Autoregresivní jazykový model zpracovává text jako posloupnost číselně reprezentovaných tokenů a při tvorbě odpovědi odhaduje její další pokračování. Vyhledání stránky, vytažení textu a výběr zdrojů ale obvykle zajišťují další části aplikace. Když se řekne „AI čte web“, směšuje se tak několik odlišných kroků. Pro editora je důležité vědět, ve kterém z nich může vzniknout chyba.
Není potřeba psát jako programátor ani z každé stránky udělat slovník. Potřebujete zpřístupnit podstatné informace, pojmenovat jejich předmět a udržet podmínky u tvrzení, ke kterému patří. Žádná z těchto úprav sama o sobě nezaručuje, že váš web někdo vybere jako zdroj.
Samotný model není vyhledávač ani prohlížeč
Pod názvem AI může uživatel vidět obyčejné chatovací rozhraní, nástroj s webovým vyhledáváním nebo agenta, který postupně pracuje s několika aplikacemi. To, že všechny odpovídají přirozeným jazykem, neznamená, že získávají podklady stejně.
Pro jednoduchou orientaci oddělte tři činnosti. Vyhledávací část najde možné zdroje. Zpracování stránky z nich získá použitelný obsah. Model pak pracuje s tím, co skutečně dostal do vstupu, a vytváří odpověď. Konkrétní produkt může jednotlivé kroky opakovat, některé vynechat nebo doplnit další nástroje.
Google například u AI Overviews a AI Mode popisuje možnost několika souvisejících hledání, nikoli pevný počet dotazů či jednotnou cestu pro každou odpověď. Této části se věnuje samostatný článek o query fan-out. Zde zůstaňme u toho, co se děje s textem a jaké redakční chyby ztěžují jeho správné použití.
Nejdřív musí aplikace získat skutečný text
To, co člověk vidí na monitoru, nemusí být totéž, co konkrétní nástroj získá ze stránky. Jedna aplikace načte HTML a odstraní navigaci. Jiná použije prohlížeč, další pracuje s dříve vytvořeným indexem nebo jen s vráceným úryvkem. Záleží na způsobu přístupu, nikoli na jedné univerzální schopnosti „AI robotů“.
Podstatnou odpověď proto neschovávejte pouze do obrázku, jehož text nikde jinde není. U ceníku nestačí, že je čitelný na screenshotu. Čtenář i zpracovávající nástroj potřebují rozpoznat službu, cenu, jednotku a podmínku. U tabulky zachovejte vztah mezi záhlavím a hodnotami.
Dokumentace Googlu k AI funkcím doporučuje mít důležitý obsah dostupný v textové podobě. Současně připomíná dostupnost pro procházení a interní odkazy. Z toho nelze udělat závěr, že každé PDF, rozbalovací prvek nebo JavaScript automaticky znemožňuje použití obsahu. Ověřujte konkrétní stránku a konkrétní cestu načtení, ne nálepku technologie.
Token není slovo a tokenizace ještě není porozumění
Token je jednotka, na kterou tokenizer rozdělí vstup. Může odpovídat slovu, části slova, interpunkci nebo jiné části zápisu. Jednotkám pak přiřadí identifikátory ze slovníku. Dokumentace Hugging Face ukazuje různé způsoby tokenizace, včetně dělení na části slov.
Nemá proto smysl pro český článek převzít anglický orientační přepočet slov na tokeny jako přesné pravidlo. Záleží na tokenizeru i konkrétním textu. Bez zvoleného modelu a skutečného výpočtu nelze uvádět přesný počet tokenů vaší věty.
Samotné rozdělení na tokeny neověří, zda je tvrzení pravdivé nebo zda patří ke správnému produktu. Je to příprava číselného vstupu. Teprve další vrstvy modelu s reprezentacemi vstupu pracují v kontextu. Pokud uvedete špatné datum, tokenizace z něj správné datum neudělá.
Kontext a attention propojují části sdělení
Tokeny model dále převádí na vektorové reprezentace, tedy soubory čísel používané při výpočtu. V transformerových modelech pomáhá mechanismus attention zapojit vztahy mezi dostupnými pozicemi vstupu. Při zpracování určité části textu se tak může uplatnit jiná část, která je důležitá pro význam nebo gramatickou vazbu. Přístupné pozice přitom závisejí na architektuře a použitém maskování.
Výklad transformerů od Hugging Face tento princip vysvětluje na překladu: správná podoba slova může záviset na souvisejícím slově jinde ve větě. Pro českého editora je praktický důsledek prostý. „Je dostupný také v této variantě“ není dostatečně určitá věta, pokud z okolí není jasné, který produkt a kterou variantu myslíte.
Nepředstavujte si ale attention jako barevnou fixu, kterou model podtrhne nadpis a tím rozhodne o důvěryhodnosti stránky. Jde o součást výpočtu uvnitř modelu, nikoli o veřejné SEO skóre. Známost tohoto mechanismu neposkytuje návod, kolikrát zopakovat značku nebo jak editací jedné věty aktivovat konkrétní neuron.
Podobně rozlišujte vektorovou reprezentaci uvnitř modelu a embedding dokumentu určený pro vyhledávání. Obojí pracuje s čísly, ale nejde o zaměnitelné operace. Skóre podobnosti dvou dokumentů není úplný popis toho, jak model vytvoří další větu.
Next-token prediction: jak vzniká odpověď
U autoregresivního jazykového modelu vzniká text postupným odhadováním dalšího tokenu. Model z dostupného kontextu vypočítá rozdělení pravděpodobností možných pokračování. Způsob výběru pak závisí na nastavení generování; nemusí vždy jít o token s nejvyšší pravděpodobností. Vybraný token se přidá k dosavadnímu textu a proces pokračuje.
Oficiální příručka Hugging Face pro causal language modeling popisuje predikci následujícího tokenu i omezení na předcházející pozice. Výklad se týká tohoto typu jazykového modelování. Není to tvrzení, že každá AI architektura řeší všechny úlohy stejným způsobem.
Názornou ukázku přináší také komunitní článek Alonsa Silvy Allendeho na starším GPT-2. Na pokračování číselné řady ukazuje, jak se další token připojuje zpět do vstupu. Hodnoty z této ukázky ale nejsou pravděpodobnosti současných komerčních modelů ani důkaz přesnosti jejich odpovědí.
Proč má tak základní mechanismus zajímat marketéra? Protože pravděpodobnost pokračování není pravděpodobnost pravdivosti. Název studie, datum i odkaz mohou vypadat jako běžná součást odborné odpovědi, a přesto být chybné. Plynulost věty není ověření jejího obsahu.
Stejně tak poučka o předpovídání tokenů neznamená, že jde jen o prosté doplňování několika nejbližších slov bez širších vztahů. Model pracuje s naučenými reprezentacemi a kontextem. Pro posouzení konkrétního výsledku ale pořád potřebujete zdroj, výpočet či jinou odpovídající kontrolu, nikoli dojem přesvědčivosti.
Trénování, pracovní kontext a dohledání zdroje jsou jiné věci
Při trénování se mění parametry modelu. Při běžném zpracování dotazu může aplikace dodat modelu instrukce, část konverzace a nalezené podklady do pracovního kontextu. Tyto podklady ovlivní odpověď, aniž by jejich samotné vložení bylo novým trénováním modelu.
Když asistent načte vaši stránku a správně ji shrne, prokazuje to použití v daném úkolu. Neprokazuje to, že si informaci natrvalo osvojil, že ji dostanou jiní uživatelé nebo že se dostala do nové verze modelu. Nakládání s daty pro případné pozdější trénování je samostatná otázka podmínek poskytovatele.
Pracovní kontext má navíc omezenou kapacitu. Aplikace musí rozhodnout, co do něj vloží a co vynechá. Vyhledávací systémy proto mohou rozdělovat dokumenty na menší pasáže, kterým se říká chunky. Chunk není token. Je to úsek obsahu zvolený při zpracování dokumentu; může obsahovat mnoho tokenů a jeho hranice nemusí odpovídat vašemu odstavci.
Microsoft u RAG v Azure AI Search popisuje přípravu a výběr relevantních částí dokumentů právě s ohledem na omezený vstup modelu. To je konkrétní popis vyhledávací vrstvy. Neznamená to, že každý veřejný AI produkt dělí všechny weby stejným algoritmem.
Modelová úprava: udržte nabídku a podmínku pohromadě
Fiktivní firma vysvětluje rozsah podpory svého softwaru. Následující ukázka není skutečná nabídka ani zkušenost z klientského projektu. V původním zápisu stojí:
U vyššího balíčku je to v ceně. Standardně je služba dostupná v pracovní dny. U základního řešení se objednává zvlášť.
V celém layoutu může návštěvník podle sousední karty pochopit, o co jde. Po vyjmutí odstavce však není jasné, co je „to“, která služba se objednává zvlášť a ke kterému produktu patří balíček. Redakční úprava může znít:
Technická podpora softwaru Alfa je součástí balíčku Pro. U balíčku Základ se technická podpora objednává samostatně. Podpora je standardně dostupná v pracovní dny.
Úprava doplnila výslovný předmět a názvy modelových balíčků. Nevymyslela ale provozní hodiny, reakční dobu ani dostupnost o svátcích. Tyto údaje by bylo nutné ověřit s vlastníkem nabídky. Přesná věta není oprávnění doplnit chybějící obchodní podmínku.
Podobně pracujte s čísly, srovnáním a návody. U hodnoty držte jednotku a období. U doporučení podmínku, kdy platí. U srovnání označte obě varianty. U návodu vysvětlete, na jakém systému a ve které situaci postup funguje. Pak lze pasáž správně použít i bez čtení celé stránky.
Z mechaniky modelu neodvozujte univerzální SEO recept
Je rozumné odstranit nejasné odkazy, dát sekcím popisné nadpisy a neoddělit výjimku od pravidla. Není rozumné kvůli tomu mazat potřebné výhrady, cpát do každého odstavce značku nebo rozřezat argumentaci na povinné bloky stejné délky.
Microsoft ve svém doporučení pro obsah v AI vyhledávání zdůrazňuje přehlednou strukturu a srozumitelné, samostatně použitelné části. Takové doporučení lze využít jako redakční vodítko. Není to úplná specifikace algoritmu a už vůbec ne pravidlo pro každou jinou platformu.
Google pro své AI funkce výslovně uvádí, že není potřeba zvláštní AI soubor ani speciální schema.org značkování. Pořád tak platí rozdíl mezi tím, co usnadňuje správné přečtení, a tím, co zaručuje výběr výsledku. To druhé vám úprava stylu neslíbí.
Začněte jedním důležitým výňatkem. Vyjměte jej z layoutu a nechte kolegu určit, o čem mluví, pro koho platí a kde má hranice. Pak porovnejte výsledek se skutečnou nabídkou. Pokud při tvorbě textu používáte AI, navažte postupem od podkladů ke kontrolovanému AI obsahu. Mechaniku modelu využijte k lepšímu zadání a ověření, ne jako náhradu odborného úsudku.
Chcete, aby vaše texty dávaly smysl i mimo původní stránku?
Můžu s vámi projít důležité pasáže webu a zadání pro jejich úpravu: co musí být výslovně řečeno, které podmínky zachovat a jak text zkontrolovat. Napište mi, které texty nebo AI workflow řešíte. Společně vybereme vhodný rozsah konzultace.









