Klíčové koncepty generativní AI
Na této stránce
- Zvládnutí základní slovní zásoby
- RAG – Generování rozšířené o vyhledávání
- Vektory (Embeddings) – Číselné reprezentace
- Jemné ladění (Fine-tuning) – Přizpůsobení na míru
- Teplota – Posuvník kreativity
- Halucinace – Když si model vymýšlí
- Ukotvení (Grounding) – Zakotvení v realitě
- Prompt – Instrukce pro model
- Klíčové poznatky
Aktualizováno 2. listopadu 2026 — Le Chat se stává Vibe. Od 28. května 2026 je Le Chat nyní Vibe (stále na adrese chat.mistral.ai): jediný agent pro práci i kód, který přenáší vaše konverzace, nastavení a předplatná. Původní prostředí Le Chat zůstává dostupné v režimu Chat; v režimu Work se agenti stali dovednostmi (vyvolávanými pomocí
@), paměť se změnila na znalostní bázi a hluboké vyhledávání se stalo dovedností Deep Research. Plány se nyní nazývají Mistral Free, Pro, Team a Enterprise. Tato lekce nyní používá název Vibe; některá zde popsaná menu mohla změnit název nebo umístění.
Zvládnutí základní slovní zásoby
Existuje několik termínů, na které narazíš na každé schůzce, v každé dokumentaci a v každé diskusi s technickým týmem o generativní AI: RAG, vektory (embeddings), jemné ladění (fine-tuning), teplota, halucinace, ukotvení (grounding). Tato lekce je vysvětluje jeden po druhém, nikoliv jako definice ze slovníku, ale jako nástroje, které budeš umět použít v reálné konverzaci. Když ti dodavatel navrhne „RAG chatbota s vektory Mistral“, budeš přesně vědět, co ti prodává – a jaké otázky mu položit.
RAG – Generování rozšířené o vyhledávání
RAG (retrieval-augmented generation) je jednou z nejrozšířenějších technik pro zlepšení kvality odpovědí velkých jazykových modelů (LLM). Princip vychází z jednoduchého pozorování: místo spoléhání se pouze na interní znalosti modelu mu v okamžiku dotazu poskytnete relevantní informace extrahované z externí databáze.
Mechanismus probíhá ve čtyřech krocích:
- Uživatel položí otázku
- Vyhledávací systém identifikuje relevantní dokumenty ve znalostní bázi
- Tyto dokumenty jsou vloženy do kontextu modelu
- Model vygeneruje svou odpověď na základě těchto čerstvých informací
Proč je to tak důležité? Protože RAG řeší zásadní problém LLM: jejich znalosti jsou zmrazené k datu jejich tréninku. Model vytrénovaný minulý rok nic neví o vašem novém katalogu produktů, reorganizaci vašeho oddělení nebo nařízeních vydaných minulý měsíc. Díky RAG může odpovídat na otázky týkající se nedávných událostí, dat interních pro vaši společnost nebo dokumentů, které mu poskytnete. Představ si personální oddělení, které každý týden dostává stejné otázky ohledně kolektivní smlouvy: asistent poháněný RAG, připojený k firemním smlouvám, odpoví citací správného článku, místo aby improvizoval z paměti. Toto je technika, která pohání webové vyhledávání ve Vibe a většinu firemních chatbotů.
Vektory (Embeddings) – Číselné reprezentace
Vektory (embeddings) jsou číselné reprezentace textu ve formě vektorů, tedy seznamů čísel. Každé slovo, věta nebo dokument je transformován na bod ve vysokorozměrném matematickém prostoru. Klíčová myšlenka se vejde do jedné věty: dva sémanticky blízké texty budou mít vektory, které jsou si v tomto prostoru blízké. „Pes“ a „canine“ budou sousedy; „pes“ a „tabulka“ budou velmi daleko od sebe, přestože žádný z těchto párů nesdílí významná společná písmena.
Tato vlastnost mění vše pro vyhledávání informací. Tradiční vyhledávání podle klíčových slov nenajde dokument o „dohodě o rozvázání pracovního poměru“, pokud hledáš „přátelské ukončení smlouvy“; sémantické vyhledávání pomocí vektorů ano, protože obě formulace směřují do stejné oblasti vektorového prostoru. Kromě vyhledávání se vektory používají k automatické klasifikaci textů podle tématu, detekci duplicit nebo podobného obsahu a – jak jsme viděli v předchozí lekci této sekce – k výběru relevantních dokumentů v pipeline RAG. Mistral nabízí specializované modely pro tvorbu vektorů, Mistral Embed a Codestral Embed, které transformují tvůj text na použitelné vektory.
Jemné ladění (Fine-tuning) – Přizpůsobení na míru
Jemné ladění (fine-tuning) spočívá v pokračování tréninku předtrénovaného modelu s vašimi vlastními daty, aby se přizpůsobil konkrétní potřebě. Nejpřesnějším obrazem je praktický lékař vyškolený na specialistu: obecné znalosti již existují, přidáváte cílenou expertízu.
K tomuto kroku se uchyluješ v několika situacích. Značka, která chce, aby všechny její odpovědi zákazníkům dodržovaly specifický tón a styl, může model jemně doladit na svých nejlepších minulých výměnách. Advokátní kancelář nebo lékařské oddělení může vštípit odbornou slovní zásobu, kterou obecný model zvládá pouze přibližně. Tým zpracovávající tisíce e-mailů denně může specializovat model na konkrétní úkol, jako je klasifikace nebo extrakce entit, s lepšími výsledky, než jakých dosáhne obecný prompt. Nakonec, destilace spočívá v přenosu znalostí z velkého modelu do malého, aby se dosáhlo podobného výkonu za mnohem nižší náklady. U Mistralu je to platforma Forge, která ti umožňuje jemně ladit otevřené modely: připravíš sadu dat párů otázka-odpověď, spustíš trénink a získáš přizpůsobený model nasaditelný přes API.
Teplota – Posuvník kreativity
Teplota je parametr, který řídí míru „kreativity“ – technicky řečeno náhodnosti – v odpovědích modelu. Při nízké teplotě (0 až 0,3) model systematicky volí nejpravděpodobnější odpovědi: výsledek je předvídatelný, přesný a reprodukovatelný, což vyhovuje faktickým úkolům, extrakci dat a programování. Při střední teplotě (0,4 až 0,7) získáš rovnováhu mezi koherencí a variabilitou, která vyhovuje většině konverzačních použití. Při vysoké teplotě (0,8 až 1,0) model zkoumá méně zřejmé formulace: více kreativity, ale také větší riziko chyb – nastavení vyhrazené pro brainstorming a kreativní psaní.
Ve Vibe je teplota řízena automaticky; nemusíš se o ni starat. Prostřednictvím API ji však můžeš pro každý požadavek přesně definovat a je to mocná páka: stejná otázka položená při hodnotě 0,1 a 0,9 vytvoří v jednom případě odpověď účetního, v druhém odpověď copywritera.
Halucinace – Když si model vymýšlí
Halucinace jsou odpovědi, které vypadají věrohodně, ale jsou fakticky nesprávné. Model si informace „vymyslí“ a – zde spočívá nebezpečí – dělá to se stejně sebevědomým tónem, jako když říká pravdu. Příčina je strukturální: LLM předpovídá pravděpodobné tokeny, nikoliv ověřená fakta. Může tedy produkovat text, který je jazykově bezchybný, ale fakticky falešný. Rizikové oblasti jsou dobře identifikovány: přesná data, čísla a statistiky, citace připisované skutečným lidem, odkazy na studie nebo články a specifické technické detaily. Požádej model o bibliografii málo známého autora: ochotně ti poskytne názvy knih, které jsou dokonale věrohodné… a které neexistují.
Halucinace neodstraníš, ale můžeš je omezit. RAG kotví odpovědi v ověřených zdrojích; nízká teplota upřednostňuje nejpravděpodobnější odpovědi; žádost modelu o zdroje – a jejich následné vlastní ověření – odhalí výmysly; ukotvení (grounding), které uvidíme hned vzápětí, propojuje model s reálnými daty. A u jakéhokoli kritického tématu zůstává pravidlo absolutní: nikdy slepě nedůvěřuj odpovědi.
Ukotvení (Grounding) – Zakotvení v realitě
Ukotvení (grounding) označuje všechny techniky, které propojují model se spolehlivými a aktuálními zdroji informací. RAG je jednou z forem, ale koncept je širší. Webové vyhledávání umožňuje modelu ověřit fakta na internetu, místo aby čerpal ze své zmrazené paměti. Připojení k databázím mu dává přístup k vašim interním datům – vašemu skutečnému inventáři, vašim skutečným zákazníkům. Volání funkcí (function calling) mu konečně umožňuje volat externí API pro získání dat v reálném čase: počasí, cenu akcie, stav systému. Rozdíl je zásadní: ukotvení posouvá asistenta od toho, kdo „ví věci“, k asistentovi, který „může věci ověřit“.
Prompt – Instrukce pro model
Prompt je text, který odešleš modelu: tvá instrukce, tvá otázka, tvůj požadavek. Jeho kvalita z velké části určuje kvalitu odpovědi – tomu je věnována celá lekce později v tomto kurzu. Nyní měj na paměti tři pojmy. Systémový prompt shrnuje obecné instrukce dané modelu předem (tón, role, omezení), konfigurovatelné přes API. Uživatelský prompt je tvá skutečná zpráva, daná otázka nebo úkol. A few-shot prompting spočívá v poskytnutí příkladů očekávaných odpovědí pro navedení modelu: ukazování je často lepší než vysvětlování.
Klíčové poznatky
- RAG obohacuje odpovědi modelu o čerstvá externí data
- Vektory (embeddings) transformují text na vektory pro sémantické vyhledávání
- Jemné ladění (fine-tuning) přizpůsobuje model tvým specifickým potřebám prostřednictvím Forge
- Teplota řídí rovnováhu mezi přesností a kreativitou
- Halucinace jsou věrohodné, ale falešné odpovědi; ukotvení (grounding) kotví model v ověřitelných datech, aby je omezilo