostem nebo zavádějícím informacím. Zajímavým jevem, ke kterému v některých situacích dochází, je tzv. halucinace. Jde o případ, kdy nástroj přesvědčivě tvrdí určitou informaci, avšak ta se nezakládá na jejích trénovacích datech a je tudíž zcela smyšlená. Problémem takového výstupu je, že působí velice věrohodně a pokud k němu nebudeme přistupovat kriticky, je snadné mu uvěřit.

Regulace užití AI na Masarykově univerzitě a Ústavu slavistiky

Jak už bylo řečeno, umělá inteligence se dotýká našeho běžného života čím dál častěji, a proto se pochopitelně nevyhýbá ani akademickému prostředí. Využití těchto nástrojů je často diskutovaným tématem, a proto se setkáme s mnoha názory, ať už podporujícími spolupráci s umělou inteligencí, tak s názory protikladnými, které hovoří o tendenci k lenosti, plagiátorství a odklonu od vědeckého bádání.

Masarykova univerzita vydala v dubnu 2023 Stanovisko k využívání umělé inteligence ve výuce na Masarykově univerzitě (STANOVISKO). Tento dokument má být určitým doporučením, jak bychom měli, ať už jako studenti, nebo vyučující, ke spolupráci s AI přistupovat. Jde však pouze o doporučení, a tudíž ne o závazné nařízení. Jestliže máme v plánu využít AI pro vlastní výzkum nebo např. při psaní seminární práce, vždy je nutné se informovat u zadavatele práce, v našem případě u vedoucího práce, příp. se informovat, jak použití AI reguluje samotná katedra. V případě Ústavu slavistiky v dubnu 2024, podle vyjádření jejího vedoucího doc. PhDr. Václava Štěpánka, Ph.D., zatím k žádné regulaci užívání nedošlo, nedá se však vyloučit, že se tak v brzké době stane.

Jaké by mělo být vhodné využití těchto nástrojů? Měli bychom je využívat jako nástroje pomocné, např. ke kontrole gramatiky, k lepší čtivosti textu díky úpravě stylistiky, dále je můžeme využít ke shrnutí delších textů, k přípravě rešerší nebo k vyhledávání zdrojů. Praktický může být brainstorming nápadů k tématu práce, anebo k hledání primárních zdrojů. Musíme si však vždy být vědomi úskalí, která s sebou využívání těchto nástrojů nese. I v tomto případě platí rčení Ronalda Reagana „důvěřuj, ale prověřuj“ (ČESKÝ ROZHLAS). Jak již bylo napsáno výše, vzhledem k různé kvalitě zdrojových dat a problematice „halucinace“ je nutné si všechny informace, které vzniknou jako výstupy z dotazů AI, ověřovat a přistupovat k nim primárně jako k informacím podezřelým, protože AI dokáže velice věrohodně fabulovat. Z těchto důvodů není nikdy možné považovat výstupy nástrojů AI za primární zdroj. Je třeba si být vědom toho, že nástroje AI jsou stále a jen pomocníci a nemůžeme je pokládat za relevantní tvůrce obsahu. Pokud bychom nechali naši práci napsat AI, šlo by dokonce o formu plagiátu (psaní práce na objednávku). V neposlední řadě si musíme uvědomit, že ten, kdo je za finální text odpovědný, jsme vždy my.

Jak už výše zmíněné Stanovisko říká, přistupujme k umělé inteligenci se zvídavostí, objevujme její možnosti, co nám může nabídnout, jak nám může v práci pomoci. Vzhledem k rychlému vývoji je velice pravděpodobné, že nám nebude sloužit jen na akademické půdě, ale pravděpodobně i v budoucím profesním nebo soukromém životě. Nezapomínejme však ve spolupráci s AI být svědomití a poctiví, využívat tyto nástroje kriticky a nepodléhat pokušení, aby AI pracovalo za nás. Jednak by to bylo nekorektní, a také nás to snadno může svést k nepravdě. V neposlední řadě bychom neměli zapomínat, že využití AI jakožto pomocníka, zdroje informací, by mělo být vždy uvedeno v textu, a to nejlépe již na počátku, aby bylo zřejmé, že na textu spolupracovala umělá inteligence. S tím souvisí i problematika citování nástrojů AI, která není jednoznačná. Za prvé je vhodné si určit, kdy je nutné citovat a kdy to není nezbytně nutné. V tomto nám na Masarykově univerzitě může pomoct Doporučení k využití nástrojů umělé inteligence ve výuce na Masarykově univerzitě (DOPORUČENÍ). Jestliže používáme nástroje, které nám pomohou s opravou gramatiky a stylistiky, nebo např. s překladem textů, které se fyzicky nevyskytnou v koncové práci, není nutné zdroj citovat. Pokud však využijeme v naší práci text přeložený umělou inteligencí, měli bychom na tento fakt upozornit a citací odkázat na původní text, který jsme si nechali přeložit. Složitější je situace v případě využití textových generátorů. Jestliže nástroj užijeme, ale výstup se fakticky v práci neobjeví, je vhodné upozornit na toto využití s pojmenováním konkrétního nástroje. V neposlední řadě je tu situace, kdy výstupy z AI využijeme v samotném textu, pak je nutné AI citovat a k tomu dodat doslovné znění promptu (jak zněl dotaz položený AI) a doslovné znění výstupu (odpověď AI na prompt). Pro udržení přehlednosti textu se v případě častějšího využití jeví jako vhodné vytvoření datasetu (souboru promptů a výstupů), který se bude nacházet v příloze a nebude tudíž rušivým elementem v samotném textu. V něm poté na dataset pouze odkazujeme. Není možné předložit pouze výstup, protože zdrojový dotaz je zásadní pro pochopení výsledku. I drobná změna promptu totiž může zásadně změnit výstup.

Vzhledem k rychlému rozvoji samotné AI vznikla pro účely problematiky AI ve výuce pracovní skupina, která se „zabývá otázkami využití nástrojů umělé inteligence ve vzdělávání a výuce MU“ (PRACOVNÍ). Ta má za cíl držet krok s vývojem a reagovat na změny.

Praktická ukázka práce s AI

Dříve než přistoupíme k ukázce praktického využití textové AI, pokládáme za důležité vysvětlit, proč jsme si za nástroj pro ukázku vybrali Microsoft Copilot a ne např. OpenAI ChatGPT. Oba nástroje jsou textové generátory fungující na podobném principu, mají své výhody i nevýhody. ChatGPT jsme nezvolili, protože volně přístupná je pouze verze 3.5. Ta používá pro své výstupy pouze data, která do ní byla vložena při trénování, a tudíž nepracuje s internetovým obsahem v reálném čase. Informace tedy mohou být zastaralé. (CHATGPT) Co vidíme jako další minus tohoto nástroje, je absence zdrojů. Nemůžeme si tedy ověřit původ informací, které nám nástroj vypíše. Vyšší verze, ChatGPT 4.0, už pracuje i s aktuálními informacemi, je však placená a tudíž ne pro všechny přístupná. Naproti tomu Microsoft Copilot pracuje s aktuálními daty a navíc poskytuje i odkazy na původ informací, takže může být snazší si ověřit, zda je zdroj relevantní či ne. Navíc pro studenty a zaměstnance nabízí Masarykova univerzita možnost přístupu k placené verzi zdarma. Tato verze obsahuje komerční ochranu dat, díky tomu by měla být data chráněna před únikem mimo organizaci, chat by neměl být ukládán a využíván k dalšímu trénování umělé inteligence. (MICROSOFT COPILOT)

Do Microsoft Copilot jsme zadali následující prompt:

Ahoj! Jsi doktorand a pracuješ na výzkumu sportovní terminologie v češtině a polštině. Tvoříš si seznam výrazů týkajících se basketbalu, které budeš moct dále analyzovat. Vytvoř mi tabulku o dvou sloupcích a třiceti řádcích, kde v prvním sloupci uveď polské výrazy, v druhém sloupci přesný překlad polských výrazů. Vypiš mi do tabulky terminologii týkající se basketbalu.

Výsledkem měla být tabulka, kde budou dva sloupce o 29 řádcích. První sloupec bude obsahovat polské výrazy a druhý odpovídající překlad do češtiny. Výsledkem byla tabulka, v níž se objevovaly dvojice jako drużyna – tým, uniwersytet – univerzita, koszykówka – basketbal, college – vysoká škola, dryblowanie – driblování atp.

Tímto způsobem jsme získali 46 výrazů, které se vztahují k basketbalu. Vstupní prompt ovšem nebyl dostatečně přesný a tak se ve výstupu objevily výrazy jako univerzita nebo vysoká škola, které sice s basketbalem mohou souviset, ale sportovní termíny to nejsou. Také je třeba upozornit, že kromě výrazů se pod výstupem objevil i zdroj informací. To nám umožní proklikat se do původního zdroje a zjistit, jestli tento zdroj je relevantní či nikoli.

Proto jsme přidali nový prompt:

Uprav tabulku tak, aby obsahovala pouze sportovní terminologii týkající se pravidel hry, výstroje a výzbroje hráčů, popisu hřiště a názvu hráčů.

Výsledkem bylo zúžení okruhu termínů. Jako příklad uveďme: strzał – střela, mecz – zápas, sędzia – rozhodčí, rozgrywający – rozehrávač atp.

Výhodou tohoto nástroje oproti vyhledávání pomocí vyhledávače je, že při potřebě větší specifikace dotazu, nemusíme znovu opakovat předcházející dotaz, ale můžeme plynule navázat na předchozí výstup, protože nástroj si pamatuje naši konverzaci, takže ví, o čem jsme mluvili.

Jak jsme se ale zmínili v předchozích částech, nemůžeme věřit všem výstupům, které nám AI nabídne. Proto teď nastává mravenčí práce při ověřování výstupů. Některé výrazy jsou obecně známé, nebo jsme se s nimi již setkali, jako např. koszykówka, mecz, sędzia. Další výrazy je nutné zkontrolovat. To s sebou nese prohledávání desítek stránek s basketbalovou tematikou, a jak zjišťujeme, některá označení pro sportovní úkon v druhém jazyce vůbec neexistují, nebo se nijak speciálně nenazývají. Příkladem může být dvojice rzut spod kosza – nahození. Už na první laický pohled vidíme, že si výrazy neodpovídají. To ovšem nemusí znamenat, že výsledek není správný. Basketbalový slovníček (BASKETBALOVÝ) uvádí, že nahození na koš, na smeč, se označuje jako Alley oop. Angličtina nám v tomto případě může být prostředníkem. Ovšem ani v češtině není označení jednoznačné a používá se anglické označení. V polštině jsme nabízený obrat rzut spod kosza ve významu anglického Alley oop vůbec nenašli. Dalším příkladem nedokonalého výsledku jsou výrazy dryblowanie – driblování. Mohli bychom podlehnout mylnému dojmu, že toto spojení je správné. Opak je však pravdou. Zatímco v češtině, když se řekne výraz „driblovat“, většina osob si představí basketbal nebo házenou, velcí fanoušci dokonce i hokej. Ovšem české „driblování“ coby odrážení míče o zem nemá s polským „driblingem“ až tolik společného. V polštině se tento výraz využívá především ve fotbale a hokeji, kde označuje držení míče nebo puku těsně u nohy, resp. hokejky za účelem časté změny směru, které má vést ke zmatení protihráče (DRYBLOWAĆ). Správný výraz odpovídající českému výrazu „driblovat“ je „kozłować“ (KOZŁOWAĆ). Ovšem zde není situace konstantní, i v polštině se objevují případy označení dryblować nebo driblować, ale jde o případy ojedinělé, patrně svázané s anglofonním prostředím basketbalu. Častější je výskyt podstatného jména dryblowanie.

Dalším příkladem nedokonalosti využití AI je v tomto případě snaha zjistit etymologický původ výrazu „kozłować“.

Prompt jsme zadali v tomto znění:

Jaký je etymologický původ slova kozłować?

Výstup byl následující:

Slovo “kozłować” v polštině pochází z kombinace slova “kozioł”, což znamená kozel, a přípony “-ować”, která se v polštině často používá pro tvorbu sloves. Tento termín se v basketbalu používá pro označení techniky, kdy hráč odráží míč od země jednou rukou při pohybu po hřišti, což je známé jako driblování.

Doufám, že to pomáhá! Pokud máte další otázky, dejte mi vědět.

Další informace

en.wiktionary.org en.wiktionary.org bing.com

Z výsledků je zřejmé, že tento způsob získávání dat k další analýze je sice možný, ale obsahuje řadu nepřesností, které je třeba odhalit a výsledky „vyčistit“.

Možným problémem halucinace výsledků může být dotazování v jednom jazyce na dva různé jazyky. Zkusili jsme proto zvolit jinou strategii. Do Copilotu jsme vložili jednojazyčný prompt:

Vypiš mi seznam třiceti termínů z oblasti basketbalu týkající se pravidel, výstroje a výzbroje, popisu hřiště a nazývání hráčů.

Výsledkem bylo:

Jistě, zde je seznam 30 termínů z oblasti basketbalu týkající se pravidel, výstroje a výzbroje, popisu hřiště a nazývání hráčů:

Driblování – technika pohybu s míčem, kdy hráč kontroluje jeho dráhu odrážením míče od země jednou rukou.

Střela – pokus o skórování tím, že se míč hodí do koše.

Obrana – strategie zaměřená na zabránění soupeři ve skórování.

Útok – fáze hry, kdy tým má kontrolu nad míčem a pokouší se skórovat.

Doskok – získání kontroly nad míčem po neúspěšné střele.

Fauly – porušení pravidel, které mohou vést k trestným hodům pro soupeře.

Trestné hody – hody na koš udělené za fauly v průběhu hry.

Trojková čára – čára na hřišti, ze které střely do koše platí za tři body.

Dres – standardní výstroj hráče, obvykle sestávající z kraťasů a bezrukávku.

Basketbalové boty – speciální obuv navržená pro hraní basketbalu.

Basketbalový míč – míč používaný v basketbalu.

Basketbalové hřiště – místo, kde se hraje basketbal.

Koš – cíl, do kterého se snaží hráči hodit míč.

Tabule – deska za košem, která může být použita k odrazu míče do koše.

Obruč – kovový kruh, na který je připevněná síť a tvoří koš.

Rozehrávač – hráč, který kontroluje míč a rozhoduje o taktice útoku týmu.

Křídlo – hráč, který hraje na stranách hřiště.

Pivot – hráč, který hraje v blízkosti koše a je často nejvyšší hráčem týmu.

Zónová obrana – strategie obrany, kdy hráči brání určité oblasti hřiště, místo konkrétních hráčů.

Osobní obrana – strategie obrany, kdy hráči brání konkrétní hráče soupeře.

Rychlý protiútok – strategie, kdy tým se snaží rychle přejít do útoku po získání míče.

Blokování střely – akce, kdy obránce snaží se zabránit střele soupeře dotykem míče.

Vymezení prostoru – technika, kdy hráč se snaží získat prostor na hřišti pro sebe nebo svého spoluhráče.

Nahrávka – předání míče spoluhráči.

Smeč – silná střela, kdy hráč hodí míč do koše z výskoku.

Alley-oop – hra, kdy hráč nahrává míč do vzduchu a jeho spoluhráč ho smečuje do koše.

Crossover – technika driblování, kdy hráč rychle přenese míč z jedné ruky do druhé, aby překonal obránce.

Screen – akce, kdy hráč blokuje obránce, aby umožnil svému spoluhráči volný pohyb.

Timeout – přestávka ve hře, kterou může vyžádat trenér týmu.

Prodloužení – další hra, pokud je skóre nerozhodné po konci regulérní hrací doby.

Stejný prompt jsme zadali v polštině pro polštinu.

Proszę mi wymienić trzydzieści terminów z koszykówki związanych z zasadami gry, sprzętem i wyposażeniem, opisem boiska i nazewnictwem graczy.

Výstup byl následující:

Drybling – technika poruszania się z piłką, polegająca na kontrolowaniu jej trajektorii poprzez odbijanie piłki od ziemi jedną ręką.

Rzut – próba zdobycia punktów poprzez wrzucenie piłki do kosza.

Obrona – strategia mająca na celu zapobieganie zdobywaniu punktów przez przeciwnika.

Atak – faza gry, w której drużyna ma kontrolę nad piłką i próbuje zdobyć punkty.

Zbiórka – zdobycie kontroli nad piłką po nieudanym rzucie.

Faule – naruszenia zasad, które mogą prowadzić do rzutów karnych dla przeciwnika.

Rzuty karne – rzuty na kosz przyznane za faule podczas gry.

Linia rzutów za trzy punkty – linia na boisku, z której rzuty do kosza są warte trzy punkty.

Koszulka – standardowy strój gracza, zwykle składający się z szortów i bezrękawnika.

Buty do koszykówki – specjalne buty zaprojektowane do gry w koszykówkę.

Piłka do koszykówki – piłka używana w koszykówce.

Boisko do koszykówki – miejsce, na którym rozgrywa się koszykówka.

Kosz – cel, do którego gracze próbują wrzucić piłkę.

Tablica – deska za koszem, która może być używana do odbicia piłki do kosza.

Obręcz – metalowy pierścień, do którego jest przymocowana siatka i który tworzy kosz.

Rozgrywający – gracz, który kontroluje piłkę i decyduje o taktyce ataku drużyny.

Skrzydłowy – gracz, który gra na bokach boiska.

Środkowy – gracz, który gra blisko kosza i jest często najwyższym graczem w drużynie.

Obrona strefowa – strategia obrony, w której gracze bronią określonych obszarów boiska, a nie konkretnych graczy.

Obrona osobista – strategia obrony, w której gracze bronią konkretnych graczy przeciwnika.

Szybki kontratak – strategia, w której drużyna stara się szybko przejść do ataku po zdobyciu piłki.

Blokowanie rzutu – akcja, w której obrońca próbuje zapobiec rzutowi przeciwnika poprzez dotknięcie piłki.

Zajmowanie przestrzeni – technika, w której gracz stara się zdobyć przestrzeń na boisku dla siebie lub swojego kolegi z drużyny.

Podanie – przekazanie piłki do kolegi z drużyny.

Smeč – silny rzut, w którym gracz wrzuca piłkę do kosza z wyskoku.

Alley-oop – gra, w której gracz podaje piłkę w powietrze, a jego kolega z drużyny wrzuca ją do kosza.

Crossover – technika dryblingu, w której gracz szybko przenosi piłkę z jednej ręki do drugiej, aby pokonać obrońcę.

Blokada – akcja, w której gracz blokuje obrońcę, aby umożliwić swojemu kolegi z drużyny swobodny ruch.

Przerwa – przerwa w grze, którą może zażądać trener drużyny.

Dogrywka – dodatkowa gra, jeśli wynik jest nierozstrzygnięty po zakończeniu regulaminowego czasu gry.

Výsledek se nápadně podobá české verzi. To může být dáno pamětí na dotazy, kdy nástroj ví, na co jsme se ptali předtím a svou odpověď podle toho upravuje. Tento způsob dotazování by mohl být vhodnějším v případě, že neznáme hledanou terminologii a chtěli bychom kromě samotných výrazů vědět, co ony znamenají.

Pro ilustraci dotazovací paměti, uvádíme výstup, který je výsledkem stejného promptu, ale v novém chatovacím kanále, tedy bez dotazovací paměti:

Zasady gry:

Dwupunktowy rzut – Rzut do kosza z gry, który jest wart dwóch punktów.

Trzypunktowy rzut – Rzut do kosza z gry, który jest wart trzy punkty.

Fałszowanie – Naruszenie zasad, które polega na nielegalnym kontakcie z przeciwnikiem.

Podanie – Przekazanie piłki do innego gracza.

Przechwyt – Zdobywanie piłki od przeciwnika.

Sprzęt i wyposażenie: 6. Piłka – Narzędzie używane do gry w koszykówkę. 7. Kosz – Cel, do którego gracze próbują wrzucić piłkę. 8. Tablica – Powierzchnia za koszem, która może być używana do odbijania piłki do kosza. 9. Stroje – Ubrania noszone przez graczy podczas meczu. 10. Buty do koszykówki – Specjalne buty zaprojektowane do gry w koszykówkę.

Opis boiska: 11. Linia podstawowa – Linia na końcu boiska. 12. Linia boczna – Linia po bokach boiska. 13. Pole trzypunktowe – Obszar na boisku, z którego rzuty są warte trzy punkty. 14. Pole karnych – Obszar na boisku, gdzie gracz wykonuje rzuty wolne. 15. Środek boiska – Miejsce na boisku, gdzie rozpoczyna się gra.

Nazewnictwo graczy: 16. Rzucający – Gracz, który często rzuca do kosza. 17. Skrzydłowy – Gracz, który gra na pozycji między rzucającym a środkowym. 18. Środkowy – Najczęściej najwyższy gracz na boisku. 19. Rozgrywający – Gracz, który kontroluje piłkę i organizuje grę. 20. Obrońca – Gracz, który specjalizuje się w obronie.

Dodatkowe terminy: 21. Rzut wolny – Rzut do kosza, który jest wykonywany bez oporu, po faulu. 22. Zbiórka – Zdobycie piłki po nieudanym rzucie do kosza. 23. Asysta – Podanie, które prowadzi bezpośrednio do zdobycia punktów. 24. Blokkada – Odebranie przeciwnikowi możliwości rzutu do kosza. 25. Drybling – Odbijanie piłki od podłoża podczas poruszania się po boisku. 26. Pick and roll – Popularna taktyka ofensywna w koszykówce. 27. Fast break – Szybki atak, często po przechwyceniu piłki. 28. Triple-double – Osiągnięcie dwucyfrowej liczby w trzech statystycznych kategoriach podczas jednego meczu. 29. Crossover – Ruch z piłką mający na celu zmylić obrońcę. 30. Alley-oop – Podanie do gracza, który zdobywa punkty poprzez wsad do kosza.

Povšimněme si, že výsledky nejen, že jsou jiné, ale i celá struktura odpovědi se liší.

Závěr

Umělá inteligence se jeví jako zajímavý pomocník při vědecké práci. Její současné možnosti nám naskýtají široké množství příležitostí k využití. Budoucnost umělé inteligence je nevyzpytatelná a její rozvoj je tak rychlý, že fakta, která tu nyní píšeme, možná již teď nejsou aktuální. Představili jsme si možnost využití nástroje Microsoft Copilot s komerční licencí. Vyzkoušeli jsme si, jak by mohl vypadat sběr terminologie pro další rozbor. Díky tomu jsme si ověřili, že je to nástroj vhodný pro brainstorming, ale že je nutné výstupní informace velice kriticky ověřovat, protože ne vždy se informace zakládají na pravdě, i když na první pohled bychom si to mohli myslet.

Jak je možné využít AI při jazykovědném výzkumu je téma, které by bylo vhodné dále prohlubovat. Příkladem může být porovnání různých nástrojů se stejnými prompty a zjištění procentuální úspěšnosti výsledků, příp. analyzování, zda se dá říct, který nástroj je na jaký typ otázek lepší, nebo v čem daný nástroj nejčastěji chybuje nebo fabuluje.

Zdroje

Basketbalový slovníček. Online. Basketbal. 2009. Dostupné z: https://basketball.estranky.cz/clanky/pravidla-/basketbalovy-slovnicek.html. [cit. 2024-04-18].

Doporučení k využití nástrojů umělé inteligence při plnění studijních povinností. Online. Masarykova univerzita. © 2024. Dostupné z: https://kvalita.muni.cz/kvalita-vyuky/doporuceni-k-vyuzivani-umele-inteligence-ve-vyuce. [cit. 2024-04-15].

Dryblować. Online. Słownik języka polskiego. Copyright 1997-2024. Dostupné z: https://sjp.pwn.pl/szukaj/dryblowa%C4%87.html. [cit. 2024-04-16].

GPT-4. Online. In: Wikipedia: the free encyclopedia. San Francisco (CA): Wikimedia Foundation, 2001-. Dostupné z: https://en.wikipedia.org/wiki/GPT-4. [cit. 2024-04-18].

Kozłować. Online. Słownik języka polskiego. Copyright 1997-2024. Dostupné z: https://sjp.pwn.pl/szukaj/koz%C5%82owa%C4%87.html. [cit. 2024-04-16].

LAREO, xabier. Large language models (LLM). Online. European data protection supervisor. Dostupné z: https://www.edps.europa.eu/data-protection/technology-monitoring/techsonar/large-language-models-llm_en. [cit. 2024-04-15].

Large Language Models Explained. Online. NVIDIA. © 2024. Dostupné z: https://www.nvidia.com/en-us/glossary/large-language-models/. [cit. 2024-04-18].

Microsoft Copilot s komerční ochranou dat. Online. IT MUNI. © 2024. Dostupné z: https://it.muni.cz/sluzby/microsoft-copilot. [cit. 2024-04-15].

Pracovní skupina pro AI ve výuce. Online. In: Zajišťování kvality na MUNI. C2024. Dostupné z: https://kvalita.muni.cz/kvalita-vyuky/pracovni-skupina-pro-ai-ve-vyuce. [cit. 2024-04-15].

Rčení „důvěřuj, ale prověřuj“ by mohlo být mottem nejen pro dnešní politiku. Online. In: Český rozhlas. © 1997-2024. Dostupné z: https://olomouc.rozhlas.cz/rceni-duveruj-ale-proveruj-mohlo-byt-mottem-nejen-pro-dnesni-politiku-7598647. [cit. 2024-04-15].

RUSSELL, Stuart J. Jako člověk: umělá inteligence a problém jejího ovládání. Zip (Argo: Dokořán): Dokořán). Praha: Argo, 2021. ISBN 978-80-7363-810-8.

Stanovisko k využívání umělé inteligence ve výuce na Masarykově univerzitě. Online. Masarykova univerzita. © 2024. Dostupné z: https://www.muni.cz/o-univerzite/uredni-deska/stanovisko-k-vyuzivani-ai. [cit. 2024-04-15].

Wikipedie: Otevřená encyklopedie: ChatGPT [online]. c2024 [citováno 15. 04. 2024]. Dostupný z WWW:

Wikipedie: Otevřená encyklopedie: Velký jazykový model [online]. c2024 [citováno 15. 04. 2024]. Dostupný z WWW:

Tento text vznikl v rámci řešení projektu Specifického výzkumu MUNI/A/1479/2023 Identita, ekvivalence a jinakost v slovanských jazycích, literaturách a kulturách (Ústav slavistiky FF MU).

Mgr. Jana Pikulová studuje doktorské studium Slovanské jazyky na Ústavu slavistiky Masarykovy univerzity. Tématem její dizertační práce je Etymologie a sémantika české a polské sportovní terminologie. Zajímá se o možnosti využití AI při jazykovědném výzkumu a vzdělávání. Kromě studia vyučuje na Filozofické fakultě MU Polštinu pro začátečníky.