Katedra informačního inženýrství Provozně ekonomické fakulty ČZU sleduje a odborně doprovází nasazení modelu JEV u e-shopu Mironet.cz. Jde o jeden z prvních případů, kdy se v Evropě dostává do komerčního provozu model, který záměrně nepíše text. Pro veřejnost je to příležitost porozumět tomu, proč se část výzkumu umělé inteligence vrací od generování jazyka k dobře změřené nejistotě.
Model, který neodpovídá větami
Velké jazykové modely jako ChatGPT, Gemini nebo Claude tvoří odpověď slovo po slovu — každý krok musí počkat na předchozí. Je to univerzální, ale pro některé úlohy zbytečně drahé a pomalé.
Model JEV, který 15. září 2026 uvedla americká společnost TypeSafe AI, jde jinou cestou. Nedostanete z něj větu, ale odpověď na přesně položenou otázku: vyber jednu z možností, ohodnoť na škále, odpověz ano/ne. A ke každé odpovědi rozdělení pravděpodobností — nejen „tento produkt patří mezi notebooky", ale i „na 92 %". Všechny položené otázky navíc vyhodnotí naráz, v jediném průchodu. Odtud odezva v desetinách sekundy a výrazně nižší cena: protože model negeneruje text, výstupní tokeny — u běžných modelů ta dražší polovina účtu — vůbec nevznikají.
Název je poctou ekonomovi Williamu Stanleymu Jevonsovi a jeho paradoxu, podle nějž zlevnění zdroje nevede k úspoře, ale k intenzivnějšímu využívání.
Proč je to vědecky zajímavé — a v čem naopak novinka není
Je lákavé číst JEV jako „zcela nový druh AI". Přesnější je, že jde o neobvykle dobře zabalenou kombinaci věcí, které věda zná desítky let. Kořeny sahají k rozhodování s možností odmítnout odpověď — teoretický základ položil C. K. Chow už v roce 1970, na neuronové sítě jej přenesli Geifman a El-Yaniv v roce 2017. Systém nemusí odpovídat vždy: když si není dost jistý, má právo mlčet a předat případ člověku.
Druhým pilířem je kalibrace pravděpodobností. Model je kalibrovaný, když jeho čísla znamenají to, co říkají: prohlásí-li tisíckrát „na 90 %", mělo by se to zhruba v devíti stech případů potvrdit. Běžné jazykové modely tuto vlastnost nemají, a mají k tomu systémový důvod: trénují se na lidské zpětné vazbě a lidem se líbí odpovědi, které znějí sebejistě. Tréninkový tlak tak odměňuje sebevědomí a trestá přiznanou nejistotu — že doladění na lidské preference kalibraci zhoršuje, doložila i technická zpráva k modelu GPT-4.
Firma uvádí, že JEV trénovala metodou RLCD, která místo lidských preferencí optimalizuje přímo kvalitu odhadu pravděpodobnosti. Vědecký článek popisující RLCD ale zatím nevyšel a firma nezveřejnila ani účelovou funkci, ani zdrojový kód — nezávisle zopakovat se to tedy nedá.
Čísla: kdo co naměřil
Veřejně se pohybují tři sady čísel a znamenají různé věci.
| Zdroj | Zrychlení | Zlevnění | Poznámka |
| TypeSafe AI (vlastní testy) | 193,6× | 444,6× | Vlastní úlohy, referencí shoda dvou jiných modelů, nesprávná odpověď. Firma sama píše, že jde o hodnoty „na horní hranici reálných přínosů". |
| Mironet (vlastní provoz) | 19× (32,4 › 1,7 s) | 343× | Měřeno na vlastní úloze kategorizace, proti předchozímu řešení. |
| Nezávislé srovnání (JevBench) | — | ~6× na 1 000 rozhodnutí | Proti běžnému rychlému modelu; skladba úloh je volbou autorů. |
Že je Mironetem naměřené zrychlení desetkrát nižší než dodavatelova hlavička, není rozpor, ale normální stav: Laboratorní test se optimalizuje na rozdíl, reálný provoz zahrnuje i vše ostatní. Řádové zlepšení z marketingového materiálu se v praxi obvykle scvrkne — a přesto může být významné. Bez výhrad ověřitelný zůstává ceník: 0,042 USD za milion vstupních tokenů, výstup zdarma.
Jedno nedorozumění, které stojí za to vyjasnit
O modelech tohoto typu se často píše, že „nemohou halucinovat". Platí to jen napůl, a ten rozdíl je v praxi zásadní.
Model si nemůže vymyslet kategorii, která neexistuje — vybírá jen z toho, co mu zadáte. To je spolehlivost formy. Nic mu ale nebrání s naprostou jistotou zařadit produkt do existující, jen úplně špatné kategorie. Chyba se přesouvá z formy do obsahu, kde je hůř vidět, protože výstup vypadá bezvadně.
Nezávislá měření z prvního týdne po uvedení to potvrzují a přidávají tři varování: kvalita kalibrace se liší úlohu od úlohy, model se nezdrží odpovědi, pokud mu možnost „nevím" nenabídnete, a přesnost citelně závisí na formulaci otázky. Jde o rychlé komunitní testy, ne o recenzované studie — ta o modelu JEV zatím neexistuje.
Nejvíc řekne jeden test, který obě strany postavil vedle sebe. Na úloze „patří tento text do této kategorie?" model prošel všemi šesti předem stanovenými kritérii. Na úloze odstupňované relevance produktu vůči vyhledávacímu dotazu — tedy na jádru vyhledávání v e-shopu — neprošel u čtyř ze šesti: chyba kalibrace vystoupala na 0,24, model byl přesvědčený o sobě ve všech pásmech jistoty a naprostou většinu dvojic nacpal do jediné odpovědi.
Stojí za to číst to přesně. Není to nález proti tomu, co nasadil Mironet. Kategorizace zboží je právě ta první úloha — zařazení do kategorie —, kde model uspěl. Odstupňovaná relevance je úloha podstatně těžší a model na ni podle dostupných měření zatím nestačí. Pro e-shop z toho plyne užitečné vodítko: jednoduchá a ohraničená rozhodnutí ano, jemné odstupňování zatím ne. Měření z ostrého provozu, která to potvrdí nebo vyvrátí, teprve vzniknou.
Souvisí s tím riziko, o kterém se mluví méně: jednoprocentní chybovost v popisu produktu je nepříjemnost, táž chybovost v rozhodnutí, které se během sekund promítne do desetitisíců položek, je provozní incident.
Kde to naopak pomáhá evropské regulaci
Akt EU o umělé inteligenci vyžaduje u rizikových aplikací lidský dohled, a model vracející holé číslo se jeví jako krok špatným směrem. Kalibrovaná jistota ale nabízí něco, co volný text ne: jasný, auditovatelný práh. Organizace může stanovit, že pod určitou mírou jistoty systém nesmí rozhodnout sám a případ putuje člověku — a to se dá zapsat do směrnice, doložit logem a zkontrolovat. Dobře změřená nejistota je pro dohled použitelnější než výřečné, ale nezávazné odůvodnění.
Role katedry informačního inženýrství ČZU
Katedra informačního inženýrství Provozně ekonomické fakulty ČZU a její iniciativa AI BRIDGE dlouhodobě spolupracují s praxí v rámci Technologické platformy IT People, která propojuje technologické firmy s akademickými pracovišti. Vedle ČZU se na spolupráci podílejí katedra datové analytiky Fakulty managementu VŠE a katedra informatiky Přírodovědecké fakulty UJEP; aplikačním partnerem je v tomto případě e-shop Mironet.cz, který uvádí, že jde o první komerční nasazení modelu v Evropě.
Úloha katedry je záměrně skromnější: sledovat, měřit a zasadit do kontextu — tedy ověřit to, co si firma sama neověří, protože k tomu nemá důvod. Jak se kalibrace chová mimo laboratoř, o Vánocích nebo při rozšíření sortimentu. Jak nastavit prahy jistoty, aby lidský dohled nebyl formalita. A jak si model vede v češtině: dosavadní měření naznačují, že u neanglických jazyků přesnost klesá, což je pro český e-shop otázka zcela praktická.
Takové nasazení je cenné právě proto, že je skutečné; provozní data se nedají nahradit simulací. Zároveň platí, že z jednoho nasazení se nedělají obecné závěry — a to je práce, kterou má akademické pracoviště odvést dřív, než se z prvního dojmu stane sdílená pravda.
Zdroje
- Chow, C. K.: *On optimum recognition error and reject tradeoff.* IEEE Transactions on Information Theory 16(1), 1970.
- Geifman, Y., El-Yaniv, R.: *Selective Classification for Deep Neural Networks.* NeurIPS 2017, arXiv:1705.08500.
- Guo, C., Pleiss, G., Sun, Y., Weinberger, K.: *On Calibration of Modern Neural Networks.* ICML 2017, arXiv:1706.04599.
- Brier, G. W. (1950); Gneiting, T., Raftery, A. E.: *Strictly proper scoring rules, prediction, and estimation.* JASA 102(477), 2007.
- Ovadia, Y. a kol.: *Can You Trust Your Model's Uncertainty?* NeurIPS 2019, arXiv:1906.02530.
- Ouyang, L. a kol.: *Training language models to follow instructions with human feedback.* NeurIPS 2022, arXiv:2203.02155.
- TypeSafe AI: dokumentace a vlastní srovnávací testy, `typesafe.ai`, `evals.typesafe.ai`.
- Komunitní nezávislé testy modelu JEV z 20.–21. září 2026: jev-orderby-bench (předem registrovaná kritéria; 20 Newsgroups, 360 položek; Amazon ESCI, 306 lidmi ohodnocených dvojic dotaz–produkt ve 30 obtížných dotazech), Benchmark Heaven JevBench v1.3.0, PriorBench, kalibrační audity.
- Mironet.cz: tisková zpráva k nasazení modelu JEV.
Katedra informačního inženýrství, Provozně ekonomická fakulta, Česká zemědělská univerzita v Praze