TutorMoments: Do AI tutors know when to help and when to hold back?

Nejchytřejší AI vám neporadí hned. A přesně proto ušetříte víc na elektřině

Zkuste se zeptat ChatGPT na cokoliv ze střední školy a do pěti vteřin máte hotové řešení, krok za krokem, s vysvětlením. Zní to jako sen každého studenta. Jenže výzkumníci z projektu TutorMoments zjistili nepříjemnou věc: čím rychleji AI poradí, tím hůř se student učí. Model, který okamžitě vysype odpověď, produkuje studenty, kteří sice mají hotové domácí úkoly, ale u písemky selžou. A tohle zjištění má mnohem širší dosah, než by se na první pohled zdálo – týká se totiž i toho, jak se vám AI asistent chová k baterii ve sklepě nebo k rozhodnutí, jestli dnes v poledne prodat elektřinu na burze, nebo ji radši nechat na zítřek.

Co jsou vlastně TutorMoments

Projekt TutorMoments (vychází z výzkumu na pomezí kognitivní vědy a strojového učení, podobně jako práce týmů kolem Khan Academy nebo Google DeepMind na téma AI tutoring) se snaží natrénovat modely, aby rozpoznaly konkrétní okamžik v interakci se studentem – takzvaný "teachable moment". Ne každá otázka studenta znamená "potřebuje pomoc hned teď". Někdy student jen testuje hranice, někdy je frustrovaný a potřebuje povzbudit, ne nakrmit hotovým řešením, a někdy je opravdu zaseknutý a bez nápovědy se nikam neposune.

Klasický LLM tohle nerozlišuje. Dostane prompt, vyplivne odpověď. TutorMoments trénuje model s dodatečnou vrstvou – klasifikátorem, který nejdřív odhadne, jestli je tohle chvíle na nápovědu, na otázku zpět ("co sis zatím zkusil?"), nebo na úplné ticho. Až pak se rozhodne, jak zareagovat. Technicky jde o kombinaci reinforcement learning z lidské zpětné vazby (RLHF) s dodatečným signálem o dlouhodobém výsledku studenta – tedy ne "líbila se odpověď", ale "naučil se student víc, když AI mlčela, nebo když poradila".

Tohle je zásadní posun od většiny dnešních AI produktů, které jsou optimalizované na okamžitou spokojenost uživatele. Spokojený uživatel ale není totéž co uživatel, kterému to pomohlo dlouhodobě.

Proč to samé dilema řeší energetika

Přesně tenhle problém teď řeší i firmy stavějící AI asistenty pro fotovoltaiku a řízení spotřeby. Máte doma baterku, střídač umí komunikovat přes Modbus, a AI má k dispozici predikci spotových cen z OTE na zítřek. Otázka zní: má AI sama rozhodnout "teď nabít, teď vybít, teď prodat", nebo má jen upozornit člověka a nechat rozhodnutí na něm?

Zní to jako čistě technický detail, ale je to přesně ten samý teachable moment problém. Automat, který za vás rozhoduje pořád, vás odnaučí rozumět vlastní spotřebě. Za dva roky nevíte, proč vám baterka v úterý večer nenabíjela, protože jste to nikdy neřešili – řešil to algoritmus. A když se jednou pokazí (a věřte, že se pokazí – ověřili jsme si to naživo na SolarEdge SE10K, kde nesprávná kombinace registrů Cmd a Force dokázala z "maximalizace exportu" udělat tiché nabíjení z fotovoltaiky namísto vybíjení do sítě), nemáte ponětí, jak zasáhnout.

Na druhou stranu AI, která se vás na všechno ptá a nic sama neudělá, je k ničemu. Nikdo nebude v 23:47 sedět u telefonu a schvalovat, jestli se má baterka vybít, protože spotová cena právě vyskočila na 6,80 Kč/kWh. To je přesně ten typ rozhodnutí, kde má algoritmus jednat okamžitě a člověka informovat až následně.

Rozdíl mezi dobrým a špatným AI poradcem tedy není v tom, kolik toho umí. Je v tom, jestli pozná rozdíl mezi "tohle je bezpečná automatizace" a "tohle je rozhodnutí, které má zůstat na majiteli".

Spotové ceny jako laboratoř pro AI rozhodování

Trh s elektřinou je ideální prostředí pro testování tohohle principu, protože je extrémně volatilní a data jsou veřejná. Denní trh OTE běžně ukazuje rozpětí i přes 3 Kč/kWh během jednoho dne – ranní špička, poledne se solárním přebytkem téměř za nula nebo do záporu, večerní špička znovu nahoru. V létě 2026 se ceny v poledních hodinách kvůli přebytku fotovoltaiky opakovaně propadají k nule nebo pod ni, zatímco večer mezi 18. a 20. hodinou umí vyskočit na trojnásobek průměru.

Domácnost s baterkou a chytrým řízením na tomhle dokáže vydělat nebo ušetřit řádově tisíce korun měsíčně, pokud se rozhoduje správně a včas. Jenže "správně a včas" je přesně ten typ úkolu, kde AI musí umět odlišit rutinní, opakovanou situaci (nabít v poledne, vybít večer – to klidně dělejte automaticky) od výjimečné situace, kde je lepší nechat rozhodnutí na člověku nebo aspoň na energetickém poradci, který zná kontext – třeba že za dva dny jede rodina na dovolenou a spotřeba bude jiná, nebo že ERÚ zrovna mění pravidla pro sdílení elektřiny.

Přesně proto dává smysl kombinovat automatizaci s lidským dohledem – ne nahradit poradce, ale dát mu nástroj, který ho upozorní na anomálie. Pokud řešíte, jak nastavit vlastní strategii kolem spotových cen, aktuální data najdete na stránce spotová cena elektřiny na denním trhu na platformě SmartEnergyShare, a pokud chcete probrat konkrétní nastavení s člověkem, funguje tam i energetické poradenství.

Jak si postavit vlastního AI poradce – nástroje, ceny, hardware

Dobrá zpráva: nepotřebujete OpenAI účet a měsíční útratu za API. Otevřené modely dneska zvládnou rozumnou klasifikační úlohu ("je tohle bezpečná automatizace, nebo má rozhodnout člověk?") lokálně, bez posílání dat kamkoliv ven.

Nejjednodušší start je Ollama (ollama.com) – nainstalujete jedním příkazem, stáhnete model jako Llama 3.1 8B nebo Mistral 7B a máte lokální inferenci na běžném PC s 16 GB RAM. Na klasifikaci typu "nabít / počkat / zeptat se člověka" vám bohatě stačí i menší model kolem 3–7 miliard parametrů, běží to i na Raspberry Pi 5 s 8 GB RAM, i když pomaleji.

Pokud chcete model doladit na vlastní data – historii vašich rozhodnutí, spotové ceny, chování baterky – použijete LoRA (Low-Rank Adaptation). Místo přetrénování celého modelu (drahé, potřebuje GPU s desítkami GB VRAM) doladíte jen malou vrstvu parametrů. Na fine-tuning menšího modelu vám stačí jedna RTX 4090 (cena kolem 40 000 Kč) nebo pronájem GPU na Vast.ai za pár korun na hodinu. Datasety a předtrénované modely najdete na HuggingFace – je to prakticky GitHub pro AI modely, stovky tisíc open-source variant zdarma ke stažení.

Celkový náklad na domácí AI poradce, který běží 24/7, hlídá spotové ceny a rozhoduje o baterce: jednorázově 3 000–15 000 Kč za mini PC nebo Raspberry Pi s dostatkem RAM, žádné měsíční poplatky, protože inference běží lokálně. Srovnejte to s cloudovým řešením přes API, kde vás desítky rozhodnutí denně mohou při použití dražších modelů stát stovky korun měsíčně.

Rizika, o kterých se nemluví

Není to zadarmo bez rizika. Lokální model bez dohledu umí udělat chybu, která se cloudovým, pravidelně aktualizovaným systémům nestává tak často – třeba si "vymyslet" hodnotu spotové ceny, když mu selže API spojení s OTE, a rozhodnout se na základě halucinace. Proto je nutné mít fallback: pokud model nemá čerstvá data, má se defaultně chovat konzervativně, ne hádat.

Druhé riziko je přeučení na vlastní historii. Pokud AI trénujete jen na svých datech z posledního roku, naučí se vzorce, které příští rok neplatí – třeba proto, že se změní tarifní struktura nebo pravidla ERÚ pro sdílení elektřiny mezi odběrateli. Model pak jedná sebejistě, ale na základě zastaralé mapy světa.

A třetí, nejméně diskutované riziko: černá skříňka. I malý lokální model je pro běžného uživatele neprůhledný. Když se rozhodne špatně, těžko zjistíte proč. Řešení není "nepoužívat AI", ale stavět systémy s logováním každého rozhodnutí a důvodu – přesně jako to řeší TutorMoments u studentů, kde se loguje nejen odpověď, ale i důvod, proč model zvolil zrovna tenhle typ intervence.

Co s tím prakticky teď

Pokud provozujete FVE a přemýšlíte nad automatizací, nezačínejte tím, že necháte AI rozhodovat o všem. Začněte tam, kde je chyba levná – třeba u doporučení, kdy nabíjet baterku, ne u finálního příkazu, který jde rovnou do střídače. Sledujte pár týdnů, jestli se doporučení shodují s tím, co byste udělali sami. Až pak přidávejte automatizaci na opakující se, nízkorizikové situace.

Chcete-li to řešit systémověji, než jen s vlastním Raspberry Pi v garáži, dává smysl mrknout, jak funguje sdílení elektřiny a jak nastavit pro výrobce FVE vlastní strategii prodeje přebytků. Podobným směrem – kombinace komunitní energetiky a chytré automatizace – se ubírají i weby sdilenienergie.info a sdilenielektriny.com, stojí za přečtení jako doplněk k tomuhle tématu.

Do dvou let čekám, že se z "AI, co vám poradí" stane standard "AI, co ví, kdy má mlčet" – nejen u tutorů, ale u každého AI asistenta, který se dotýká peněz. Firmy, které tohle nepochopí a budou stavět asistenty optimalizované na okamžitou spokojenost místo dlouhodobého výsledku, skončí stejně jako přehnaně ochotný tutor: uživatel bude spokojený týden a pak zjistí, že se vlastně nic nenaučil a jeho baterka dělá, co chce.

Zdroje

Obchodujete s batteriovými úložišti nebo hledáte partnera pro flexibilitu a day trading elektřiny? SmartEnergyShare nabízí kompletní řešení pro BESS projekty od 50 do 250 kW — obchodování flexibility, SVR služby a IoT monitoring. Zjistěte víc →

Další články na toto téma najdete na: ElectricShare.cz Francouzská lekce z flexibility: Proč RTE utahuje šrouby? Vice o spotová cena