Od redakcie: AI vstupuje do databáz a inžinierstva, rozhoduje však overenie výsledkov

Denné dianie za 21. október 2026 ukazuje niekoľko odlišných ciest, ktorými sa umelá inteligencia dostáva od generovania odpovedí k odbornej práci. NVIDIA predstavila prístup k predikciám nad relačnými databázami, Mistral oznámil spoluprácu na inžinierskych simuláciách a Microsoft Research opísal riešenie významného matematického problému pomocou výskumu riadeného ľuďmi a podporovaného AI. Spoločnou témou nie je iba výkon modelov. Je ňou aj otázka, ako ich výsledky zasadiť do postupov, ktoré možno skontrolovať a za ktoré niekto nesie zodpovednosť.

Popri veľkých oznámeniach stoja za pozornosť dve praktickejšie línie: špecializácia malých modelov a bezpečnosť nástrojov, cez ktoré agenti pristupujú k okoliu. Pre slovenské firmy, vývojárov aj verejný sektor môže byť práve táto kombinácia dôležitejšia než ďalšie všeobecné poradie chatbotov. Lacnejší výpočet je užitočný len vtedy, keď systém správne vykoná úlohu, neodovzdá nevhodné dáta a nezablokuje ostatnú prevádzku. Nasledujúci prehľad preto oddeľuje oznámené schopnosti od preukázanej použiteľnosti a pri každej téme pomenúva aj otvorené otázky.

NVIDIA: predikcia nad databázou namiesto ďalšieho samostatného modelu

NVIDIA v článku na Hugging Face predstavila Kumo Relational, predtrénovaný model určený na predikcie priamo nad relačnými databázami. Namiesto tradičného postupu, pri ktorom dátový tím spája tabuľky, ručne vytvára príznaky a trénuje osobitný model na každú úlohu, má systém využívať vzťahy medzi záznamami, cudzie kľúče aj časové údaje. Ako príklady uvádza predpovedanie odchodu zákazníkov, dopytu alebo podvodov. Podstatná je teda zmena pracovného postupu, nie iba nový spôsob opisovania databázy prirodzeným jazykom.

Podľa autorov si model pri predikcii zostaví kontext až z desaťtisíc historických príkladov a výsledok vytvorí jedným dopredným priechodom. Nepotrebuje pritom tréning špecifický pre každú novú úlohu. Formuláciu „bez tréningu“ však treba čítať presne: samotný základný model bol predtrénovaný a pri použití potrebuje relevantný kontext. Neznamená to predikciu bez dát, bez prípravy alebo bez výpočtových nákladov. Zostávajú aj praktické otázky kvality databázy, časovej konzistentnosti záznamov a dostupnosti správnych historických výsledkov.

NVIDIA uvádza hodnotenie na 41 úlohách z 15 databáz a porovnáva model so supervidovanými relačnými modelmi aj postupmi založenými na gradientne posilňovaných stromoch. Výsledky sú zaujímavým signálom, ale pochádzajú z prezentácie autorov. Nemožno ich automaticky preniesť na každú firemnú databázu. Obzvlášť dôležité bude overiť, či test nepoužíva informácie, ktoré v reálnom okamihu rozhodovania ešte neboli známe, a či úspech na priemernej metrike neukrýva slabé výsledky pre menšie skupiny zákazníkov.

Pre slovenského obchodníka, výrobcu či poskytovateľa služieb by takýto prístup mohol znížiť náklady na skúšanie prediktívnych úloh. Namiesto niekoľkotýždňového projektu by firma mohla rýchlejšie posúdiť, či jej dáta vôbec poskytujú užitočný signál. To je však redakčné vyhodnotenie potenciálu, nie potvrdená úspora v miestnych podmienkach. Rozumný pilot by mal porovnať model s existujúcim jednoduchým riešením, sledovať celkové náklady a oddeliť odporúčanie od automatického zásahu do cien, zásob alebo zákazníckych účtov.

Mistral a NVIDIA: inžinierska AI potrebuje fyzikálne meradlá

Mistral oznámil spoluprácu s NVIDIA zameranú na inžinierske pracovné postupy. Má prepájať modely Mistralu, generovanie dát a fyzikálne modelovanie s akcelerovaným výpočtom NVIDIA. Oznámenie konkrétne spomína knižnice CUDA-X, nástroje NVIDIA Warp a integráciu s knižnicami Omniverse pre tvorbu trojrozmerných scén a simulačne pripravených objektov. Cieľom sú postupy, v ktorých sa návrh, simulácia a ďalší vývoj modelu navzájom opakovane ovplyvňujú.

Za najdôležitejšiu časť nepovažujeme samotné partnerstvo, ale plán pripravovať verejné benchmarky a otvorené dátové súbory. Mistral uvádza hodnotenie fyzikálnych modelov aj agentov v počítačom podporovanom inžinierstve a návrhu elektroniky. Meranie má zahŕňať schopnosť používať nástroje, dokončiť viacstupňové úlohy a vytvoriť technicky správny výsledok, ale aj čas a výpočtové náklady. Takýto rámec je bližší potrebám priemyslu než hodnotenie presvedčivosti textovej odpovede.

Treba však rozlišovať medzi oznámeným smerovaním a hotovou infraštruktúrou. Text opisuje, na čom majú firmy spolupracovať; sám osebe nedokazuje, že všetky plánované benchmarky či automatizované postupy už možno používať. Rovnako pripomína verejný náhľad Mistral Large 4 a plán zverejniť váhy koncom októbra. Plánovaný termín nemožno zameniť za uskutočnené vydanie. Pre hodnotenie otvorenosti budú rozhodujúce skutočne dostupné váhy, licencia, dokumentácia a možnosť výsledky reprodukovať.

Slovenský význam je pomerne priamy: automobilový priemysel, strojárstvo a ich dodávatelia pracujú s návrhmi, toleranciami a simuláciami, kde chyba nemusí zostať na obrazovke. AI môže pomáhať pri príprave variantov alebo obsluhe odborného softvéru, no príjemne formulované vysvetlenie nenahrádza kontrolu fyzikálnych podmienok. Pri prípadnom nasadení by preto bolo potrebné merať nielen zrýchlenie práce, ale aj počet neplatných návrhov, reprodukovateľnosť simulácie a rozsah zásahov odborníka. Oznámenie zatiaľ nepreukazuje konkrétny prínos pre slovenský závod.

Microsoft Research: matematický výsledok nie je príbeh o samostatnom chatbotovi

Microsoft Research 21. októbra informoval o vyriešení Kannanovej–Lovászovej–Simonovitsovej domnienky, známej ako KLS. Ide o problém formulovaný v roku 1995, ktorý súvisí s geometriou vysokorozmerných priestorov, pravdepodobnosťou a účinnosťou náhodných algoritmov. Zjednodušene skúma, či pri širokej triede rozdelení dokáže vhodný rovinný rez zachytiť ich najužšie miesto porovnateľne dobre ako ľubovoľne tvarovaný rez, a to s univerzálnym obmedzením nezávislým od počtu rozmerov.

Dátum správy je dôležité odlíšiť od dátumu samotného pokroku. Microsoft opisuje úplný dôkaz v októbrovej verzii práce, nie matematický objav uskutočnený až v deň zverejnenia blogu. Podľa oznámenia výskumníci s pomocou agentov preskúmali viac než sto kandidátnych prístupov. AI pomáhala s podrobnými odvodenými výpočtami, skúšaním možností, prípravou textu a internými kontrolami. Matematický smer, výber sľubných myšlienok a zostavenie výsledného argumentu však určovali ľudia.

Zdroj ďalej uvádza nezávislé potvrdenie ďalšími výskumníkmi a strojovo overenú formálnu verifikáciu. V tomto prehľade ide o tvrdenia oficiálneho oznámenia Microsoftu, nie o naše vlastné overenie dôkazu. Táto hranica je pri významných vedeckých správach zásadná. Overená existencia firemného článku nie je totožná s odborným posúdením celej matematiky a neumožňuje presne vyčísliť, akú časť vedeckého prínosu možno pripísať jednotlivým použitým nástrojom.

Napriek tomu prípad ponúka užitočný model spolupráce: počítačové systémy rozširujú priestor skúšaných možností, zatiaľ čo výsledok musí prejsť nezávislou kontrolou. Pre univerzity a výskumné tímy je to podnet budovať postupy s dohľadateľnými medzikrokmi a jasnými kritériami správnosti. Nie je to dôkaz, že všeobecný chatbot spoľahlivo vyrieši ľubovoľný otvorený problém. Praktický dopad základného matematického výsledku na konkrétne produkty navyše môže prichádzať postupne a nepriamo, nie okamžitým zrýchlením každej aplikácie strojového učenia.

Lacnejšia AI: rozhoduje slovník aj správne smerovanie úloh

Dharma-AI na Hugging Face opísala metódu VocabX na špecializáciu slovníka menšieho jazykového modelu. V konkrétnom produkčnom systéme na hodnotenie portugalských slohov používa Qwen3-4B a uvádza zníženie nameraných nákladov inferencie o 77 percent. Základnou myšlienkou je upraviť slovník podľa opakujúceho sa jazyka a formátu výstupu. V úzko vymedzenej úlohe môže všeobecný viacjazyčný slovník zbytočne rozdeľovať často používané frázy na množstvo tokenov a zároveň obsahovať veľa prakticky nepoužívaných položiek.

Autori vysvetľujú dva rozdielne zdroje nákladov. Prvým je počet generovaných tokenov, druhým výpočet skóre nad celým výstupným slovníkom pri každom kroku. Menej tokenov preto nemusí automaticky znamenať rovnaké percento úspory. Záleží na veľkosti modelu, hardvéri, dávkovaní požiadaviek aj dĺžke kontextu. Aj preto je titulkové číslo potrebné viazať na konkrétny experiment. Autori upozorňujú, že prezentované údaje pochádzajú z pripravovanej práce a môžu sa pred publikovaním zmeniť.

Pre slovenčinu je zaujímavá samotná otázka, či všeobecný tokenizer efektívne reprezentuje opakované odborné výrazy a štruktúrované odpovede. Portugalský výsledok však nedokazuje rovnakú úsporu pri slovenských textoch. Úprava slovníka navyše môže zhoršiť schopnosť spracovať nečakaný jazyk alebo obsah mimo úzkej domény. Praktické hodnotenie by preto muselo popri cene sledovať kvalitu, hraničné prípady a zachovanie potrebných schopností. Lacnejší výstup, ktorý častejšie vyžaduje ľudskú opravu, nemusí byť lacnejšou službou.

Druhý prístup ukázalo AWS v návode na Adaptive Agentic Intelligence Framework so Strands Agents. Rutinné požiadavky smeruje na lokálne modely cez Ollamu a náročnejšie analýzy na cloudové modely cez Amazon Bedrock. Referenčným príkladom je monitorovanie zariadení vrátane telemetrie a obrazovej analýzy. Ide o architektonický vzor a ukážkovú implementáciu, nie o nezávisle preukázanú univerzálnu úsporu. Jeho význam spočíva v možnosti neprideľovať každej úlohe najdrahší dostupný model.

Aj smerovač sa však môže pomýliť: zložitú požiadavku vyhodnotí ako jednoduchú alebo pošle citlivý kontext do cloudu. AWS preto v závere upozorňuje na potrebu bezpečnostných kontrol na cloudovej aj lokálnej vetve. Pre slovenskú firmu z toho vyplýva praktická zásada: pravidlá odovzdávania dát a schvaľovania úkonov nemajú závisieť iba od rozhodnutia jazykového modelu. Lokálny beh jednej časti zároveň neznamená, že celý systém funguje bez siete alebo že žiadne údaje neopúšťajú organizáciu.

Bezpečnosť a regulácia: nástroj je súčasťou rizika

PydanticAI vo verzii 2.59.0 upozornilo na vysoko závažnú bezpečnostnú chybu pri konverzii HTML v nástroji web_fetch. Stránka ovládaná útočníkom s veľkým počtom prvkov mohla pri spracovaní zdržiavať aj nesúvisiacu prácu v rovnakom procese. Oprava je podľa poznámok dostupná vo verziách 2.59.0 a 1.107.9. Na AI Feed sme túto udalosť už spracovali samostatne; v dennom prehľade ju pripomíname preto, že presne dopĺňa širšiu diskusiu o agentickej infraštruktúre.

Tento prípad nepredstavuje automaticky krádež dát ani úspešné ovládnutie modelu. Zdroj opisuje problém s dostupnosťou a zdieľanými prostriedkami. Rozdiel je dôležitý, pretože bezpečnostné opatrenia musia zodpovedať konkrétnemu mechanizmu. Nestačí lepšie napísať systémový prompt. Potrebné môže byť aktualizovať knižnicu, obmedziť veľkosť vstupov, oddeliť spracovanie nedôveryhodného obsahu a sledovať časové limity. Agent, ktorý navštevuje verejný web, prináša do aplikácie aj riziká bežného spracovania cudzieho dokumentu.

Regulačnou otázkou tohto dňa preto nie je iba existencia nového právneho predpisu. Pri vybraných témach nemáme podklad na tvrdenie o novej plošnej zmene pravidiel v EÚ. Máme však konkrétne dôvody riešiť správu dát, dohľad a zodpovednosť. Predikcia odchodu zákazníka, automatizovaný technický návrh a lokálne spracovanie obrazu sú rôzne prípady použitia. Ich právne a organizačné posúdenie nemožno nahradiť všeobecným označením produktu ako bezpečného, otvoreného alebo európskeho. Ani samotné umiestnenie infraštruktúry nedokazuje súlad celého procesu.

Čo si z dňa odniesť

Redakčný záver je opatrne praktický: najzaujímavejšie oznámenia spájajú model s presne definovaným problémom a spôsobom kontroly. Kumo Relational mení prípravu predikcií nad tabuľkami, spolupráca Mistralu a NVIDIA smeruje k meraniu technickej správnosti a matematický príklad Microsoftu zdôrazňuje nezávislé overenie. VocabX a hybridná architektúra AWS zase pripomínajú, že náklady možno znižovať aj úpravou pracovného postupu, nielen výmenou modelu za menší.

Pre slovenského čitateľa nie je rozumným ďalším krokom nasadiť všetko naraz. Užitočnejšie je vybrať jednu merateľnú úlohu, pripraviť reprezentatívne dáta a porovnať nový prístup s existujúcim riešením. Hodnotenie má zahŕňať úspešnosť, celkovú cenu, čas ľudskej kontroly aj správanie pri chybe. Oznámenia z 21. októbra prinášajú konkrétne možnosti, ale rozdiel medzi sľubným nástrojom a spoľahlivou službou zostáva vecou overenia v praxi. Tento súhrn poskytuje spoločný kontext; nenahrádza samostatné spravodajské články o jednotlivých udalostiach.

Redakcia AI Feed