Umělá inteligence ve službách farmacie – možnosti využití v praxi

Souhrn

Úvod: V článku budou představeny principy fungování moderní umělé inteligence (AI), její současné možnosti, omezení a praktické využití ve farmacii. Text přibližuje vývoj AI, vysvětluje klíčové pojmy a seznamuje s nejdůležitějšími modely a jejich schopnostmi.

Cíl: Cílem článku je ukázat, jak může AI podpořit farmaceutickou praxi, kde jsou její limity a jaké legislativní a bezpečnostní požadavky je nutné respektovat při jejím používání.

Výsledky: Moderní AI modely umožňují generovat text, zpracovávat data, analyzovat obrázky a pomáhat v rozhodování. Ve farmacii mohou zrychlit analýzu dat (např. Hlášení LEK-13), usnadnit hledání informací či podpořit dohled nad přípravou IPLP. Ukázky potvrzují vysokou efektivitu modelů (např. GPT-5 při zpracování CSV), ale také odhalují riziko chyb a halucinací. Výkonnost modelů se liší –⁠ žebříčky (např. Chatbot Arena) ukazují konkrétní rozdíly mezi GPT, Gemini, Claude a otevřenými modely. Trénink computer vision modelu pro počítání kapslí je proveditelný na běžném PC a je schopný velmi vysoké přesnosti.

Závěr: AI představuje významný nástroj pro farmaceutickou praxi, ale nenahrazuje odbornost farmaceuta. Je nutné rozumět jejím principům, limitům, etickým a legislativním rámcům (AI Act, NIS2) a vždy kontrolovat výstupy. Při správném použití může výrazně zvýšit efektivitu, přesnost i bezpečnost farmaceutických procesů.

Klíčová slova:

umělá inteligence – strojové učení – farmaceutická péče – počítačové vidění

Základní pojmy

AI (Artificial Intelligence / Umělá inteligence)

Obecný pojem pro systémy nebo stroje, které napodobují lidské myšlení –⁠ učí se, rozhodují, řeší problémy nebo rozpoznávají vzory. Termín byl pravděpodobně poprvé použit v roce 1955 matematikem Johnem McCarthym. S konceptem ale pracoval již o zhruba 5 let dříve Alan Turing, autor známého Turingova testu.

 

Machine Learning (ML / Strojové učení)

Podmnožina AI, kde se modely „učí“ z dat –⁠ místo explicitního programování se systém zlepšuje na základě zkušeností (dat).

 

Neuronové sítě

Modely umělé inteligence inspirované fungováním lidského mozku. Skládají se z vstupní vrstvy, výstupní vrstvy a několika skrytých vrstev, které mezi nimi postupně zpracovávají data. Každá vrstva se učí rozpoznávat různé úrovně abstrakce –⁠ například u obrázků první vrstva rozpoznává hrany, další tvary a vyšší vrstvy složitější objekty. Díky těmto vrstvám dokáže síť automaticky nacházet a kombinovat vzory v datech a tím řešit složité úlohy, jako je rozpoznávání řeči, obrazu nebo přirozeného jazyka.

 

LLM (Large Language Model / Velký jazykový model)

Model AI trénovaný na obrovském množství textů, který rozumí přirozenému jazyku a umí generovat smysluplné odpovědi.

 

Generativní AI

Model umělé inteligence generující nový obsah –⁠ text, obrázky, zvuk, video, kód programovacího jazyka.

 

Diskriminativní AI

Rozlišuje, klasifikuje nebo hodnotí existující data –⁠ negeneruje nic nového. Například model, který rozpozná, zda je na CT snímku zdravá tkáň, nebo nádorové ložisko.

 

Prompt

Textová instrukce nebo vstup, který uživatel zadá modelu, aby vygeneroval odpověď.

 

Token

Základní jednotka textu, kterou model zpracovává. Může to být celé slovo, část slova nebo znak (model GPT-4 klasifikuje slovo „deset” jako dva tokeny ale slovo „devět” jako tři tokeny, ačkoliv počet písmen je stejný) (1).

 

Kontextové okno (Context Window)

Maximální počet tokenů, které může model „vidět“ a zohlednit při odpovědi.

Např. GPT-4 má kontextové okno až 128 000 tokenů.

 

Fine-tuning

Proces, při kterém se již natrénovaný model dále přizpůsobuje na konkrétní data nebo úlohu (např. právní dokumenty, lékařské texty apod.).

 

RAG (Retrieval-Augmented Generation)

Technika, kdy model při odpovídání využívá externí znalostní bázi –⁠ vyhledá relevantní dokumenty a pak z nich generuje odpověď. Tyto zdroje informací mohou být volně dostupné například internetovým vyhledávačem nebo soukromé pro konkrétní model nebo uživatele, kupříkladu za použití MCP (Model Context Protocol).

 

Halucinace

Situace, kdy model „vymyslí“ odpověď, která zní přesvědčivě, ale není pravdivá. Typický problém generativních modelů.

 

Teplota (Temperature)

Parametr, který ovlivňuje kreativitu modelu. Nejčastěji nabývá hodnot od 0 (přesné, nekreativní odpovědi) po 1 (odpovědi s vyšší mírou náhodnosti, vhodné pro kreativní činnosti).

 

Python

Programovací jazyk, který vznikl již v roce 1991. Pro jeho univerzálnost a nenáročnost se jeho význam zvýšil s nástupem AI.

 

Představení

Ačkoliv známe pojem umělá inteligence (Artificial Intelligence, AI) již od roku 1955, zásadní pozornost veřejnosti se AI dostalo až s úspěchem modelu GPT-3, který v roce 2020 poprvé výrazně ukázal schopnost strojů generovat text s překvapivě lidskou přirozeností. Od té doby se rozvoj AI stal jedním z nejrychleji postupujících technologických trendů současnosti –⁠ zasahuje do vědy, průmyslu, vzdělávání i zdravotnictví a mění způsob, jakým lidé pracují s informacemi. V posledních letech sledujeme prudký rozvoj tzv. generativní AI, která umožňuje vytvářet nejen texty, ale také obrázky, zvuk či video, čímž rozšiřuje hranice lidské kreativity i efektivity. Tento článek se zaměřuje na principy fungování moderních modelů umělé inteligence, jejich praktické využití a etické či legislativní otázky, které s jejich rozšířením nevyhnutelně přicházejí.

 

Historie

Kořeny umělé inteligence sahají hluboko do 20. století, kdy se začaly objevovat první teoretické úvahy o tom, zda je možné stroj naučit „myslet“. Britský matematik Alan Turing již v roce 1950 publikoval slavný článek Computing Machinery and Intelligence v časopise Mind, v němž představil tzv. Turingův test –⁠ myšlenkový experiment, který měl ověřit, zda je chování stroje rozeznatelné od lidské inteligence. Turing tím položil základ filozofické i technické diskuzi o možnostech strojového myšlení (2).

Samotný pojem „artificial intelligence“ (umělá inteligence) byl poprvé použit americkým informatikem Johnem McCarthym v roce 1955, kdy spolu s Marvinem Minskim, Claudem Shannonem a Nathanem Rochesterem představil projekt na Dartmouthské konferenci (1956) (3).

Tato konference je dnes považována za oficiální zrod oboru AI. Jejím cílem bylo prozkoumat, zda lze každý aspekt učení nebo jakýkoli jiný rys inteligence popsat natolik přesně, aby jej bylo možné simulovat pomocí stroje.

Následující desetiletí přinesla období nadějí i zklamání. V 60. až 80. letech vznikly první expertní systémy (např. DENDRAL, MYCIN), které dokázaly řešit úzce vymezené problémy. Zároveň se však ukázalo, že tehdejší výpočetní kapacita a algoritmy nejsou dostatečné pro naplnění ambiciózních vizí. To vedlo k několika obdobím tzv. „AI winter“, kdy výzkum i financování stagnovaly (4).

Skutečný zlom nastal až s rozvojem strojového učení (machine learning) a neuronových sítí v 90. letech a zejména po roce 2010, kdy rostoucí výpočetní výkon, dostupnost velkých dat a nové architektury (např. deep learning) umožnily vznik moderní generace AI systémů. K zásadnímu obratu došlo v roce 2017, kdy tým společnosti Google publikoval článek Attention Is All You Need (5), který představil transformerové modely –⁠ architekturu, jež se stala základem dnešních systémů, jako jsou GPT-3 (2020) či GPT-4 (2023).

 

Přehled relevantních modelů

Ruku v ruce s rozvojem technologie po roce 2020 vznikla plejáda jazykových modelů. Tyto modely jsou v průběhu času aktualizovány a doplňovány o nové funkcionality, mění se výpočetní kapacita serverů. Kvalita takových produktů může kolísat v čase. Z toho důvodu je následující přehled členěn podle rodin jazykových modelů, ne podle konkrétních verzí.

 

OpenAI –⁠ ChatGPT

Společnost OpenAI uvedla v roce 2020 model GPT-3, který znamenal zásadní průlom v přirozeném zpracování jazyka. Navazující verze GPT-3.5 (2022) a GPT-4 (2023) přinesly výrazné zlepšení porozumění kontextu, přesnosti i schopnosti generovat strukturované texty. Současnou vlajkovou lodí (2026) je GPT-5. ChatGPT, veřejně dostupná aplikace založená na těchto modelech, se stala globálním fenoménem a synonymem pro praktické využití generativní AI. Modely OpenAI jsou přístupné prostřednictvím API (Application Programming Interface) i webového rozhraní ChatGPT.

ChatGPT jsou primárně jazykové generativní modely, mají ale schopnost zpracovávat a vytvářet soubory, jsou schopné generovat grafiku díky propojení s technologií DALL·E od stejné společnosti (6).

 

Google DeepMind –⁠ Gemini

Rodina modelů Gemini (původně označovaná jako Bard) vznikla pod hlavičkou společnosti Google DeepMind jako odpověď na modely GPT od OpenAI. První verze Gemini 1 byla uvedena na přelomu let 2023/2024, přičemž následné generace (Gemini 1.5, Gemini 2 –⁠ 2025) přinesly zásadní posun směrem k integraci s ekosystémem Google.

Modely Gemini kombinují jazykové, obrazové i programovací schopnosti a jsou úzce propojeny se službami Google –⁠ například s vyhledáváním, Workspace (Gmail, Docs, Sheets) a Androidem. Díky tomu umožňují plynulé propojení generativní AI s běžnými nástroji produktivity.

Architektura Gemini staví na principech multimodálního tréninku, což znamená, že modely od počátku zpracovávají text, obraz, zvuk i video jako jednotný datový prostor. To umožňuje například analyzovat grafy, generovat kód z obrázků či interpretovat vizuální instrukce.

 

Anthropic –⁠ Claude

Společnost Anthropic, založená bývalými výzkumníky OpenAI, vyvinula modelovou řadu Claude (od roku 2023). Modely Claude jsou známé důrazem na bezpečnost, interpretovatelnost a „constitutional AI“ –⁠ přístup, který umožňuje řídit chování modelu na základě předem definovaných etických pravidel. Poslední verze Claude 4.5 (2025) patří mezi nejvýkonnější komerční modely a často je srovnávána s GPT-5. Podle velikosti modelu se Claude rozděluje na verze Opus, Sonnet, Haiku.

 

Deepseek

Čínská společnost a stejnojmenná rodina modelů, založená v roce 2023, se zaměřuje na vývoj velkých jazykových modelů (LLM) a technologií obecné umělé inteligence (AGI –⁠ Artificial General Intelligence). Cílem firmy je nabídnout vysoce výkonné a zároveň efektivní modely s nižšími náklady na provoz i trénink ve srovnání se západní konkurencí, jako jsou OpenAI, Anthropic či Google DeepMind.

Modelová řada DeepSeek-V (např. V2, V3, R1) využívá architekturu typu Mixture of Experts (MoE), která umožňuje aktivovat pouze část neuronové sítě při každém výpočtu. Tím se výrazně snižuje výpočetní náročnost bez ztráty výkonu. Například model DeepSeek-V3 má teoreticky až 671 miliard parametrů, přičemž při jednom dotazu pracuje pouze s částí (~37 miliard), což jej činí mimořádně efektivním. Modely jsou multimodální –⁠ podporují text, obrázky i kód, a jsou trénovány na vícejazyčných datech (angličtina, čínština aj.).

Zajímavostí je částečná otevřenost modelů DeepSeek –⁠ některé váhy a technické dokumentace jsou veřejně dostupné na platformách jako Hugging Face nebo GitHub. Společnost tímto přístupem podporuje transparentnost a výzkum, ačkoli jiné části ekosystému zůstávají uzavřené.

Národní úřad pro kybernetickou a informační bezpečnost vydal proti produktům této společnosti v červenci roku 2025 varování. Důvodem je pravděpodobně netransparentní nakládání s údaji poskytovanými uživatelem (7, 8).

 

Způsoby hodnocení výstupu

Oproti konvenčnímu softwaru, tedy produktům, které jsou naprogramovány tak, aby za všech okolností poskytovaly na stejný dotaz uživatele stejnou odpověď bez jakýchkoliv odchylek, mají AI produkty výhodu v mnohem nižších nárocích na zadání od uživatele a ve vysoké kreativitě výstupu. Tato kreativita může být v některých situacích velmi přínosná, nese s sebou ale riziko vzniku halucinací –⁠ AI model uvede překroucenou nebo zcela vyfabulovanou informaci jako fakt. Zejména ve zdravotnictví je toto velké riziko při zavedení technologie do profesionálního prostředí.

Kvalita výstupu se kvantifikuje zvolenou metodou podle očekávaného použítí LLM. Modely, které mají vytvořit kód v programovacím jazyce, lze prověřit zadáním úkolu a následným automatizovaným hodnocením rychlosti vygenerovaného kódu a tím, zda se výsledek shoduje s tím, který byl definován v zadání. U textových generátorů se ujalo hodnocení lidským uživatelem, kdy na zadaný dotaz odpoví několik různých modelů. Uživatel následně hodnotí anonymizované odpovědi podle kvality. Po provedení většího množství takových sad testů a hodnocení lze sestavit žebříček nejúspěšnějších modelů (Tab. 1). Platforma lmarena.ai využívá Elo rating, systém vyvinutý původně pro hodnocení závodních šachistů (9).

 

Za zmínku stojí model glm-4.6 od společnosti Z.ai s Elo ratingem 1422. Jedná se o nejlépe hodnocený model publikovaný pod MIT licencí. Tento model lze tedy svobodně šířit a upravovat i pro komerční účely za podmínky uvedení původního autora.

 

MT-bench

Též Multi-turn Benchmark. Na rozdíl od klasických testů, které hodnotí konkrétní dovednosti jako znalosti, logiku nebo programování, MT-Bench se zaměřuje na reálné konverzační chování modelu –⁠ tedy to, jak se chová v běžné lidské interakci. Benchmark vyvinul tým z UC Berkeley (LMSYS Org) –⁠ stejná skupina, která provozuje známou platformu Chatbot Arena. Test obsahuje sadu konverzačních otázek –⁠ typicky 80 až 100 scénářů pokrývajících různé oblasti. Model odpovídá na více po sobě jdoucích dotazů v rámci jednoho rozhovoru, odpovědi jsou následně hodnoceny pomocí jiného modelu nebo lidskými hodnotiteli. Výsledek je skóre, přičemž vyšší skóre znamená lepší kvalitu a konzistenci odpovědí (10).

 

Základní legislativní rámec v EU

AI act

Artificial Intelligence Act je nařízení Evropské unie, které představuje první komplexní právní rámec pro umělou inteligenci (AI) na světě. Jeho cílem je zajistit bezpečné, transparentní a etické používání AI v rámci EU, aniž by brzdil inovace (11).

Akt o umělé inteligenci kategorizuje AI podle míry rizika, od kterého se odvíjejí i podmínky regulace (Tab. 2) (12).

 

NIS2

NIS2 je zkratka pro Směrnici o bezpečnosti sítí a informací 2 (Network and Information Security Directive 2) a jedná se o klíčový evropský právní předpis (směrnici EU), který má za cíl zásadně posílit kybernetickou bezpečnost v celé Evropské unii.

V České republice se NIS2 implementuje do národního práva prostřednictvím nového zákona o kybernetické bezpečnosti (264/2025 Sb.). Tento zákon neupravuje přímo vývoj AI, má ale zásadní vliv na to, jak budou AI systémy provozovány, zabezpečeny a začleněny do kritických procesů organizací, které spadají do regulace kybernetické bezpečnosti. Podle Národního centra elektronického zdravotnictví u AI, registrované jako zdravotnický prostředek, zodpovídá za bezpečnost produktu jeho výrobce, nikoliv uživatel (13).

 

Praktická ukázka 1 –⁠ jednoduché otázky pro praxi

Stále platí, že výstup umělé inteligence je potřeba ověřovat a kontrolovat chyby. Zvláště ve zdravotnictví je žádoucí, aby její rady kontroloval odborník. U odborných tvrzení je nutné vyžadovat zdroj informací, o který se model opírá. U vzorových otázek, položených modelu GPT4o na otázku „Mohou těhotné ženy užívat doplňky stravy se zinkem?” a „Mohou těhotné ženy užívat doplňky stravy se zinkem? Uveď zdroje pro svá tvrzení.”

Rozšíření promptu o druhou větu, která požaduje uvedení zdrojů, poskytne detailnější odpověď s odkazy. Nejčastěji cituje americkou Office of Dietary Supplements, ale také český Státní zdravotní ústav.. Jednotlivé odpovědi se liší doporučeným dávkovacím rozmezím, vzhledem k povaze technologie nelze vyloučit, že tvrzení AI nebude odpovídat původnímu zdroji, ze kterého cituje.

Praktická ukázka 2 –⁠ zpracování statistických dat

Dostatek informací a jejich kvalitní zpracování je podmínkou úspěšného rozhodování ve většině oblastí, farmacii nevyjímaje. Poskytování zdravotních rad je z důvodů popsaných výše (AI act) poměrně složitou oblastí. Naopak získávání přesných informací ve farmakoekonomice je v současnosti citelně rychlejší a levnější, jak demonstruje následující příklad.

Zadání: Zjistit 10 ATC skupin nejčastěji vydávaných v lékárnách, vyjádřených jako počet balení léčivých přípravků.

Pro tento úkol lze využít informace veřejně poskytované Státním ústavem pro kontrolu léčiv (SÚKL), jmenovitě přehled hlášení lékáren podle nařízení LEK-13 –⁠ v našem případě jde o report za září 2025. Pro řešení použijeme výchozí nastavení všeobecného jazykového modelu GPT-5.

Prompt: Následující CSV soubor používá kódování Windows-1250 a středník jako separátor. Smaž sloupce s názvem Období, Držitel registrace, Země, Nákupní cena bez DPH, Konečná prodejní cena s DPH, Způsob výdeje a Hrazeno. Následně smaž řádky, které mají v prvním sloupci (Typ hlášení) jinou hodnotu než ‘recept’. Následně nahraď desetinné čárky ve sloupci Počet balení na desetinné tečky. Poté sečti sloupce Počet balení u řádků, kde se shodují hodnoty v sloupci ATC7, seřaď řádky sestupně podle Počtu balení a vypiš prvních 10 řádků ve formátu ATC7 | název ATC skupiny podle tebe | Počet balení.

Toto zadání bylo použito, protože většina LLM i programovacích jazyků předpokládá u CSV souborů (comma-separated values, hodnoty oddělené čárkou) jako oddělovač čárku a jako výchozí znakové kódování UTF-8. SÚKL kvůli zavedeným českým konvencím (desetinná čárka místo tečky) používá ve svých souborech jako oddělovač právě středník. Následně zadání ukládá smazat nepotřebná data, která prodlužují běh zpracování. Kvůli již zmíněné desetinné čárce před součtem hodnoty ve sloupci Počet balení konvertujeme na desetinnou tečku. Toto není nezbytně nutný krok, u některých modelů ale jeho přeskočení může vést k chybám při součtu (například přeskočení řádku kvůli neočekávané hodnotě). Pojmenování ATC skupin lze řešit přesněji použitím druhé tabulky obsahující seznam ATC skupin, zde bylo pojmenování ponecháno jazykovému modelu.

Jazykový model na zadání nereagoval přímo procházením souboru a počítáním hodnot, po kontrole struktury tabulky nejdříve vytvořil kód v programovacím jazyce Python a importoval knihovnu funkcí pandas, která slouží ke statistickému zpracování datových souborů. Kód je volně dostupný v úložišti GitHub (14).

Tento přepis uživatelova zadání do programovacího jazyka je žádoucí kvůli zamezení halucinací, typického jevu pro umělou inteligenci. Kód obsahuje i popisky jednotlivých kroků v češtině a neobsahuje zásadní chyby. Pokud bychom chtěli daný kód použít pro výpis hodnot v Python compileru bez použití AI, stačilo by upravit poslední řádek pro okamžitou textovou odpověď.

Takto vygenerovaný kód GPT-5 vložil do interně zabudovaného serveru pro zpracování jazyka Python. Za povšimnutí stojí i to, že kód neobsahuje instrukce k pojmenování ATC skupin, to opět zpracovává umělá inteligence po dokončení Python část procesu. Vše výše uvedené probíhá během několika vteřin a uživateli je poskytnuta následující odpověď (Tab. 3):

Odpovědi poskytnuté AI musí vždy zkontrolovat osoba schopná posoudit jejich správnost!

Uvedený výsledek se shoduje s výsledkem při zpracováním programem MS Excel. Prostřední sloupec je správně s výjimkou poslední skupiny. Uvedené popisy v závorkách v tabulce 3 neodpovídají běžné odborné terminologii. Toto pojmenování je dáno pravděpodobně tím, že použitý jazykový model byl navržen pro běžného uživatele a pro široké spektrum dotazů. Lepšího výsledku lze dosáhnout úpravou promptu nebo vytvořením derivátu tohoto modelu (fine-tuning).

Podobně lze zpracovat i statistiku pro konkrétní léčivé přípravky, namísto počtu balení porovnávat definované denní dávky (DDD) nebo místo obecného souboru za celou republiku použít data jedné lékárny, ordinace lékaře. U citlivých dat však není vhodné odesílat je na externí server tak, jak se to děje u většiny dnešních AI služeb. Řešením může být zpracování AI modelem přímo v počítači uživatele, případně data před odesláním dostatečně anonymizovat.

Totožné zadání bylo zpracováno i modelem Gemini 3 Pro a Claude Sonnet 4.5. Model Gemini vytvořil Python kód, ale neměl ho jak spustit a instruoval uživatele, jak vytvořit prostředí pro Python na svém počítači. Claude Sonnet 4.5 poskytl identické výsledky jako GPT-5, kupodivu i s chybou pojmenování ATC skupiny M01AX17, kterou označil jako etorikoxib namísto nimesulidu.

Praktická ukázka 3

Kromě dobře známých jazykových modelů a výhod, které se s nimi pojí, lze sledovat i posun v technologii známé jako computer vision –⁠ metodě určené pro detekci objektů na obrázcích a videu. Následuje praktická ukázka, využitelná k rychlé kontrole počtu tvrdých tobolek, připravených v IPLP laboratoři.

AI model schopný identifikovat a počítat volně položené tobolky není v době psaní článku (podzim 2025) dostupný. Proto použijeme obecný model pro detekci obrázků od společnosti Ultralytics –⁠ YOLOv8n. Tento model je zdarma dostupný pro nekomerční účely a klade nízké nároky na výpočetní výkon. Řada YOLOv8 má verze seřazené podle výkonu (n, s, m, l, x). S ohledem na to, že potřebujeme identifikovat jen jeden typ objektu na relativně stálém pozadí, použijeme nejmenší a nejrychlejší model ‘n’.

Zvolený model potřebuje konfigurovat pro použití v lékárně. Z toho důvodu byla připravena sada fotografií s kapslemi a jejich následné manuální popsání programem labelImg (Obr. 1).

Tímto způsobem bylo popsáno 16 fotografií pro trénink (resp. fine-tuning) modelu a 2 fotografie pro validaci dat (model na konci tuningu porovná svoje výsledky s výsledkem, vytvořeným člověkem). Pro zlepšení výsledků ale lze použít i tisíce takových souborů, pro validaci se nejčastěji používá zhruba 20 % dat pro ověření.

Následně byl model trénován na klasickém stolním PC s grafickou kartou NVIDIA GeForce GTX 1060 3GB. Použito bylo přednastavené rozlišení 640 pixelů a 100 cyklů (epoch, iterací). Během 5 vteřin PC úlohu ukončilo a poskytlo následující grafický přehled (Obr. 2) o průběhu fine tuningu.

(https://yolov8.org/category/blog/)

box_loss = chyba predikce, hodnota by měla být co nejnižší.

cls_loss = klasifikační chyba → výrazně klesá na začátku → model se rychle naučil třídy.

dfl_loss = model se učí ostřejší a přesnější distribuci kolem správných pozic hran, což je žádoucí trend.

precision –⁠ přesnost má několik propadů –⁠ zastavit trénink zde by byla chyba, později se stabilizuje blízko 1.0, téměř ideální výsledek

recall –⁠ lze přeložit jako citlivost. Ideální hodnota je 1.0. Model po 50. cyklu prakticky nevykazuje falešně pozitivní výsledky (neoznačuje pozadí jako tobolku).

mAP50, mean Average Precision –⁠ hlavní metrika úspěšnosti detekce, která měří, kolik procent detekce má překryv s pravdivými objekty. Zde model vykazuje žádoucí růst.

Detailní informace, týkající se obrázku 2 lze nalézt na internetových stránkách yolov8.org po vyhledání názvu jednotlivých grafů (15).

Nejlepší verze modelu nemusí být ta poslední. Po tréninku je automaticky vytvořen soubor best.pt, který obsahuje model s nejlepším výsledkem při validaci vzorových dat. Následuje obslužný kód v programovacím jazyce Python, který uvede model v život. Program používá knihovnu OpenCV pro propojení kamery a AI modelu a obslužnou knihovnu pro práci s modely společnosti Ultralytics. Kód lze nalézt v adresáři GitHub (14).

Uživatel na obrazovce vidí přenos z kamery s vyznačenými objekty a počítadlem objektů (Obr. 3).

 

 Závěr

Ačkoliv pokrok ve vývoji tzv. umělé inteligence poskytuje stále nové možnosti využití v praxi, uživatel musí znát princip této technologie, její slabé a silné stránky tak, aby její potenciál využil naplno. Umělá inteligence tak, jak ji známe dnes, nedokáže nahradit zkušeného odborníka, může se ale stát užitečným nástrojem ve většině lidských činností včetně farmacie.