V kontextu AI označuje inteligence schopnost systému vnímat okolí, chápat data, učit se z nich a reagovat na základě získaných zkušeností. Na rozdíl od lidské inteligence je ta umělá specifická – většinou se zaměřuje na úzké úkoly, jako je rozpoznávání hlasu, překlad textu nebo řízení vozidla. Vize obecné umělé inteligence (AGI) zatím zůstává cílem budoucnosti.

Inference je proces, kdy AI model používá naučené znalosti k vytváření nových výstupů – tedy ke „skutečné práci“. Zatímco trénink modelu probíhá na rozsáhlých datech, inference nastává například ve chvíli, kdy zadáš dotaz do chatbotu nebo model rozpozná objekt na obrázku. Je to klíčová fáze, kdy model aplikuje naučené vzory na nová, dříve neviděná data.

Hyperparametry jsou nastavení, která ovlivňují, jak se AI model učí, ale nejsou přímo učená během tréninku. Patří sem například počet vrstev, velikost batch size, rychlost učení (learning rate) nebo typ optimalizačního algoritmu. Správné nastavení hyperparametrů může mít zásadní vliv na výkon modelu a často se ladí pomocí metod jako grid search nebo bayesovská optimalizace.