Když více neznamená lépe. Vědci z FAI UTB zkoumali, jak AI chytře navrhuje algoritmy
4. listopadu 2026Listopad patří tématu smysluplného a bezpečného využívání umělé inteligence. Od 2. do 15. listopadu probíhají Dny AI, v jejichž rámci vystoupí už 5. listopadu vedoucí laboratoře A.I.Lab Roman Šenkeřík na akci „AI rychle, ne zběsile“.
Na konec měsíce pak připadá Mezinárodní den bezpečnosti informací (30. listopadu). Do aktuální debaty o efektivním a bezpečném využívání AI přispívají také vědci z laboratoře A.I.Lab na Fakultě aplikované informatiky UTB ve Zlíně. Ve své nové studii zkoumali, jak velké jazykové modely navrhují a zdokonalují algoritmy. Ukázalo se, že klíčem k úspěchu není kvantita dat, ale jejich precizní výběr. O tomto výzkumu, který byl přijat k publikaci v prestižním časopise Computer Science Review, hovoříme s jeho autory Adamem Viktorinem, Tomášem Martínkem a Tomášem Kadavým.
Vaše studie nese název Context Matters in LLM-Driven Algorithm Design a ukazuje, že u umělé inteligence není více informací vždy výhodou. Jak jste na toto zjištění během výzkumu přišli?
Adam Viktorin: Experimentem – a to poměrně rozsáhlým. Už přes dva roky vyvíjíme vlastní nástroj EASE, ve kterém velký jazykový model navrhne algoritmus, ten se automaticky spustí a vyhodnotí se, jak dobře funguje. Výsledek se pak modelu vrátí jako zpětná vazba pro další pokus. Řešení se tak postupně zlepšuje podobně jako programátor, který vidí, jak jeho kód obstál, a snaží se ho vylepšit.
Klíčová otázka zní: co přesně mu z předchozích pokusů ukázat? Porovnali jsme proto dvanáct různých strategií – od varianty, kdy model z minulosti nedostane nic, přes poslední nebo dosud nejlepší algoritmus až po celou historii všech pokusů.
Intuitivně byste možná čekali, že čím víc toho model uvidí, tím lépe. Data ale ukázala něco jiného: přidávání dalších informací konzistentní zlepšení nepřinášelo. Když jsme například místo jednoho nejlepšího řešení poskytli tři nejlepší, výsledky se zhoršily u všech tří testovaných komerčních modelů.
A ještě jeden praktický aspekt: každá informace navíc stojí výpočetní čas a peníze, protože se za zpracování textu jazykovým modelem platí. Méně, ale dobře vybraných informací je tak nejen efektivnější, ale často i levnější přístup.
Zleva: Adam Viktorin, Tomáš Kadavý a Tomáš Martínek
Testovali jste modely jako GPT, Gemini nebo Claude. Jak velkou roli hraje správný výběr kontextu – například kombinace nejnovějšího a dosud nejúspěšnějšího řešení – na výslednou kvalitu kódu či algoritmu?
Tomáš Martínek: Velkou. Nejstabilnější výsledek celé studie se týká právě kombinace, na kterou se ptáte. Když model dostal svůj poslední pokus i dosud nejlepší řešení, dopadl lépe, než když měl k dispozici jen jedno z nich – a to u všech tří testovaných modelů.
Dává to smysl i lidsky. Poslední pokus modelu říká, kde se právě nachází a co naposledy zkoušel. Nejlepší řešení mu zase připomíná, co skutečně funguje. Synergie těchto dvou vede ke zlepšení výsledku.
Rozdíl oproti generování bez jakékoli zpětné vazby byl výrazný: v průměru přes všechny modely byla kvalita nejlepšího nalezeného algoritmu zhruba třikrát vyšší. Zároveň je fér říct, že pořadí ostatních strategií se mezi modely lišilo. Univerzální recept tedy neexistuje – každý model reaguje na kontext trochu jinak, a proto má smysl kontext pro konkrétní model ladit.
S blížícím se Mezinárodním dnem bezpečnosti informací se často řeší spolehlivost a bezpečnost výstupů umělé inteligence. Může špatně nastavený kontext nebo přemíra irelevantních dat představovat pro systémy založené na LLM skrytá rizika?
Adam Viktorin: Ano, a je dobré o nich vědět. Kontext je pro jazykový model něco jako podklady na poradu. Když jich dostane příliš mnoho a část z nich je zastaralá nebo nepodstatná, snadno se zaměří na něco, co s úkolem nesouvisí. V našem případě to znamená, že model může z dlouhé historie převzít neperspektivní nápad a dál ho rozvíjet.
Druhé riziko je méně viditelné, ale o to závažnější. Všechno, co modelu vložíme do kontextu, ovlivňuje jeho odpověď. Pokud do něj pustíme nekontrolovaná data – třeba kód, dokument nebo e-mail z neznámého zdroje – mohou obsahovat skryté pokyny, které model zmatou nebo ho přimějí udělat něco nechtěného. Tomuto útoku se říká prompt injection a patří dnes k hlavním bezpečnostním tématům kolem umělé inteligence.
Vaše práce bude publikována v únoru 2027 v prestižním časopise Computer Science Review, který spadá do nejvyššího decilu D1. Co takový mezinárodní úspěch znamená pro váš tým a pro A.I.Lab na FAI UTB?
Adam Viktorin: Publikování výsledků je součástí naší práce, takže je to především příjemné potvrzení, že to, co děláme, má význam i mimo naši skupinu. Výsledky musí být nejen zajímavé, ale i ověřitelné. Proto jsme všechna data, vygenerované algoritmy i interaktivní webovou aplikaci s výsledky zveřejnili, aby si je mohl kdokoli prohlédnout a na naši práci navázat. Taky to pomáhá i laboratoři A.I.Lab – při získávání projektů a spoluprací a také při oslovování studujících, kteří chtějí pracovat na umělé inteligenci přímo ve Zlíně.
Kam se bude výzkum v této oblasti ubírat dál? Plánujete nabyté poznatky o chytrém výběru kontextu aplikovat i na další reálné průmyslové či bezpečnostní úlohy?
Tomáš Kadavý: Další krok už probíhá. Místo toho, abychom modelu předávali celé zdrojové kódy předchozích algoritmů, zkoumáme takzvaný sumarizátor. Jazykový model si nejdřív historii svých pokusů shrne do stručného popisu – buď volně vlastními slovy, nebo do pevně dané struktury a teprve toto shrnutí slouží jako podklad pro další návrh. Zajímá nás, jestli takové shrnutí udrží to podstatné, ušetří výpočetní kapacitu a náklady a jestli ho zvládne vytvořit i menší model provozovaný v rámci české výzkumné infrastruktury, takže data nemusí putovat ke komerčním poskytovatelům.
A zajisté chceme tyto poznatky uplatňovat i v praxi. Princip, kdy umělá inteligence navrhne řešení, které se automaticky ověří a výsledek se jí vrátí jako zpětná vazba, je obecný a dá se využít všude tam, kde lze kvalitu řešení změřit – například při optimalizaci výrobních procesů, plánování, v logistice nebo při nastavování parametrů technických systémů. Námi vyvinutý nástroj EASE je open source, takže ho mohou vyzkoušet i firmy, další výzkumníci a nadšenci do moderních technologií.
O laboratoři A.I.Lab FAI UTB
Specializovaná laboratoř na umělou inteligenci, A.I.Lab na Fakultě aplikované informatiky Univerzity Tomáše Bati ve Zlíně, pod vedením prof. Ing. Romana Šenkeříka, Ph.D. a prof. Ing. Zuzany Komínkové Oplatkové, Ph.D., se dlouhodobě věnuje technologiím z oblasti umělé inteligence, jako jsou optimalizační algoritmy, neuronové sítě a v posledních letech také velkým jazykovým modelům. Členové laboratoře se zapojují do mezinárodních vědeckých projektů a jejich výsledky jsou publikovány v prestižních mezinárodních časopisech. Velký důraz se přitom klade i na spolupráci napříč fakultou, protože dobré nápady často vznikají na hranici oborů. Na této studii se podílel také člen A.I.Lab Ing. Tomáš Martínek, Ph.D., který zároveň působí na Ústavu elektroniky a měření, kde se umělá inteligence uplatňuje například při návrhu a optimalizaci antén. Propojení různých oborů přináší nové pohledy na výzkumné problémy, společné projekty i snazší cestu k praktickému využití výsledků. Laboratoř A.I.Lab je součástí Ústavu informatiky a umělé inteligence (ÚIUI), který vede prof. Mgr. Roman Jašek, Ph.D., DBA.
Dny AI: https://www.ticzlin.cz/event_category/dny-ai-2026/
AI rychle, ne zběsile: https://www.ticzlin.cz/event/dny-ai-ai-rychle-ne-zbesile/
Rozhovor: Pavlína Míčová
Foto: Marek Matulík