AI jako používání chat asistenta je skill. Je to dovednost jako každá jiná.

Filip: Já to vysvětluji, to je taková černá krabička, do které jdou ty naše data, to jsou ty naše zprávy.

Jindřich: Umělá inteligence není nic novýho, je to tady s náma, nebo tenhle pojem tady je s náma už nějakých 70 let.

Filip: AI jako používání, v tomhle případě, že to asi je asistenta, tak je skill, je to dovednost, je to jako každá jiná.

Jindřich: Jako jinými slovy, není zatím nějaká magie, ale je to jenom pravděpodobnost složení těch tzv. tokenů.

Filip: A ten model je tzv. bezstavovej, on si nic nepamatuje.

Jindřich: Právě posloucháte Deeplink Show. Vítejte u další epizody podcastu Deeplink Show. Zde tak zdravím naše posluchače. Dnešní epizoda bude trochu odlišná. Je pro všechny, který s AI teprve začínají a používají jen povrchně, nemají technické znalosti nebo vzdělání a chceme to téma vzít trošku od základu. Co to je, jak to funguje, k čemu uměla inteligence je dobrá, jaký jsou hlavní nástroje, jak s nima začít a jak nějaké praktické typy na začátek. Jenom přínosný průvodce pro chytrý a netechnický lidi. Tato epizoda bude vlastně i obecná. z toho úhlu pohledu v rámci těch našich ostatních epizod. My už jsme totiž tady měli fenomen vibecoding, generátory obrázků, četovací asistenti a to byly specifické tématy, kde jsme šli trošku víc do hloubky. Ale teď si pojďme skutečně říct ty základy tak, jak už jsem říkal, aby to skutečně bylo srozumitelný, zpracovatelný, kondenzovaný informace pro koleky, nebo lidi, kamarády bez technického vzdělání. Tak pojďme na to. Snad jsem to uvedl dostatečně jasně. Tak pojďme se pokusit nejít do technického detailu.

Filip: Jindro, zdravíme naše posluchače. Pro mě to bude trošku výzva, protože někdy mám tendenci používat technické výrazy, core hlavně z IT, ale tak pojďme to vyzkoušet. Tak možná hele první definici přenechám na tobě, jakož to nechci říct méně technického, ale tak jsem programátor, tak si to můžu dovolit méně technického. Jak bys řekl nebo popsal umělou inteligenci? Co to vlastně je, když se dneska řekne AI, tak co si pod tím má někdo představit?

Jindřich: Já si myslím, že jsi to definoval dobře. Ty seš jako programátor za tu technickou část, takže když se půjde do technického detailu, když půjde víc povrchnit, do produktové stránky věcí, nebo třeba víc do businessu, tak o toho jsem tady. A ostatně, což to vlastně na samotném počátku byla ta naše, řekněme, výhoda toho, nebo ta naše domluva, jak by ten náš podcast měl vypadat. Každý pohybujeme se v digitálním světě a oba na to koukáme z trochu jiného úhlu pohledu. Abych se vrátil k té otázce. Co to umělá inteligence je? Za mě je to hodně zjednoušeně řečeno algoritmus, který se učí paterny na obrovském množství dat. Tudíž cokoliv jde do vstupu, tak na výstupu je… Ať to zjednoduším, tak pojďme například na četovací asistenty. Takže já tam pošlu nějaký textový řetězec a vrátí se mi textový řetězec, který je na základě toho algoritmu, který naučí na tom množství dat, jako nejpravděpodobnější, že by se měl vrátit na základě toho vstupu, který ten algoritmus obdržel. jestli to říkám dostatečně srozumitelně. Jako jinými slovy, není zatím nějaká magie, ale je to jenom pravděpodobnost složení těch takzvaných tokenů, jinými slovy, slova písmená části slov a podobně, k tomu se ještě dostaneme. Ale to je vlastně ta umělá inteligence, ta generativní umělá inteligence z toho úhlu pohledu takový, jaký známe dnes.

Filip: Já bych možná ještě udělal ten krouček trošku dozádu a obecně k tomu, co je to umělá inteligence, protože často si myslím, že se stává, v dnešní době, protože AI, AI, AI, to slyšíš prostě všude, takže si to lidi právě spojují jenom s tou generativní AI, že máš prostě textový generátory, nějaký takovýhle asistenty, generatory obrázku videí a tak dál, ale je za mě dobrý říct, že je to jako jenom malá podmnožina. A my jsme měli v předchozí epizodě, jsme se bavili vlastně o historii AI a tam jsme rozbírali všechny ty varianty. Takže já bych jako AI definoval tak, že je to nějaký v uvozovkách program, který ale nemá předem přesně definováno, jak se má zachovat. Nejsou tam ty podmínky. Není tam přesně daný ten postup, ten pracovní postup, ale ten algoritmus se ho prostě z něčeho naučil. A potom už těch druhů AI může být celá řada. Některý můžou být úzce zaměřený, tomu se říká Narrow AI, a to jsou zaměřený třeba na hraní šachu. My jsme se bavili v historii AI o AlphaGo a Alpha… Ježíšmarja, jak se jmenoval ten algoritmus?

Jindřich: Deep Blue.

Filip: Deep Blue, yes. Deep Blue. To jsou algoritmy, které umějí jenom hrát šachy nebo tu hru Go, ale neumějí vůbec nic jinýho. A to je ta úzká Narrow AI. A pak je ta obecná, kdy umí řešit víc problémů, než jenom tady ten jeden. jeden vlastně úkol.

Jindřich: Možná jenom doplním, že my to, co prakticky známe dnes, tak to zdrtivý většiny je ta narrow AI, všeobecně to má nějaký specifikum, na něčem je naučena, na nějaký specifický sadě dat je naučena. Zatímco se týče tý ko obecný, tak Je to taková filozofická otázka, jestli už tam jsme, nebo jestli tam ještě nejsme, možná jo, možná ne, ale zase bych se odkazoval na ten díl, kde jsme to řešili posledně, tam jsme řešili tu AGI, tu super inteligenci, kde pravděpodobně teď ještě nejsme, ale možná v budoucnu budeme a Tak to už bych asi možná nerad opakoval, ale určitě bych doporučil, pokud by někdo chtěl jít do většího detailu do AGI a ASI a podobně, tak to jsou všechno klíčová slova, který jsme právě probírali v tom našem předchozím dílu.

Filip: Zkrátka je za mě dobrý si uvědomit, že AI nejsou jenom ty chatboty nebo to, s čím vlastně interagujeme aktivně, ale je všude kolem nás, typický příklad Netflix, Facebook, Google, takový to doporučování, prostě tohle by se vám mohlo líbit na základě vašeho sledování filmu atd. tohle všechno tyto algoritmy tak taky do té umělý inteligence vlastně spadají a já bych řekl AI umělá inteligence to je ten umbrella term ten jakoby zaštiťující pojem pro všechny tady ty algoritmy a přesně tady ty asistenti tak jsou jsou jenom jako malá část a spadají tam já to asi jako nebudu zacházet do detailu ale pokud jste někdy slyšeli pojmy jako strojový učení neuronový sítě, velký jazykový modeli což jsou právě ty který máme asistenty teďka a podobný tak všechno tohleto vlastně spadá pod ten pojem.

Jindřich: Myslím si že důležitý, Uvědomi si to, že uměla inteligence v dnešní době je to trošku buzzword, hodně se s tím roztrhl pytel, hodně se o tom mluví, že říká AI AI AI, ale ty jsi skvěle zmínil ty doporučovací algoritmy se sociálních sítí YouTube, Netflix a všechno. To už tedy je s náma celou řadu let, akorát se to možná neříkalo uměla inteligence, možná někde jo, ale rozhodně to slovo nebylo tak rozšířený jak i dnes. A přesto přeze všechno to byly nějaké neuronové sítě nebo ty machine learning algoritmy a přesně tadyhle ty další algoritmy tak ty spadají do celý škály nebo do toho obecnýho slova uměla inteligence.

Filip: A když se posuneme dneska teda k tomu, co máme vlastně aktuálně, tak to je přesně, jak už jsme nastínili, tak generativní AI, to jsou teď četovací asistenti, odpálil to vlastně ChatGPT, to byl takový ten moment, kdy vlastně lidi, já vždycky jako rád říkám, že to je, kdy jsme si poprvé na tu AI mohli šáhnout, jako samozřejmě obrazně řečeno, ale že jsme mohli vyskoušet si tu komunikaci, že my jsme zadali nějaký příkaz a dostali jsme odpověď. Protože všechno ostatní, to byla taková ta skrytá AI. To, že se mi doporučí film, je fajn, ale já jsem explicitně o to nepožádal, není tam ta interakce, ale přišlo točit GPT a najednou, wow, já si s tím můžu povídat a cítit tu inteligenci. A kam jsme se dostali dodnes, tak to jsou různý AI agenti a další věci, tomu se dostaneme za chvilku, ale Vlastně chci tak nějak teďka popsat ten moment toho, kdy vlastně vyšlo ChatGPT a proč to najednou byla taková revoluce. No a teďka samozřejmě o tom slyšíme všude, protože je to buzzword, je to obrovský prodejní artikel, všichni do toho sypou spoustu peněz, protože ten slip je, že nám to jako extrémně zefektivní práci. Už se to děje, ale samozřejmě jsou tam velký limity. A to mě možná přivádí k nějakým základním pojmům, který by jsme u té generativní AI Asi tak nějak měli tušit, tak jestli Jindro můžeš nějaký z nich třeba vytáhnout a popsat.

Jindřich: Já si myslím, že mi úsměj. jich celou řadu zmínili. Možná něktej jsme popsali, něktej jsme třeba nepopsali úplně dostatečně, ale pokud jsme tak neudělali, tak dost možná nejsou až tak důležitý, aby jsme třeba zařazovali právě tady do té naší epizody hledně základů umělý inteligence. Tohle by se skutečně měla sloužit i pro lidi, kteří s tím třeba chtějí začít, mají třeba rodinu, nemají dostatek prostoru si to jako studovat sami, věnovat se tomu, tak v rámci této epizody by jsme to měli probrati vlastně samotný základy jak už jsem zmínil jeden z těch prvních určitě pojmu který by každej z nás měl znát tak je prompt. To jsem vlastně snad ani nepřekládá do češtiny ale to zkrátka ten příklad který já například píšu tomu četvacímu asistentu nebo to píšu tomu asistentovi po kterým chci aby mě vygeneroval obrázek tomu se říká prompt. No a velmi úzce spojená terminologie s tím je takzvaný systémový prompt. No a to není nic jinýho, než jenom jakási systémová informace o tom, jakým způsobem má ten četovací asistent odpovědět. Je to něco, co užovatel nevidí, může samozřejmě, když si tam rozklikneš šipečky v četovacím asistentovi. ale je to zkrátka prompt a část systémové informace, která se připojí k tomu uživatelskému promptu, který potom společně odchází na ten server za jazykovým modelem a pak se nám vrací do pověď. Takže jinými slovy je to jaký doplnění kontextu té mé otázky nebo toho mýho promptu, který já posílám. To je systémový prompt. Takže dva základní pojmy, prompt a systémový prompt.

Filip: Jak to můžete systemovat? Prostě doplňu to, že já to krásně vysvětluju a to si myslím, že je extrémně důležité pochopit. Když máme jazykový modely, řešíme teďka jazykový modely, tak to je taková černá krabička, do které jdou ty naše data, to jsou ty naše zprávy. A ven jde nějaká odpověď a ten model je takzvaně bezstavovej, on si nic nepamatuje. Co tam dáš, tak on ti na základě toho odpoví. Abys ho donutil se třeba nějakým způsobem chovat, mít nějakou osobnost, nebo aby ti odpovídal v nějakým formátu, česky, anglicky, tykal ti něco, tak buď toto můžeš napsat do té svojí zprávy, což je ten prompt, to je to tvoje zadání, no a nebo žeho přesně, aby ses neopakoval, tak to máš v tom systémovém promptu a to se jenom přilepěj ty dvě věci nad sebe a pošlou se do té černé krabičky. a to si myslím, že fakt je jako zásadní, bytě to trošku techničnější, já myslím, že jsem si říkal, že nebudem zabíhat, ale tohle si myslím, že je fakt jako stěžení pochopit, ten model si vůbec nic nepamatuje, já jsem na to dělal i epizodu svýho videa Coffee Break s Filipem, vlastně o tom, jak fungujou paměti, ale ten model musí dostat všechny informace dovnitř a na základě toho je schopnej odpovědět. Takže i když mu posíláte pdf, obrázky, máte s ním dlouhou konverzaci, tak i když máte dlouhou konverzaci, jak je potřeba vzít všechny ty zprávy, všechny mu je poslat a on vám na základě toho vytvoří tu odpověď. Tak to je jenom takový za mě důležitý uvědomění k tomu, jak to celé funguje. Tak pojďme od technických detailů na nějaké další pojmy.

Jindřich: Hmm. Možná, co mě ještě k tomu napadlo, tak ještě se u toho chvilku zastavme, tak byť možná zase půjdu do většího detailu, ale přesně takhle například fungují ty AI chat boti na všech těch různých stránkách, že třeba například já jdu na budu si koupat oblečení kam nějakého internetového obchodu a ptám se jako na velikosti například optám se na něco tak zase není tam nic jiného než jenom že se posílá společně s tím do toho jazykového modelu, té černé krabičky jak jste to dobře nazval, ten systémový prompt který je přesně popsanej na to, o jaké e-shop se jedna nebo například jaký zboží a tak dál a tak dál a všechny tyhle informace. Takže do jisté míry ta technologie pro všechny tyhle četvací asistenti může být stejná nebo podobná. Furt to může být ten samý model, řekněme. Akorát se to může lišit právě v tom systémovém promptu a na základě toho, jaký tam přijde ten systémový prompt, tak takovou já můžu dostat odpověď a ta se samozřejmě může lišit.

Filip: S pak samozřejmě pro techničnější tak nějaký fun tuning a tak ano může tam být ale pojďme od toho to už bychom se jako dostávali do velkých technikálí. S čím se člověk jako často setká když používá jazykový modely tak je pojem halucinace a je to taková největší vítka kdy lidi, co kritizují AI nebo prostě mají nějaké výhrady nebo řešejí s tím problémy, tak je to, že ty modely si vymyšlejí. A ten odborný termín k tomuhle tak není, že kecaj, ale jmenuje se halucinace a je to vlastně situace, kdy ten model odpoví nějakou nepravdu. a ona ta halucinace je takovej asi jako nevím jestli úplně šťastnej pojem protože to zkrátka není jako že najednou ten model odešel z cesty a něco si jako fakt vymyslel a nevím ten model nemá uvědomění toho že je něco správně nebo špatně, protože tu odpověď, jak jsem říkal, černá krabička, jdou nějaký vstupy, statistika, velmi jednodušně zřečeno, a jdou nějaký výstupy. A ten model vůbec nemá ponětí o tom, jestli kecá, jestli si vymýšlí nebo to. Zkrátka, ve chvíli, kdy si ho ptáte na dotazy, který on nemá v té svý bázi znalostní, to znamená, na který nebyl natrénovanej, tak ta šance, že si bude vymýšlet, je prostě velká, protože ty modely jsou natrénovaný tak, že vždycky se snaží něco odpovědět. Jasně, teď ta situace se jako řeší, řeší se mnoha způsoby, ať už tím, že se ty modely trénujou trošičku jinak, nebo mají k dispozici nějaké nástroje, které můžou použít, aby si dozistili informace. K tomu se pak dostaneme, ale v tom základu, když považujeme jazykový model bez jakýkoliv nástrojů, tak opravdu jenom predikuje nějaký následující text a proto může halucinovat, ale není to něco, co by ten model dělal vědomě a celý tohle ta halucinace tak se řeší právě pak pomocí aby byl dobrý prompt a správný nástroje a říkám k tomu se dostaneme. Pojďme ráno.

Jindřich: Kdo by mohl říct že jako ta halucinace je do jistý mír umyslená. Myšleno tak že ten model jako natrénovaný proto aby se ti snažil jakoby víc říct, takže on ti třeba neřekne, nebo může ti říct ale nevím ale snaží se ti jako dát tu odpověď snaží se ti skutečně jako víc říct protože je to, funkce, kterou úmyslně uvažovali vývojáři nebo ty, co trénovali ten samotný model. A na tomto je třeba krásně vidět, být je to velmi podobná technologie, tak ty největší hráči jako je Google nebo Anthropic nebo OpenAI, tak každej mají svůj vlastní model, ale mají ho trénovaný s svéma vlastníma, ne s svýma vlastníma datama, ale mají ho trénovaný třeba s jinýma datama a mají ho trénovaný pomoci trošku jiných funkcí aby se třeba trošku jinak choval trochu jinak a to je i ten důvod proč když já pošlu stejnou otázku na různý českoslovací asicenti tak se může odpověď lišit.

Filip: Tam jsou jako spousta proměných a jednou z nich. nevím, jestli promění, ale to nejdůležitější je takzvané kontextové okno. A to je velikost toho, když zase vezmu svůj příměr. Černá krabička, tady jdou nějaké vstupy. Kontextové okno není nic jiného, než velikost těch vstupů, kolik těch vstupů do krabičky můžu nalejt, aby ten model to zvládnul. Je tam vždy limit. Dnes ty největší modely mají kolem milionů tokenů, což si můžeme představit jako nějakých 750 000 slov anglických cirka. jsou i modely, který mají jako myslím, že teďka dva miliony, ale to jedno, zkrátka jako je dobrý vědět, že tam existuje nějakej tady ten limit a do toho je potřeba se vejít, takže když pak třeba chci, aby ten model přechroupal celý knížky nebo desítky knížek, tak to prostě nezvládne jako na jednou a je potřeba s tím pak pracovat nějak inteligentnějc. k tomu se pak dostaneme, nějaký kontextový inženýrství se tomu říká, ale zkrátka kontext je všechno to, co tomu modelu můžu dát a do toho kontextového okna tak se musí vejít jako opravdu úplně všechno, od systémového promptu, toho mýho promptu, toho požadavku, přes nějaký delší konfigurace, přes historii celýho chatu, který už jsme měli spolu. Takže vy to kontextové okno, když si s ním budete psát třeba jako ahoj, jak se máš, ale když si to budete psát dostatečně dlouho s tím modelem, tak i tak může to kontextové okno přetýct. Jako tady u té krátké věty byste byli fakt hodně dlouho, ale chci tím říct, že jakoby i tou konverzací, čím díl si s ním povídáte, tak tím se to kontextové okno plní. Protože jak jsem říkal, při každé zprávě je potřeba všechny data vzít, nalej odpověď, takže se to postupně agreguje a zvětšuje množství dát.

Jindřich: – Není možné čet v rámci jedného četu do nekonečna, protože zkrátka dřív nebo později bychom ten model zahltili. Aspektivně bychom ho nezahltili, ale začali bychom zapomínat to, co jsme probírali na začátku. A je to kvůli tomu, že by mu došlo do kontekstové okno a on by potom musel nějak se sumarizovat Vybrat si z toho jenom nějaký nejdůležitější informace a ty potom vlastně posílat společně s tou naší další pokračující četem. Myslím si, že je to, že prakticky každej z nás někdy na toto narazil, nemuseli jsme tomu dávat ani hodně informací ale zkrátka jsme četovali plouh jsme četovali pořád jsme něco řešili, tam a zpátky jsme si přehazovali zprávu, až zkrátka nám třeba ten kolo nebo třetí býtý řek že teď momentálně chvilku počkej protože já si to tady potřebuji všechno sesumarizovat, rovná se už jsem zapomněl toto jsme například řešili na začátku jinými slovy je jeden takovej asi zkrátka hint, nebo nějaký tip od nás, tak pokud možno, pokud nepotřebujete historii toho chatu, tak začínajte novou konverzaci, je to takový nejjednodušší, nejjistější.

Filip: A zároveň je dobrý říct, že Byť to kontextové okno má milion, tak to neznamená, že je stejně efektivní ten model na začátku i na konci, jak je to okno naplněné. Čím víc kontextu tam dáváte, tak efektivita modelu klesá. To znamená, že může dávat i horší odpovědi. Zlaté pravidlo je, že dejte tomu dostatečným než svý kontextu, ale jenom toho, co ten model potřebuje, a ne nutně něco víc. Čím víc zahlcujete to kontextové okno, tím horší můžou být pak ty odpovědi. No a když se tím dostanou hezky jako s nemuskem k tomu dalšímu pojmu, tak celý to kontextové okno, jak jsme tady zmínili, nějaký milion tokenů, nebo něco takového, tak to je vlastně základní jednotka. A je to, jak vždycky říkám, hele, jako vlastně dá se to představit, že je to to slovo, protože ono bez toho je to takový komplikovaný, ale token to je vlastně jenom nějakej vektor, je to nějaká číselná reprezentace části toho slova a tam už bychom zabíhali hodně do velkých detailů, ale zkrátka za mě nejjednodušší příjměr je jedno slovo, které se tam naleje, ono vždy je tři čtvrtě slova, tam se pak hraje s koncovkama a tak dál, ale je to to rozsekání toho řetě scéna, ty čísla, které se pak vlastně posílá do toho jazykovýho modelu. Možná nevím, jestli máš Jindro nějaký lepší příjmeněr, jak vysvětlit token.

Jindřich: Já většinou říkám část slova teda ne jako celý slovo ale část slova zkrátka ono to pravděpodobně tak vychází, ale možná jeden třeba tip možná už pro trochu pokročilejší uživatele, tak existuje celá řada aplikací kam já dám ten můj textový řetězec tu větu a ono mi to ukáže přesně jak to ten jazykový model rozseká do těch tokenů. třeba jeden z nich, tak tam je potom krásně vidět v té většině, že ty tokeny jsou barevně označené a jsou to jednotlivé části těch slov. Tak to si případně určitě můžete vyzkoušet. No a samozřejmě, abychom to všechno doplnili do nějakého kontextu, tak by se asi nabízelo jít trochu do historie. Fajn je asi si uvědomit, že umělá inteligence není nic novýho, je to tady s náma, nebo pojem tady je s náma už nějakých 70 let, tento okamžik. tohle všechno, tak jsme zase probírali v naší předchozí epizodě. Takže určitě, pokud by někdo chtěl slyšet o historii umělý inteligence od Alana Turinga přes Deep Blue, přes AlphaGo a přes další třeba matematiky nebo vývojáře software engineering, který přispěli k vývoji umělý inteligence a ty historických důvodů, proč jsme v dnešní době tam, kde jsme, tak určitě ten předchozí díl doporučuji. Ale možná pojďme se spíš teď zaměřit na takové kategorie, nástrojů umělý inteligence, tak jak je používáme dnes. Pojďme se spíš zaměřit na ty nástroje jako takový, než ty jazykový modely, který stojí zatím. První kategorie asi jsme dost možná změnili. Četovací asistenti, nějaký konverzační chytrej kamarád, ještě bychom to mohli nazvat, a ty hlavní hráči, tak tam jsou Čečí P.T. od OpenAI, Claude od Anthropiku, Gemini od Google a případně, možná ještě někdo může znát, třeba Grok. od od XAI což je společnost Elona Muska, samozřejmě bychom mohli vyjmenovat ještě několik ale tak zkrátka tohle to jsou je to asi taková největší čtyřka který se nejvíc mluví a nejvíc prostoru dostává v médiích jsou taky nejvíc komerční nástroje pravděpodobně. slouží standardy k psaním, textovým analýzům, brainstormingu, sumarizacím dokumentů například k vysvětlování, k výzkumu, k kodingu a tak dál. Jak jsme říkali, jsou to konverzační asistenty, za kterým je jazykový model a fungují predikce dalšího tokenu. Pokud bychom to měli vzít z rychlíku jednoduše, ale budu rád, když mě Filipe doplníš. K těm čatovacím

Filip: asistentům za mě ještě taková zajímavost, protože jak jsem zmiňoval tu černou krabičku, já se k tomu pořád jako vracím, tak ty vlastně, klasický jazykový model, který není natrénovaný jako čatovací asistent, tak ty když tam dáš ten vstup a řekneš ahoj jak se máš, a třeba nedáš tam tu diakritiku nebo jinak, možná jiný příklad. Jsem v lese a klasický chat GPT ti odpoví něco ve stylu, tak to je super, že si v lese a vede s tebou konverzaci. Ale jazykový model, který není natrénovaný jako četovací asistent, tak ti začne doplňovat tu větu. Napíšeš, že jsi v lese a ten asistent ti napíše, že nosím dříví něco takového. Zkrátka, doplní za tebe tu větu. To je za mě fajn si uvědomit, že ty jazykové modely, které máme dnes, tak jsou vyloženě dotrénovaný na to, aby s náma vedli tu konverzaci a věděli, že teď domluvil uživatel a teď mu musíš nějakým způsobem odpovědět. A to je celá ta jako premisa těch chatovacích asistentů, aby vlastně s tebou dokázali víc tady tu konverzaci a prostě bylo to natrénovaný na hromadě konverzací, které tam byly uměle vytvořené prostě fakt mezi lidma a on se jako naučil, jak takhle odpovídat. No a ještě taková pak možná drobnost, my dojdeme k agentům, protože to dneska je strašný buzzword, nechci do toho teď zabředávat, ale jenom chci říct ten rozdíl, že my něčemu říkáme četovací asistenti, něco agenti a za mě tamto rozlišení není jako buď a nebo, ale je to nějaká škála, kdy mám četovací asistenta, kdy si jenom povídám. A to je všechno, nemám tam nic. Pak mám agenta, který, jo, mi tady běží v počítači, dělá za mě úkoly, komunikuje s appkama, programuje atd. atd. A dělá ty věci sám a běží klidně x hodin. No a dnešní chatovací asistenti, který známe, tak už jako trošku agentama jsou, jo, protože dneska, když použeš chat GPT, tak on si vyhledá na internetu věci, on se ti umí připojit třeba ke Google disku. tak tím jenom chci ilustrovat, že i dnešní četovací asistenti se strašně posunuli oproti tomu, co jsme měli na začátku. Když vyšlo chat GPT, to byla fakt jenom text, odpověď. A když jsi mu řekl, dokážeš přečíst tenhle článek na netu, tak on ti řekl, no jasně, ten článek je o tomhle a vymyslel jsi něco, protože on se na ty data vůbec nedostal. Tak to je jenom pro ilustraci, že i dnešní četovací asistenti už se hodně dostávají do té agentnější sféry. Ale možná pojďme, jestli k tomu už nic nemáš, pojďme na delší typy, protože nemusíme generovat jen text.

Jindřich: Mně napadá, že my tady často zmiňujeme, že ten model je natrénovanej na nějakých datech. Tak možná… Nechceš připlížit, co to teda vlastně je, ten trénink, byť ideálně nějaký jednoduše, aby jsme nešli do detailu, ale je to věc, která mě napadla, že my už jsme jí tady zmiňovali několikrát, ale možná řada z našich posluchajíců třeba nemusí, si potom třeba neví,

Filip: co představit. To je super super myšlenka, to trénování prakticky je to podobné jako když se prostě člověk něco učí, jako je to teďka strašně abstraktní, ale já nechci zabíhat do toho, že tam jsou nějaké váhy a další věci. Zkrátka je to podobné, když se člověk učí. Když si přečteš prostě jednu knížku, tak si z ní zapamatuješ prostě pár utrošků, nějaký koncepty, ale jako hodně hrubě, ale čím víc těch knih budeš číst na stejný téma, tak tím víc to téma najednou budeš chápat a budeš schopný odpovídat. a jako podobně se trénuje ten model akorát že on se vlastně jako učí i ty koncepty to je mimochodem taková zajímavá věc pak polemizovat jestli jenom opravdu ten model generuje texty jako výstup a nebo jestli rozumí těm konceptům ale to je zase nějaký jiný díl třeba. Ale zkrátka, tomu modelu je dáno obrovské množství dat a on ten model, řekněme, dostane větu, jdu do lesa a pak dostane tisíce dalších věc, vět jo, a 900 z nich bude to jdu do lesa, takže on se naučí, že když ten člověk napíše jdu do, no tak nejpravděpodobnější odpověď bude do lesa. ale pak to může být jdu do školy jdu do někam jo a zkrátka jako čím víc on nějaký slovo vidí v nějaký souvislosti tak tím si zapamatuje že je pravděpodobnější, že ti vlastně má to slovo odpovědět to znamená že on prostě jenom vidí obrovský množství textu a naučí se z toho jak asi naše slova následují po sobě, proto ty modely někdy dělají gramatický chyby nebo ten slovo sled někdy nehraje protože, ta statistika tam trošku zahapruje a najednou prostě ten model nemá v sobě jako ty gramatický pravidla zaprogramovaný, že se prostě nedají porušit. To je prostě statistika. Statisticky se někdy stane, že to prostě nevíde, protože kdyby ten model odpovídal vždycky to slovo, které je nejvíc pravděpodobné, tak bychom se nikam nedostali, protože bys po každý dostával tu samou odpověď, ale ty chceš, aby ten model byl trošku kreativní, že jo. Malá zmínka, tam se hraje s parametrem teplota, která udává, jak má být kreativní, ale to asi už zabíhá moc do detailu. Zkrátka, ten model si pak vybírá z nějakých pár pravděpodobných slov, to si vyberá a takhle jde dál, dál, dál. No a tak no, takže prostě je to o tom, že viděl obrovské množství dat a ví na základě toho, jaký slova často leží u sebe a jak spolu vlastně souvisejí v těch větách. Já

Jindřich: si myslím, že pro řadu lidí je velmi obtížně představitelné množství dat, které se použili k tomu tréninku. Ať se se ptáš… No jasně, jasně. Pro kohokoliv z nás. Ať se se ptáš na cokoliv, tak velmi pravděpodobně ten model o všem ví alespoň něco. Zdrtí většině ti dá velmi uspokojivou odpověď na ty dotazy, které mu dáš. což teda znamená že on opravdu ze všech různých oborů a ze všech různých oblastí poznání který kdy člověk vlastně nějak vytvořil nějak přišel nějaké sepsal a dal je do nějaký podoby, který mohli trénovat ten daný jazykový model tak opravdu jako za tímhletím vězí absolutně nepředstavitelný množství dat. Ty jsi tady sice řekl jako dobrý příklad s lesem, ale to může být opravdu jenom absolutně jako kapka v boži. A ty data můžou pocházet z různých zdrojů. Různý videa, různý texty a knihy a obrovské množství jako zdrojovýho kódu, například softwaru, nebo Reddit třeba, spoustu různých diskuzí uživatelských. A to je vlastně ta obrovská výhoda, kterou my v dnešní době máme. Jsou to data a jsou to člověkem, člověkem vygenerují data, člověkem vygenerují texty a veškerý ty texty se potom můžou použít pro trénink

Filip: těch jazykových modelů. A už se dneska řeší i syntetické data, kdy vlastně ten model si, nebo jiné modely, vydváří nějaké trénovací data pro ten další model, který se trénuje. Ale zase to bychom zabíhali už hodně do detailu. Zkrátka trénink. Vezme se obrovské množství data a ten model se tam naučí ty vzorce. No a když se posuneme dál, tak stejně tak, jako ten model umí generovat text, tak umí generovat i obrázky. A vlastně i když obrázky, jak pak i videa, že jo? Protože obrázek, co je to obrázek? Obrázek to je jenom nějaká jako matice toho, jak mají být vykreslené nějaké barvy. Je to vlastně podobné. Slova, jak ty slova souvisejí k sobě a obrázky jsou zase, jak ty vykreslené barvy vlastně společně dokážou souviset. No a ty modely zase se dokážou naučit tím snem, že viděli obrovský množství obrázku a vlastně dostali informaci o tom, co to je, nebo se pak dotrénovávali na tom, že se jim něco zadalo, oni to jako vykreslujou a kristalizuje, to je ten difuzní model, kristalizuje ten obrázek a zase to trénování pak může vypadat tak, že nimě kdo říká, hele tady na tom obrázku je nějaký zvíře, nebo takhle to vypadá. případně se to můžou naučit tím že je to kombinace textu a obrázku tak si prostě odvodí je to stejný jako prostě dítě malý když se učí jak vypadá kočička tak ty mu taky neříkáš jako hele má prostě takovýhle jako ouška přesně ve tvaru trůhelníku tady má prostě pacičku má 5 drápů a tak. jako jasně ty mu to trošku přibližuješ ale jako ukazuješ mu spíš hele kočička hele kočička a on jako jaký vidí tolikrát tak se naučí aha takhle asi vypadá kočka a pak je schopný to dítě jít a vidět nějakou jinou kočku kterou předtím nikdy nevidělo a i když je černá tak všechny ostatní Parametry vypadají stejně a řekne, že dost pravděpodobně tohle bude kočka taky. A ten model se zjednodušně učí dost podobně. Prostě trénuješ tím, že mu ukazuješ ty data. Tohle by bylo rozpoznání, pak je to generování v obrázku, ale je to prakticky taky podobné. To generování zase ví, jak vypadají objekty a je schopnej to vytvořit.

Jindřich: Tam se asi plynule dá přijít zase na generátor videa. Zase to není nic jinýho, než že se ten model učil na obrovském množství jako vstupní dat, ale v tomto případě je to trošku náročnější než generování obrázku. A to proto, že se ten obrázek musí nějak rozpohybovat a spoustu těchto obrázků se sobou nám potom udělá to video. Takže zase nějaký algoritmus, kam se nasypalo spoustu vstupních dát, ať už to byly i videa, ať už to byly i primární videa, ať už to byly obrázky. A na základě toho se natrénoval ten model, jak má třeba ten konkrétní asset rozpohybovat. To generování videa je trošku náročnější, samozřejmě jak výpočetně, tak i na tréninku těch samotných modelů. A to je i ten důvod, proč byť je to ve velmi dobrý formě už to dokamžik tak zkrátka to ještě to není dokonalý. Furt máme problém asi rozeznat to co bylo generovaný a toto to co je reální ale. Furt možná v některých případech jako dá nebo když to se to snažím trošku generalizovat samozřejmě existují videa které jsou generované a budou opravdu výborný kvalitě a člověk má problémy je rozeznat což ostatně vidíme v dnešní době na sociálních sítích. ale primárně asi všichni znají jako Sora od OpenAI a pak existuje například Veo od Google, což vlastně tak napadá, že Sora to už vyplyne, pokud se nepůjdu. Jo,

Filip: to byly finance, protože neměli udržitelný business model a palilo to extrémní množství vypočetního výkonu. To už

Jindřich: je vidět, když si teď používám třeba to Veo, nebo si můžeš zkusit Veo od Google, třeba v AI studio, tak jak je to hodně drahý. Samozřejmě trvá to dýl než obrazek, trvá to významně dýl než text, logicky. A z chvátka něco to stojí. A pokud se nepletu, tak Veo má to omezení nějakých 7 vteřin, že nevygenerujete jako další video než 7 vteřin. Existují takové meduly, které dokážou třeba 10 vteřin, ale zdaleka ještě nejsme tak, aby se na tom člověk vygeneroval film. šlo by to, ale musel bych to poskládat z těch desetisekundovej sekvencí. A mě u toho

Filip: videa tam jako není to jenom v tom, že to je sekvence obrázku, což jakoby když si vezmem kameru, tak to je prostě jenom prostě tu na fotek, třicet fotek za vteřinu třeba a to ti dělá video, ale u toho generování pomocí AI, tak ještě jako obrovskou výzvu je fyzika. to, jak se ty objekty vlastně v tom reálném světě nějak pohybují, nějak se chovají. Já tady teďka takhle máchám rukama a ten model vlastně kromě toho, že ví, jak vypadají moje ruce a jako v jakých úhlech asi je můžu dát, tak to je na tu fotku fajn, ale když si udělá video, tak ten model musí vědět, že jako můj pohyb ruky musí být nějak takhle přirozený, že se nemůže stát, že v jednom snímku je takhle a v druhém je takhle a poskočí takhle během prostě nevím, půl vteřiny, to prostě jako nedává smysl, takže ten model se zkrátka musí pochopit i tu fyziku, za mě je to extrémně fascinující, protože je to jako obrovské množství dat, videí, fotek, který ten model viděl a nikdo mu nevysvětloval, jak třeba funguje fyzika kapaliny, když prostě vezmu vodu a vyleju ji, tak když si to jako představíš, to je namodelovat tohleto ve hrách jako tu fyziku zatím, to bylo jako extrémně složitý. No a dneska ty modely nikdo to nemodeloval, oni jenom viděli spoustu záznamů a nějak dokázali si domyslet, jak ta voda se tam vlastně asi chová a na základě toho jsou schopní vygenerovat to video. a extrémně fascinující. No a když bych jenom ještě, když jsme se bavili o těch videích, tak ještě jako zajímavější mi přijdou modely, které generují 3D světy. Myslím, že se jmenuje Genie od Google a to je vlastně model, kdy ty jsi schopnej v tom videu, ono ti to generuje video, ale ty jsi schopnej pomocí vlastně klávesnice se v něm pohybovat a dělat nějaký akce. A vlastně jako na míru se ti to video generuje před tebou, ale ještě do toho vnášíš prvek ty interaktivity, že ty se tam nějak hejbeš. Tak to je jen tak pro ilustraci toho State of the Art, kdy fakt už tyto generátory se dostávají do velmi zajímavých fází, kdy už ti generují svět na míru. Jasně, nevydrží to dlouho, je to prostě pár minut, ale stejně, extrémně

Jindřich: fascinující. Tady jsme mohli polemizovat kde budeme za pár let a třeba to úplně změní se jako gamingu a vývoje počítačových her, kde už budou nějaké generativní světy které budou generovaný modelama umělý inteligence. Uvidíme, každopádně jsem se mnohem zvědavej, ale jako tak či onak, tak my jsme tady měli epizodu o četovacích assistentech, pak jsme měli další epizodu na gerátore obrázku a logicky by pak asi někde měla přijít epizoda na gerátore videí, který jsme tady ještě neměli, tak třeba se tady jednou dáme společně dohromady. Uvidíme. No a co se teda jako asi sluší zmínit dál, tak jsou to generátory audia a generátory hlasu. Zase už asi není potřeba úplně zmiňovat, jak se ty modely učí, jak to může fungovat, ale jeden z těch nejznámějších tak je asi SUNO. Myslím si, že spoustu lidí už si toto zkoušelo. Pokud by někdo chtěl generovat nějakou znělku, hudbu, písničku třeba, tak několik minut to zvládne. Funguje to dost zajímavě. Je to fascinující, protože si to třeba dokáže udržet rytmus, nebo to dokáže udržet styl hudby, dokonce to umí i jako zpěváka a hlas a podobně. Takže tohle si myslím tak je dost fascinující, protože když někdo může mít oblíbený styl hudby, tak se potom může sám generovat s vlastním textem, například mnoho vlastních albumů, udělat se taky vlastní Spotify, což mě vlastně přivádí i ke zmínce tý kauzy kde byla vlastně hudební skupina která se vydávala za reálnou na Spotify a byla úspěšná měla spoustu fanoušků spoustu views ale nikdy neměla žádnej živej koncert a nikdy neměla žádný fotky té kapely. Měl skutečně 100 000 views, což znamená, že oni pak s tohle můžou vydělávat a kapela z těch poslechů na Spotify je placená. Zjistilo se, že je to generovaný umělou inteligencí. Jak rychle ta kapela zašla, tak tak rychle skončila. Nebyla to kapela, kapela samozřejmě stál zatím jedinec. ale asi to trošku ilustruje možná to kam už se dokážeme i s generováním u hudby v dnešní době dostat. A analogicky s tím jde ruku v ruce i generování hlasu, což je takzvané jako text to speech. A tam asi jeden z těch nejznámějších nástrojů je zase ElevenLabs. Napíšu text a můžu si třeba vybrat hlas a nebo dokonce i třeba přetvořit svůj, když já mu nahradu dostatečně dlouhou ukázku mýho hlasu, tak to potom můžu generovat ten hlas tak, jak kdybych to říkal já a ten ElevenLabs je velmi pravděpodobně jednička na trhu tohle ten market leader a zase ty výstupy si myslím jsou velmi kvalitní. Tak uvidíme kam se budou snad tady jestli budeme mít nějaký automaticky generované podcasty nebo různou lokalizaci těch podcastů do všech světových jazyků a podobně ty možnosti jsou

Filip: rozširoký. Už ostatně do jistý míry máme, že jo, NotebookLM umí vygenerovat podcast na míru, YouTube experimentuje s dubbingem automatickým, kdy vlastně ti přeloží to video a vlastně nadabuje za to autora. A co mě přijde jako fascinující si uvědomit tady v tom bodě je to, že Všechno to jsou jedničky a nuly. Všechno se dá převízt do nějaké takovéhle konfigurace, ne, prostě do jedniček a nul, to znamená, že ty jsi schopnej nad tím dělat to strojové učení, to znamená, že jsi schopnej natrénovat to na těch datách, že i hlas není jako nějaká jakási tady jako abstraktní forma jako do počítače se to dá zakodovat jako jedničky a nuly takže jako dá se s tím takhle pracovat tak to jen tak jako pro pro kontext no a. To byly generátory zvuku stejně tak můžeš mít opačně že překlad textu nebo mluvenýho slova na text to jsou jako transcriptory takzvaný že ti jako přeložej to co si napsal no a krásně nás tohleto jako posouvá to bylo těch pár základních pilířů kde teda máme text obrázky video audio. a snad jsem na nic nezapomněl. No a teďka vlastně my se můžeme posunout i dál a k mému oblíbenému tématu a to jsou třeba různý agenti a kodovací asistenti. A to vlastně není nic jinýho, než se tohle to vezme a zkombinuje se to dohromady tyhle ty věci. Teď nemyslím nutně třeba jako že to musí být tam i audio video, ale zkrátka AI, kodovací asistent nebo agent, tak je pořád ten náš četovací asistent, o kterém jsme se bavili na začátku. Je tam pořád nějakej jazykovej model, který zatím běží, no ale s tím rozdílem, že on je schopnej líp programovat a buď to to dělá tak, že je tam speciální model, který je natrénovanej na programování, to znamená na spoustu kódu, protože na internetu existuje obrovské množství kódu a nebo se používají klasické modely, které si používáme na klasické povídání, jenom tím, že byli prostě trénovaný na velké množství dat na internetu, no tak se Vlastně to jako vzalo a součástí těch dat byly i ty data jako těch programů, takže oni se naučili vlastně jako programovat. Mezi nejznámější Codec assistenty tak dneska patří Claude Code, GitHub Copilot, Cursor. Antigravity, you name it, je jich prostě fakt jako strašně moc a poslední době se dostali jako do extrémní obliby, protože ta schopnost programovat se ukázala, že je vlastně jako velmi dobrá a je to z jednoho prostýho důvodu a to, že když ty necháš asistenta nebo ten jazykový model vygenerovat text který je třeba dopis tak se jako blbě soudí jestli ten dopis je správně nebo špatně to spíše jako o pocitu co si chtěl že jako jak to na tebe působí když to když máš ten program tak Dá se spustit, nedá se spustit, jsou tam různý testy a další věci, takže jsi schopnej ověřit, jestli ten výsledek, co ti ten model vlastně dal, no a pak už to jenom pouštíš ve smyčce, kdy je to špatně, zavolá se znova model, vygeneruje se odpověď, zloží se to, je to špatně, to dodum a jedeš takhle do kola. velmi zjednoušeně zrečenou, pokud to někoho zajímá víc, tak měli jsme epizodu na AI kodovací agenty, vibe coding a vlastně to byla úplně první epizoda na vibe coding a potom to byla myslím, že sedma nebo osma, kdy vlastně to bylo tak nějak moje povídání o tom, jak já jako softwarový vývář používám umělou inteligenci. pro tvorbu softwaru, tak tam jako hodně jdem do hloubky i tady těch kodovacích asistentů, takže spíš tak jako zatím obecně, jenom že, že, že existuje něco takovýho a je to vlastně na stejném principu, kdy tam figurou ty jazykový modely, jenom kolem toho je postavený trošku jiný nástroj.

Jindřich: Tuto kapitulu bychom asi mohli ukončit Posledním okruhem řekněm ale speciální nástroje pravděpodobně co jsme ještě nezmínili samozřejmě mohli bychom jich tady jako změnit celou řadu ale zase aby jsme tady nezměnili ty nejvíc známý tak mezi nejvíc známý tak patří na příklad perplexity což je AI vyhledávač a vlastně zjistí informace ze spoustu různých zdrojů, potom jak schrne a validuje třeba i kres další zdroje a tak dále. Zase jeden z nejrozšířenějších. Další, který stojí za zmínko, je NotebookLM, specializovaný nástroj. to už tady Filip nakousnul, funguje to vlastně tak, že my tomu dáme nějaké dokumenty, buď to naše, nebo je třeba vyhledáme na internetu, ten NotebookLM to zpracuje, udělá nám z toho třeba prezentaci, nebo z toho udělá mindmapu, nebo z toho dokáže právě udělat podcast, což bych určitě mimochodem doporučil vyzkoušet, funguje to taky dost zajímavě, a když já jsem se zajímal o nějaký téma a nemohl jsem na to třeba najít podcast, tak jsem si našel stránku na Wikipedia, co jsem okázal mě z toho udělal podcast nastavil jsem si tam že to chci jako formou rozhovoru a. Bylo to dobrý takže nějaké sebevzdělávání třeba když člověk nemá čas či zlouky články, ale chce to potom chce si to potom třeba poslechnout když je da utem tak NotebookLM udělá odvede dost dobrou práci. No a závěrem možná, pojďme zmínit nějaké nástroje, které jsou integrované do nástrojů, které používáme každý den, ať už se jedná o Notion, nebo Microsoft Copilot, nebo Gemini, který je vlastně v Google Workspace. a tak dále. Teď se s tím hodně roztrhl pytel samozřejmě v dnešní době a každej nástroj má, nebo ne každej, ale celá řada nástrojů má jaký svý vlastní AI řešení. Například Slack má například vlastní AI, co jsem změnil a tak dále. Tyhle typy tak ve rychlosti by mohly mít takovou pomyslnou svoji vlastní kategorii řekněme speciálních nástrojů, protože se neřadějí ani do jedných z těch předchozích, který jsme zmínili. A těch

Filip: kategoriích mohla být celá řada a ono ve výsledku to celé tíhne k tomu, že Dneska už máme, co se týče těch modelů, tak nechci říct jako vyřešenou, jako můžou přijít nějaký novenky, to vůbec nechci říkat, ale jako generujeme text, obrázky, video, audio, dokážeme zpracovávat obrázky, video, audio a tím pádem vlastně teď je to hodně o tom, že potřebujeme vzít tady z ty části a logicky je poskládat dohromady a vytvořit z nich nějaké nástroje. Poskládám klasický jazykový model v četovacím režimu s obrázkama, tak mám četovacího asistenta. Přidám k tomu ještě nějaké volání delších nástrojů a víc agentních vlastností, že třeba mi umí zapisovat do souboru na počítači, dostávám se k nějakému agentovi, potažmo k kodovacímu asistentovi. Chci prostě mít model, který mi rozpoznává nějaké obrázky, tak tam zase hraju si s jinýma modelama, ale vlastně pořád je to teďka o tom, aspoň za mě, chytrým propojování těch nástrojů mezi sebou a těch funkcionalit mezi sebou. Typickým příkladem může být multimodality těch modelů, to jste možná zaslechli někdy, a to je vlastně vlastnost, kdy máme model, do kterého dáváme text, dostáváme textový výstup, No a my tam ale můžeme poslat i obrázek. A ten model si s ním poradí. A nefunguje to tak, že by ten model si ten obrázek vzal někde, to poslal někam jinam do nějakýho jiného AI, to by mu řeklo, co na tom obrázku je, on si ten text vzal a zpracoval, ale opravdu stejně jako v tom Teď se můžu říct vektorovým prostorům, protože ono to tak je, ale to už je takový technický, ale stejně jako v tom mozku, co se ten model naučil, že tam jsou uložený ty provazby mezi těma textama, jak s čím ty věty souvisej, tak úplně stejně se tam ukládají obrázky. No a když je prostě někde slovo král a je tam obráze krále, nebo jako nějaká hypotetická reprezentace, tak to vlastně bude poblíž sebe. hodně zjednodušeně řečeno, s těmi obrázkami je to mnohem komplikovanější, ale chci jenom říct, že jsou modely, které jsou tzv. multimodální, typicky ty jazykový modely, a ty vám dokážou pracovat s tím, že nejenom tam zadáte textové vstupy, ale i ten obrázek. No a pak tyto věci se chytře pospojou dohromady. Když si vezmu třeba agenta, který umí ovládat počítač nebo prohlížeč, tak jedno z řešení je využít tady tu multimodalitu a vy zadáte, přihlaš mě na Facebook. No a co ten model udělá, je, že on spustí prohlížeč, udělá si screenshot, což je obrázek, Ten se pošle do modelu a řekne se, co tady je. A on řekne, aha, tady, tady. A on se ptá, na co mám kliknout, když potřebuji zadať uživatelské jméno. On řekne, aha, tak na té obrazovce klikni na tady tu souřadnici. Aha, tak já tam dám tu myš. Teď tam vložím ten text. A zase se udělá screenshot, jestli je všechno správně. A vlastně chytře se využije tady ta multimodeli tak tomu, aby ten model mohl ovládat počítač. Jasně, jsou alternativnější přístupy pro ty z vás, který to znáte, tak tohle je ten nejvíc hloupej, ale funguje. A spousta takových agentů ještě takhle běží a je to za mě geniální. Takže to, co se snažím říct, je, že dnešní AI je pak hodně obchytrým propojování těch vlastností, co máme abychom docílili nějakého kíženého výsledku.

Jindřich: Pojďme se přesunout a říct, jak začít. Kdyby někdo se chtěl nějaké nástroje vyzkoušet, nebo si vyzkoušet práci s úmělou inteligenci a ještě neměl tu příležitost, tak pojďme si dát pár základních tipů. Byť mnoho z nich jsme řešili v ostatních epizodách, co se týče například chatovacích asistentů, tak na to máme další epizodu, nebo na wipecoding. Tak zkusíme být struční. Tak Filipe, vyber si jeden četovací asistent a jak by jsi s ním začal.

Filip: Já bych dneska asi začal s Claudem, protože to dneska používají všichni. Ta možnost toho růstu s tím nástrojem je obrovská, takže já bych za sebe řekl, nikdy jsi neviděl AI, super, tak si stáhni Clauda, a nebo GPT, to je jako jedno, ale za mě Clauda, vyzkoušej si prostě s ním povídat. A teď jako super, tak jste si popovídali, jak se máš, je to zajímavé, a teď si jim zkus něco vytvořit. typický příklady se dávají prostě udělej mi email nebo něco takovýho ale to je jako super to bych klidně zkusil ale na co si myslím že jako ještě lepší ten wow efekt. Zkuste tam dát prostě mail který vám poslal někdo je strašně dlouhý a fakt se vám nechce číst a je prostě tak jako. ten člověk skáče zleva do prava, prostě věřím, že si každý vybavíme nějakého člověka, kdo takový maily píše, a nebo pokud ne, tak si někde najdete na internetu. Prostě dejte to tam a řekněte tomu modelu, hle dej mi v bodech, co se mi jako básník tady snažil říct, a dej mi to v bodech a dej mi tam třeba nějaký akční kroky, co teda já mám třeba dodat. A najednou mě přijde, že v tomhle člověk začne cítit tu přidanou hodnotu. Že nejen jako napsat ten mail, ale i zpracovat to velké množství textu, nějak ho přeformulovat. Udělat, dostat ty body. A ty pak potom můžeš ty body vzít, můžeš si je skopírovat do toho chatu a napsat tam bodovitě v odpovědi. Jako co bys teda tomu člověku odpověděl a říct tomu asistentovi, super, tak mi napiš prostě hezkou odpověď pro toho člověka. On vezme jeho komunikační styl, protože už měl ten e-mail hodně, a napíše mu hezký e-mail jako odpověď. A ty jsi jenom odpověděl na ty body. To může být třeba první věc, kterou si člověk vyzkouší a mu může ušetřit čas. Tohle bych třeba poradil. Může

Jindřich: to být super tip. Myslím si, že je důležité si uvědomit, že to není o tom nástroji. Není to o tom četovacím asistentovi, ale je to o tom, jak s tím člověk pracuje. Takže… rozhodně bych nestrácel osobně čas ani energie jako s výběrem toho nejlepšího, ale zkrátka bych si vzal to co je na trhu nejrozšířenější a snažil se to co nejlíp porozumět co nejlíp s tím začít pracovat. Začal bych klidně s těma ukázkama nebo těma příkladama který si změňoval. Ale v neposlední řadě jsem se na tím snažil hodně přemýšlet. Takže když přijde nějaký problém, který řeším, tak jestli by neexistovala cesta, ten četovací asistent s tím mohl pomoct nebo ušetřit práci. Ať už mám vyřešit e-mail nebo nějakou jinou úlohu, nebo nějaký projekt, nebo vyřeším třeba něco na zahradě, stavím si zahradní domeček, nebo stavím pískoviště pro děti. Jestli bych třeba se nemohl zrtat toho jako četovací asistent a tak dále. spíš o tom nástroji a o tom konkrétním použití je to o tom mindsetu, přemejšlet nad tím, jestli neexistují nějaké způsoby, jak bych toho situation assistanta mohl využít. No a když to takhle člověk bude dělat, tak po chvilce už ty nápady nejednou budou vyskakovat sami a potom se z toho stane nástroj, bez kterého se člověk neopejde prakticky

Filip: každý den. A potom začneš zjišťovat, že ne vždycky to odpoví dobře a ty výstupy musíš korigovat a musíš mu to několikrát vysvětlovat, co teda po něm chceš a prostě mu to pořád nedává jako dobře a dobereš se k výsledku až po desátý a možná kdyby jsi to udělal jako bez AI, tak bys to měl jako rychlejc. No a tady je důležitý si vždycky jako zastavit a říct si, AI jako používání, v tomto případě četovacího asistenta, tak je skill, je to dovednost, je to každá jiná. A je to o tom, jak ty zadáš ten požadavek, ten prompt, o kterém jsme se bavili, tak aby dával hlavu a patu, bylo tam popsané to zadání, byl tam dostatečný kontext toho, o čem to je, jaký ten výstup chceš, případně často se používají třeba i role, jako si markeťák a takovéhle věci. A… Zkrátka čím lepší to zadání, ten prompt, tím kvalitnější budeš mít výstup. Je to podobné jako, kdyby jsi ty mi, zase jako se vrátím k tomu blbýmu mailu, ale je to takový nejjednodušší příklad, kdyby ty jsi mi prostě řekl, hele tady mi někdo napsal mail, napiš mu odpověď. Jakoby nevím, na co chceš reagovat, jaký je tvůj styl mluvy, jestli chceš mluvit stejně jako ten člověk, co mi napsal, nebo jinak, na co všechno chceš reagovat, co je pro tebe důležité, já tedy nevím to. A to je stejné jako s tím četovacím asistentem, ty mu to musíš říct, co od něj očekáváš a třeba mu dát i příklady nebo něco takového, a vlastně tím ty ho donutíš k tý kvalitnější odpovědi. No a samozřejmě, aby ty jsi nemusel tady to všechno tam vždycky psát prostě od začátku a v tom promtu se rozepisovat, no tak tomu pak sloužej různý třeba projekty, který ti v klodu třeba agregujou to, že si tam můžeš dát ty systémové instrukce. my jsme tady zmiňovali systémový prompt, tak ty mu v tom systémovém promptu můžeš napsat, jak ty chceš znít, jak ty komunikuješ, jak ten tvůj e-mail má vypadat, no a pokaždý, když si pak v tom projektu budeš povídat s tím asistentem, no tak tyhle instrukce se přilepějí k tomu tvýmu zadání a ty je nebudeš muset papouškovat. A potom to je jako celý o tom si chytře jako dělat tady ty různý systémový promty, nastavení, abys to nemusel papouškovat pořád okola. Ale jako základem všeho jsou dobrý a kvalitní promty, které popisujou prostě, co chci, jak to chci, z čeho vycházím a ideálně třeba nějaké příklady. že bude dobrý

Jindřich: ten prompt, tak samozřejmě velmi dobrý a detailní prompt rovná se dobrý kontext. A to je to, co zvyšuje kvalitu. No a když už se teda dostanete do toho bodu, že budete už umět třeba správně promtovat, nebo v zhrdiví většiny budete spokojní s tou odpovědí, kterou z toho chatovacího asistenta získáváte, tak pak se nabízí trochu začít experiment s tou multimodalitou, kterou my už jsme tady nakousli. A to může být například tím, že já mu dám i fotku, nebo mu dám třeba pdf, nebo mu dám tabulku tomu chatovacímu asistentovi, nebo používám třeba jako hlasovýho asistenta, respektive používám diktování hlasem a nějaký transcript třeba, taky to může být tak, takže jinými slovy. Není to nutně jenom o četu, ale může to být právě třeba i o grafech, o obrázku a zkrátka o jakémkoliv médiu, který tomu četovacímu asistentovi může ten kontext rozšířit a může mu pomoci s tou otázkou nebo s tou úlohou, kterou vy vlastně po něm chcete. Takže, abych to shrnul, určitě neváhejte mu dát fotky, PDFka a jakýkoliv soubory budete potřebovat. On už vám s tím pomůže. Četovací asistent už vás

Filip: případně navede. No a potom, co tady máš tu multimodality, tak potom už přichází nějaký čas hledání těch zajímavých use cases a zároveň třeba experimentování s agentama, jako je třeba Claude Code. jo já bych si to prostě vyskoušel přepnul bych se do Claude Code a vyskoušel bych si tam připojit si tu složku byť to jsou jako pokročilejší věci už ale jenom si to jako vyskoušet a za mě je důležité jako myslet prostě na to že, u spousty úzký situáčka jako dokážu pomoct ale to je tom o tom to odladit. a prostě na první dobrou ty výstupy nebudou dobrý nebudou kvalitní ale je potřeba do toho investovat prostě ten čas a co je dobrý tak jako i když se vám to třeba na tom jednom use case nevrátí to znamená že, i kdybyste to prostě odladili tak se na tom strávili tolik času že prostě kdybyste to dělali do smrti ručně tak to bude efektivnější, tak ale důležité je, že vy se jako naučíte fungovat s těma modelama, dokážete si naučit jako ten vybudujete si ten návyk a potom adopce na jakýmkoliv dalším problému bude jako mnohem mnohem rychlejší, takže. On to jindra už říkal, ale jako zkoušet to a budovat si ten návyk a hlavně prostě vytrvat v tom, že je potřeba to dostat tak jako do krve, když to řeknu lidsky. A prostě to, jak komunikovat s těma modelama, tak je s tím spojený určitej i cit. A ne všechno se dá dát exaktně. A zkrátka věřím, že to pak dokáže vám pomoct ve spoustě odvětých a to používá na prakticky jako cokoliv. A ve chvíli, kdy už pak zapojíte nějaké agenty, práci v lokálních složkách, což jsou pokročilejší témata, tak tam ta efektivita dokáže růst extrémně nahoru. A co možná ještě doplním, to jsme si tady nepoznačili, ale jeden use case a to je ten, připojte si do toho četovacího asistenta nějaký nástroje. Připojte si tam třeba ten Notion nebo připojte si tam, nechci říct e-mail, tam je to takový kritický, že tam jsou citlivý data, ale zkuste si tam připojit třeba fakt ten Notion a jenom nějakou stránku, kterou mu vytvoříte, a nechte ho tam zapisovat a číst ho tam taď. A najednou zjistíte, že ta práce je násobně efektivnější, protože vy nemusíte vzít data od někač, vložit je sem, počkat na odpověď, skopírovat, vložit je zpátky, ale ten model, nebo model ne, ale ten agent, lomenočetovací asistent, to udělá prostě za vás. A tam najednou, podle mě, člověk ucítí ty obrovské benefity, co s tím přichází.

Jindřich: k těm k těm hledání jako jak se říká nikdo učenej z nebe nespad takže ty jsi to jsi zmínil zkrátka práce s to umělou inteligencí je skill set a je potřeba se to naučit k dnešní době a pokud jako někdo nechce studovat do většího detailu tak minimálně opravdu mít ty základy a umět si tu práci zjednodušit se efektivně tam někdy zpříjemnit tak tak to si myslím že opravdu bude dovednost která teď v roce 2026-2027 už už bude prakticky nepostradatelná. No a. Co mě už nápadá, tak pojďme si říct ještě pár nějakých třeba doplňujících otázek, na který jsme průběžně narazili. Taky máš určitě celou řadu z tvého školení a konzultací. S čím já se jako často setkávám, tak že lidi mají trochu problém, nebo spíš takhle, ta otázka, kterou pokládají, tak je, kdy já vlastně mám použít Google, kdy mám použít chat GPT a kdy případně mám použít něco jinýho. No jestli chceš Filipe, nebo tak já řeknu možná můj uhel pohledu jo. Celá řada lidí zcela určitě jako toho Google už třeba nepoužívá, už přešli kompletně na ty chatovací asistenty. Já osobně jo, furt dost, ale když hledám nějakou jako specifickou jako jednoznačnou exaktní odpověď bych řekl, jak je venku třeba, jak je počasí, nebo nebo, když samozřejmě pominu takový ty klasiky jak třeba restauraci, že jaká restaurace je nejblíž a kdy máte ten obchod otevřeno a podobně. Ale když hledám nějakou jednoduchou specifickou informaci a stačí mi to třeba jednoslovná odpověď nebo jedno odpověď jednou větou. V okamžik, kdy já osobně na Clauda, já už Clauda opravdu používám, už od tý základní verze snad, nebo už už dlouho. Já jsem nedávno koukal, někde tam je nějaké číslo těm počet konverzací a je tam nějakých tisíc nebo kolik. Konečně to mám k dispozici. No tak já Clauda volím, když chci třeba další vysvětlení, nebo když chci více témat vlastně dávat dohromady. A tady asi bych dal takovou pomyslnou hranici. Jako předtím, když hledám jednoduchou specifickou informaci, tak jdu na Google. Když je něco složitějšího, tak využívám ChatGPT. Pořád si myslím, že pro ty jednodušší věci využití Google je snažší a rychlejší. Zatímco využití ChatGPT, tak tam buď to nebo Clauda, tak na složitější věc, a nebo když tomu chci dát nějaký další můj kontext. Jak už jsem říkal, tabulku třeba, nebo část zdrojového kódu, nebo něco takového. Tak tam já asi osobně za mě bych řekl, že je tam moje pomysl na hranice. Snad jsem to vysvětlil dostatečně.

Filip: Takový malej chyták když používáš google tak odkud čteš tu informaci z těch stránek nebo s těch AI overviews

Jindřich: nahoře. Samozřejmě někde i z toho AI overview samozřejmě ale někde kdy z toho. Ale samozřejmě není to úplně jako záměr, vím jakože to tam je, takže samozřejmě snažím se jako hledat asi tu tu informace jako po který jdu, jako po většinou ta informace třeba po který jdu tak není v tom AI souhromu například. Já to mám prakticky

Filip: podobně ale zároveň bych řekl, nezatěžujte se tolik tím rozhodováním, jaký nástroj, jako OK, Google vs nějaký AI asi dává smysl, ale jako ve chvíli, jestli mám použít GPT, mám použít Perplexity, mám použít Clauda, pokud jste na začátku, tak za mě je to jako burst, je to jedno, a prostě jako by využijte to, co máte, a potom začnete narážet na nějaké limity. Třeba si zjistíte, že uklada, když se ho na něco zeptáte, tak on nehledá tolik ve zdrojích na internetu a necituje vám je třeba. A buď to musíte dát, když se ten trvá dlouho, nebo to se spokojící jako nekvalitní odpovědí, tak začnete hledat alternativy a zjistíte, že třeba Perplexity tak jako líp funguje na vyhledávání na internetu a agreguje vám ty zdroje a je takový víc optimalizovaný na to vyhledávání. Ale já bych vždycky začal Začněte něco používat, zjistíte, co vám nevyhovuje a hledejte alternativy, které řešejí ten konkrétní problém, co vám nevyhovuje, protože, hele, mně se to stává často jako na školeních, typicky u vapecodingu, kdy ty lidi jako přijdou a říkají, já nevím, co mám použít. A tak mám, teď je lepší AntiGravity než Claude Code a teď je lepší tady Codex než Claude Code, ale jako často se tě na to ptají lidi, který jsou velmi na začátku a nemají odladěný ani ty svoje workflows, nemají odladěný, jak s tím modelem komunikovat, nemají nastavený vlastní pravidla a nemají optimalizovaný ten pracovní proces s tím nástrojem a v tu chvíli ti jako říkám je to jedno jako důležitý je naučit se pracovat prostě s tím kontextem naučit se pracovat s těma promptama jak se ptát a potom až když teda narazím na tu hranici tak jít pak někam jako dál a zkoušet a hledat jako alternativy, protože samozřejmě každý nástroj má různý jako výhody, ale ty výhody jsou fakt jako v menším poměru, než když se člověk jako naučí s tím nástrojem, co má jako kvalitně pracovat. Samozřejmě za předpokladu, že jsou výkonově srovnatelný, bavíme se o těch jako největších hráčích, neřešíme tady teď nějaký lokální modely nebo tak, to jen tak, aby to znělo. Samozřejmě

Jindřich: dost s tím, už se souvisí i generační problém, ale není to generační problém, ale stejně tak jako naši rodiče tak byli zvyklí vyhledávat informace na seznamu, pak my jsme byli zvyklí vyhledat informace na Google, tak stejně tak teď nastupující generace tak byli zvyklí třeba využívat jenom chat GPT, nevyhledávání informací. Takže jednak je to i taková… Zkrátka to, na co člověk zvyklý, to, co mu funguje, tak je fajn se na tu dobu adaptovat, ale není důvod panikařit a to, co funguje, tak měnit. A to samozřejmě jde ruku v ruce i s četovacím asistentem. A nejen s četovacím asistentem, s jakýmkoliv AI nástrojem. Když vám funguje, dává vám relevantní dostatečné výsledky, tak není třeba přecházet na jakýkoliv jiný. A to nás možná

Filip: dostává k tomu, že jeden je výběr nastroje a druhý pak je výběr těch modelů jako takových, ať si pustíš GPT, ať si pustíš Clauda, máš tam přepínač, který ti umožňuje si vybírat různý modely. Má to smysl, rozhodně, jako není to tam jen tak pro parádu, každej ten model je různě výkonej, typicky se dá říct, že prostě ten rozdíl je mezi rychlostí, cenou a kvalitou, takže prostě můžu mít prostě model, který je jako velmi výkonný, ale bude pomalej a drahej. Jo, typicky, když to vezmu k tomu Claudovi, co jsem doporučoval, tak mám Opus model, ten je prostě nejvýkonnější, ale je pomalej a extrémně drahej. Potom je Sonnet, ten je jako tak nějak středně rychlej a zároveň jako taky dostatečně výkonej a pak je třeba to Haiku, který je jako extrémně rychlý, ale taky trošku hlouboučký někdy. No a vždycky záleží na tom, na tom, co ty si chceš jako vybrat. Pro začátek já doporučuji začněte s těma chytrýma modelama začněte buď to s těma nejvýššíma pokud to ty vaše finance dovolí a vaše předplatný pokud ne tak aspoň třeba s tím sonetem a až si jako naučíte fungovat s těma modelama tak teprve potom doporučuji zkusit experimentovat třeba s tím Haiku nebo s těma rychlejma modelama ale zkrátka Čím lepší model, tím víc vám odpustí v tom promptingu, v tom nedokonalém kontextu, protože si spoustu věcí domyslí, takže to je za mě ta nejlepší startovní pozice a prostě fakt radši bych si připlatil a na začátek začal s výkonnýma modelama a postupně se prokousával k těm jako horším než opačně, protože to bude frustrující.

Jindřich: Pokud toto samozřejmě člověk bude používat jenom na to nechatování, tak ten to předplatní, když budete mít prakticky to jako nejvobíčejnější, tak vám to vydrží dostatečně dlouhou dobu i s tím jako nejvýkonnějším modelem. Takže jak zmínil Filip, myslím si, že stojí určitě za to využívat nebo minimálně se učit s tím nejsilnějším, ale samozřejmě kontexty král a dostatečně popisoval to, co skrátka člověk potom čituacím asistentovi chce. My tady do kola omýváme ty chatovací asistenty, ale se to ne týká jen čituacích asistentů, se to týká i video generátorů, generátorů hlasu, obrázku, vibecoding nástrojů a podobně, takže tyhle pravidla nebo ty dipy, kterými jsme tady s Filipem říkali, tak se dají aplikovat i na ty ostatní nástroje, nejen na četovací asistenty. Jasně,

Filip: protože na četovacích nástrojích to je nejjednodušejcí vidět. Ty příklady a vysvětlit to. Takže jo, zkoušejte, hrajte si s tím. Samozřejmě to, co jsme probrali dnes, tak je jenom velmi velký základy toho, co jsme chtěli nastínit, ono pak samozřejmě můžete jít mnohem dál a celý ten obor je mnohem komplikovanější. Různý AI agenti, optimalizace, skily, plug-iny, vlastní agenty, týmy agentů, orchestrace. Toto téma je extrémně široký, ale vždycky je potřeba začít od toho začátku a to jsou právě za mě nejjednodušší chtětovací asistenti. Potom si zkusíme generovat obrázky, editovat fotky, videa a tak nějak získat trošku představu o tom, co to dneska vlastně jako dokáže. No a jen tak jako na závěr určitě se sluší zmínit, není to dokonalá technologie, není deterministická, to znamená ty výsledky nejsou stoprocentní, takže je potřeba myslet na ty halucinace, to jsme představili na začátku, že to někdy může kecat. Nějaký cutoff date, to je velice zjednodušně řečeno, že ten model byl natrénovanej na nějakých datech do nějakého datumu, a nějaký novinky už pak nezná. Dnešní četovací asistenti prakticky všechny to suplujou tím, že umějí vyhledávat na internetu, takže ty aktuální informace si vlastně jako donačtou, takže tohle není zase až tak jako obrovská, obrovská jako problém. No a v neposlední řadě třeba soukromí, jako myslete na to, co posíláte do AI, tak než by si AI zapamatovala, ale rozhodně doporučuji v těch nástrojích si vypnout účení na těch datech, To Claude to má určitě, ale předpokládám, že GPT a podobně taky. Vy si v nastavení můžete vypnout, aby se ty provideri neučili na těch konverzacích, co vy tam posíláte. No ale zároveň pořád myslíte na to, že pokud to tam pošlete, tak ty data jsou po nějakou dobu uloženy někde na serveru u toho poskytovatele, A hypoteticky, když by došlo k nějakému napadení, tak by mohli třeba jako utíct. Je to za mě úplně stejná poučka jako cokoliv, když dáváte na internet, myslete na to, že to už není u vás v počítači, je to někde jinde a svěřujete ty data někomu jinému, že se vám o ně postará a ochrání je. Takže tak.

Jindřich: co bych si přejal tak aby tahle epizoda opravdu někoho třeba inspirovala někdo se v tom jaký typy našel a začal tu umělou inteligenci používat nebo začali používat třeba víc než ji používal dosud nebo alespoň vyzkoušel aplikoval některý z těch typů který jsme tady řekli ale hlavně zkrátka aby přinesla Těm z vás, kteří se tím budou řídit nebo budou jakkoliv s ní experimentovat, tak by přinesla zjednodušení života, zjednodušení každodenní rutiny, zjednodušení práce na počítači, zjednodušení psání e-mailu, upravu textu, vyhledávání informací, zpracování informací. A vlastně dílními slovy, aby ten život byl snadnější, v případě využitý umělé inteligence, než byl třeba doposud.

Filip: potrženo, sečteno, spíš opačně, potvrzuji to, co říkáš, prostě K čemu to mělo sloužit bylo průřez s těmi základníma možnostmi a jak s tím začít. Takže určitě budeme rádi, když nám přijde do komentářů, dáte feedback, jestli vám to pomohlo, nebo třeba jestli byly to takové základy, že už to pro vás není a že byste chtěli slyšet pokročilější věci. Zkrátka budeme rádi, když se s náma podělíte o to, co vás vlastně zajímá a co byste v našem podcastu chtěli slyšet. A pokud třeba jsme něco vysvětlili, že to pořád nechápete, tak se neváhejte zeptat rádi vám to v komentářích, s Jindřichem to vysvětlíme. To bylo pro tenhle díl asi všechno, máš ještě něco na

Jindřich: závěr Jindro? Ještě to mi napadlo super, co říkáš, protože vlastně i nám by hodně pomohlo, pokud byste nás třeba taky inspirovali nějakýma tématama, které bychom tady mohli rozebrat. My s Filipem máme napsáno asi 150 z toho 100 témat z toho nějakého zhruba následující dílu, ale samozřejmě hodně vždycky diskutujeme, který téma bude příští a který se nám hodí, aby to jako dávalo smysl, aby to mělo nějakou informativní hodnotu, aby ty informace nějak logicky na sebe navazovaly, aby ty informace byly nějak logicky uspořádané v čase, aby jsme například nemluvili o něčem revolučním, co bylo jako revoluční před rokem, a tak podobně takže určitě pokud budete mít nějaký typy na témata který by mohli být zajímavý který by mohli být aktuální tak určitě budeme moc rádi když nám dáte vidět můžete do komentářů nebo třeba e-mailem určitě za každej typ budeme rádi a to nejen na témata ale i jak třeba tenhle ten koncept obohatit, nebo jak ho třeba vylepšit jestli vám ty díly připadají moc dlouhý nebo moc krátký nebo moc mluvíme moc málo mluvíme, Pokud se třeba Filip moc málo usmívá, tak vědně taky dejte vědět, my to zlepšíme. To samozřejmě poslední byla trochu nadsázka. Filip se smíje pořád. Díky moc ještě jednou, že nás posloucháte. Filipe, díky dneska za tvůj čas, byl to zase fajn, obohacující a vidíme se

Filip: u dalšího dílu. Díky moc, Jindřichu, bylo to super a děkujeme i vám, našim posluchačům. A opravdu těšíme se na vaši zpětnou vazbu, protože podkaz natáčíme. Samozřejmě i pro to, aby jsme si s Jindrou pokecali, ale taky pro to, aby jsme předali nějaké znalosti a informace, které máme vám, a aby jsme je předávali tak, aby vás to bavilo. Takže ještě jednou díky a budeme se těšit na vás příště. Čau, čau. Díky, čau.