Blog
AI v praxi
AI modely, evaluace, agenti a RAG z pohledu týmů, které je nasazují do produkce.
Pravda, zdroje a RAG: proč citace samy o sobě nestačí
Citace vypadá jako důkaz, ale RAG řeší jen to, kde model vzal informaci — ne jestli platí. Čtyři způsoby, jak citace lže, a jak měřit pravdu, ne jen věrnost zdroji.
Uvažovat ve slovech, nebo ve vektorech? Latentní reasoning a okno, které tím možná zavřeme
Každé slovo v řetězci úvah nese kolem 17 bitů, vnitřní stav tisíce. Proč modely nutíme myslet ve slovech, když počítají ve vektorech — a co bychom přechodem na vektory nevratně ztratili.
Jak se hackují jazykové modely: mapa útoků od tréninku po nasazení
Zarovnání obejde algoritmus, 250 dokumentů zanese do modelu zadní vrátka, váhy utečou přes API. Bezpečnost LLM není jeden bug — je to mapa rizik napříč celým životem modelu.
Prompt injection: bezpečnostní díra, kterou (zatím) nejde zalátat
Jak sledovat nové AI modely bez hypu: praktický radar pro OpenAI, Claude, Gemini a coding agenty
Paměť AI agentů: proč dlouhý kontext není paměť
Fine-tuning není doučování: co riskujete, když saháte modelu do vah
Doladit model vypadá jako přirozený krok po promptování. Je to ale fork modelu a kus infrastruktury: trvalým aktivem je datová pipeline, ne váhy, a skutečný náklad je provozní.
Umí AI vymyslet něco nového, nebo jen kombinuje?
„AI jen přeskupuje, co viděla“ zní chytře a skepticky. Jenže pár systémů už vyprodukovalo výsledky, které v trénovacích datech prokazatelně nebyly — kde leží hranice mezi remixem a objevem?
AI architektura pro firmy: kdy stačí prompt, kdy RAG a kdy agent
Firma se rozhodne „dělat AI“ a za šest týdnů má vektorovou databázi a agentní framework — na úkol, který zvládl dobře napsaný prompt. Architektura se vybrala dřív, než se pochopil problém.
Agency a odpovědnost u AI agentů: kdy už nástroj začíná jednat?
Lokální modely vs frontier modely: kde opravdu leží hranice praktického použití
