AI už není „technologie budoucnosti“, ale infrastruktura současnosti

Program umělá iteligence má za cíl připravit odborníky na umělou inteligenci, kteří pro zvolené zadání budou schopni vytvořit odpovídající nejefektivnější řešení, tedy zvládnou:

• zvolit vhodný model pro konkrétní situaci (např. predikce, klasifikace, doporučování, detekce anomálií),
• model implementovat a parametrizovat,
• ověřit efektivitu na reálných datech a nastavit hyperparametry,
• a výsledné řešení dotáhnout až k nasazení do běžných softwarových systémů.

Důležitá část je i „inženýrská“: program explicitně zdůrazňuje práci s nefunkčními požadavky (rychlost, plán spuštění, kompatibilita atd.), protože v praxi často rozhodují více než samotná přesnost modelu.

Moderní AI (zejména hluboké učení) může působit jako „black box“ – model funguje, ale není jasné proč. UUN klade důraz na to, aby studenti rozuměli vnitřním strukturám modelů a jejich funkčnosti. Důvodem této snahy je získat schopnosti

• efektivního výběru řešení a jeho parametrů
• ladit chyby navrhovaných řešení,
• interpretovat selhání,
• nebo obhájit řešení v regulovaných či citlivých doménách.

Porozumnění modelům může být obtížné. Proto se v UUN snažímě vysvětlovat modely od prvního dne výuky a to na jednoduchých „hrách“ (scénářích), na kterých je možné modely pochopit i bez složitého matematického aparátu a postupně tak získat schopnost rozumnět jádru moderních AI metod.

Známá pravda říká, že AI systém je tak dobrý, jak dobrá jsou data a vyhodnocení. Proto by mělo být cílem každého AI experta vyvíjet modely tvořit metodicky a ne pocitově. Z tohoto důvodu jsou součástí kurikula i předměty na datovou analýzu. Ta cílí na to, aby student uměl dělat závěry z dat uměl poznat, že výsledek nevznikl omylem a lze se v příštích bězích spolehnout na získané parametry metod. 

Tato datová analýza je ovšem vždy v úzkem spojení s AI metodami a jejím cílem je pochopení fungování navrhovaných systémů.

• Jak tvořit funkční a rychlé algoritmy - v odpovídajících předmětech se studenti naučí jak reprezentovat data, aby výpočty šli dobře a jak dělat samotné výpočty nad daty, aby výsledky byly (dostatečně) dobře a výpočet netrval dlouho.
• Jak vybrat nejlepší řešení - součátsti moderní AI je hledání nejlepšího řešení (i rozpoznání obrázku je vlastně jen úloha nejlepší shody). Proto program obsahuje předměty, které vysvětlují jak fungují základní úlohy optimalizace a jaké k tomu potřebují stavební kameny.

AI systémy nejsou jen o zadání a vytvoření (při kterém i sama AI může pomoci). Pro jejich úspěšnou aplikaci je také nutné zvládat proce vývoje od samotného zadání až po nasazení. To je další z důležitých kompetencí, které studenti v tomto programu získají. Studenti se naučí, kde programy vyvíjet, testovat a jak je nasadit včetně různých cloudových a virtualizačních řešení.

Profesionál v AI musí umět výsledky nejen spočítat, ale i vysvětlit: zadavateli, týmu, někdy i regulátorovi. V programu bude student často nucen představit své řešení vyvíjené v týmu na workshopu skupině hodnotitelů. V rámci programu jsou i předměty, kde se tyto kompetence přímo vyučují a v plné šíři si je bude moci student vyzkoušet při vytváření a diskuzi nad bakalářskou prací. 

UUN nastavuje program tak, aby student v průběhu 3,5 roku prošel „celým životním cyklem AI řešení“: problém → data → model → implementace → testování → nasazení → provoz.

Už v prvním roce se propojuje informatický základ s prvními AI koncepty:

• Základní koncepty umělé inteligence jako široké úvodní mapování oboru (včetně jazykových modelů a vývoje od chatbota k ChatGPT). Vše vysvětleno jednoduše a hravou formou bez nutnosti hluboké znalosti programování či matematických základů.
• Základy programování, Pokročilé programování v Pythonu (OOP, práce s daty, workshop) postupné získávání kompetencí v moderním jazyce AI, který se nadále využívá v dalších předmětech
• Algoritmizace a datové struktury (vyhledávání, třídění, složitost) jako předmět představující první kroky při tvorbě efektivního algoritmu a zdůvodňující, proč některé metody ze světa AI fungují.

V navazující části programu se přechází na řadu profilujících AI předmětů, postupně prohlubující znalosti v AI.

• Úvod do umělé inteligence (2.ročník) - podávající přehled metod AI a popisujících jejich využití na příkladech dat z praxe a budující tak kompetenci přehledu v oboru a jednotlivých úloh vhodných pro řešení pomocí AI.
• Principy strojového učení (3. ročník) - podávající komplexní pohled na metody s pochopením jejich případných slabin a výhod z pohledu aplikace na datovou analýzu a budující tak kompetenci výběru nejefektivnější metody,
• Neuronové sítě a hluboké učení (3. ročník) - podávající přehled nejnovějších trendů v oblasti AI a souvisejících metod, možností jejich trénování a využití na datech.

A protože moderní AI není jen trénování modelu, ale i jeho provoz, program obsahuje předmět zaměřený na MLOps:

• Procesy vývoje a nasazení umělé inteligence (CI/CD pro modely, monitoring, správa verzí, reproducibilita atd.) - vyučující schopnost vyvíjet, trénovat i nasadit model na moderních cloudových systémech.
• Databáze - podávající schopnost efektivně pracovat s velkými a složitými daty v moderních informačních systémech, které jsou základem pro komponenty AI.

Předměty podávající metodické základy

• Diskrétní matematika a matematická analýza - předměty se zaměřením na vysvětlení komponent nutných k vytvoření moderních AI algoritmů.
• Pokročilá algoritmizace - předmět vysvětlující jak psát funkční, rychlé a efektivní programy.

V návrzích témat se objevují oblasti, které dnes silně rezonují v průmyslu i výzkumu, například:

• explainable AI (vysvětlitelná AI),
• adversarial machine learning (útoky na modely a obrana),
• aplikace LLM (velkých jazykových modelů) v recommender systémech nebo ve vyhledávání,
• „LLM na zařízeních s omezenou výpočetní kapacitou“,
• „útoky na LLM“,
• AI analýzy právních dokumentů,
• multiagentní systémy a simulace šíření informací v sítích.

• Staví a ladí modely (klasifikace, predikce, doporučování).
• Řeší pipeline od dat po model, často v Pythonu.
• Spolupracuje se software engineeringem na integraci do produktu.

• Testuje hypotézy, navrhuje experimenty, vyhodnocuje dopady.
• Zajišťuje: korektní inference, validace, interpretace.
• V praxi často kombinuje analýzu s prototypováním modelů.

• Dělá z „modelu v notebooku“ spolehlivou službu: automatizace tréninku, verzování, monitoring driftu, auditovatelnost.
• Je klíčový tam, kde modely běží dlouhodobě v produkci (banky, e-commerce, doprava).

• Staví systémy pro práci s textem: vyhledávání, klasifikace dokumentů, asistenti, chatboty.
• Řeší kvalitu výstupů, bezpečnostní rizika a často i provozní omezení (latence, náklady)

• Neřeší AI „obecně“, ale v kontextu domény: např. prediktivní údržba, detekce podvodů, optimalizace rozvozů, personalizace obsahu.
• Program explicitně s těmito oblastmi počítá jako s typickým uplatněním.

Z hlediska trendů na trhu práce je dlouhodobě vidět růst poptávky po AI/ML specializacích i datech obecně; WEF ve Future of Jobs Report 2025 řadí role typu „AI and Machine Learning Specialists“ mezi nejrychleji rostoucí.

OECD ukazuje, že AI dopadne i na profese, které samy o sobě nevyžadují „specializované AI dovednosti“ – mění se skladba požadavků na kompetence (analytické, procesní, práci s informacemi). To zvyšuje hodnotu lidí, kteří rozumí datům, modelům a jejich dopadům. Absolventi tak budou mít výborné kompetence i kdyby nakonec své zaměření změnili.

Studium AI dnes dává smysl nejen kvůli „popularitě“ tématu, ale hlavně kvůli tomu, že se AI stává standardní součástí produktů a rozhodovacích procesů. Program Umělá inteligence na Unicorn University je postaven tak, aby student prošel celým procesem tvorby AI řešení – od algoritmických a matematických základů, přes strojové učení a neuronové sítě, až k nasazování a provozu. Výuka je silně postavena na motivaci praktickými úlohami a je také zakončena povinnou praxí, což výrazně zvyšuje konkurenceschopnost absolventů.

Pokud chcete AI nejen používat, ale opravdu jí rozumět a umět ji bezpečně a efektivně nasazovat v reálných systémech, je to typ vzdělání, který bude mít v následujících letech stále vyšší hodnotu.