Nøglebegreber inden for generativ AI
På denne side
- Mestring af det essentielle ordforråd
- RAG — Retrieval-Augmented Generation (Generering beriget med opslag)
- Embeddings — Vektorrepræsentationer
- Fine-tuning — Skræddersyet tilpasning
- Temperatur — Skyderen for kreativitet
- Hallucinationer — Når modellen finder på ting
- Grounding — Forankring i virkeligheden
- Prompt — Instruktionen til modellen
- Vigtige pointer
Opdateret 2. november 2026 — Le Chat bliver til Vibe. Fra den 28. maj 2026 er Le Chat nu Vibe (stadig på chat.mistral.ai): en enkelt agent til arbejde og kode, der overtager dine samtaler, indstillinger og abonnementer. Den ældre Le Chat-oplevelse forbliver tilgængelig i Chat-tilstand; i Work-tilstand er agenter nu færdigheder (kaldes med
@), hukommelse er blevet til vidensbasen, og dyb søgning er blevet til færdigheden Deep Research. Abonnementerne hedder nu Mistral Free, Pro, Team og Enterprise. Denne lektion bruger nu navnet Vibe; nogle menuer beskrevet her kan have ændret navn eller placering.
Mestring af det essentielle ordforråd
Der er en håndfuld begreber, du vil støde på i hvert møde, i al dokumentation og i hver diskussion med et teknisk team om generativ AI: RAG, embeddings, fine-tuning, temperatur, hallucinationer og grounding. Denne lektion forklarer dem ét ad gangen, ikke som ordbogsdefinitioner, men som værktøjer, du vil vide, hvordan du placerer i en rigtig samtale. Når en leverandør foreslår „en RAG-chatbot med Mistral embeddings”, vil du vide præcis, hvad de sælger dig – og hvilke spørgsmål du skal stille.
RAG — Retrieval-Augmented Generation (Generering beriget med opslag)
RAG (retrieval-augmented generation) er en af de mest udbredte teknikker til at forbedre kvaliteten af en stor sprogmodels (LLM) svar. Princippet tager udgangspunkt i en simpel observation: I stedet for udelukkende at stole på modellens interne viden, forsyner du den, på spørgemomentet, med relevante oplysninger udtrukket fra en ekstern database.
Mekanismen udspiller sig i fire trin:
- Brugeren stiller et spørgsmål
- Et søgesystem identificerer relevante dokumenter i en vidensbase
- Disse dokumenter injiceres i modellens kontekst
- Modellen genererer sit svar baseret på disse friske oplysninger
Hvorfor er dette så vigtigt? Fordi RAG løser et fundamentalt problem med store sprogmodeller: Deres viden er frosset fast på tidspunktet for deres træning. En model, der blev trænet sidste år, ved intet om dit nye produktkatalog, omorganiseringen af din afdeling eller de forskrifter, der blev offentliggjort sidste måned. Med RAG kan den besvare spørgsmål om recente begivenheder, om data interne i din virksomhed eller om dokumenter, du leverer. Forestil dig en HR-afdeling, der hver uge modtager de samme spørgsmål om overenskomsten: En RAG-assistent forbundet til virksomhedens aftaler svarer ved at citere den korrekte artikel i stedet for at improvisere ud fra hukommelsen. Det er teknikken, der driver Vibes websøgning og de fleste enterprise-chatbots.
Embeddings — Vektorrepræsentationer
Embeddings er numeriske repræsentationer af tekst i form af vektorer, altså lister med tal. Hvert ord, hver sætning eller hvert dokument transformeres til et punkt i et matematisk rum med mange dimensioner. Nøgleideen kan opsummeres i én sætning: To semantisk tæt forbundne tekster vil have embeddings, der ligger tæt på hinanden i dette rum. „Hund” og „canin” vil være naboer; „hund” og „regneark” vil ligge meget langt fra hinanden, selvom ingen af disse par deler væsentlige fælles bogstaver.
Denne egenskab ændrer alt for informationssøgning. En traditionel søgning efter nøgleord finder ikke et dokument om „gensidig opsigelse”, hvis du søger på „mindelig kontraktophævelse”; en semantisk søgning via embeddings vil, fordi begge formuleringer peger mod det samme område af vektorrummet. Udover søgning bruges embeddings til automatisk at klassificere tekster efter tema, opdage dubletter eller lignende indhold og – som vi så i den foregående lektion i dette afsnit – til at udvælge relevante dokumenter i en RAG-pipeline. Mistral tilbyder dedikerede embedding-modeller, Mistral Embed og Codestral Embed, som transformerer din tekst til brugbare vektorer.
Fine-tuning — Skræddersyet tilpasning
Fine-tuning består i at fortsætte træningen af en præ-trænet model med dine egne data for at tilpasse den til et specifikt behov. Det mest præcise billede er den alment praktiserende læge, der uddannes til specialist: Den generelle viden er allerede til stede, du tilføjer spidskompetence.
Du tyer til det i flere situationer. Et brand, der ønsker, at alle deres kundesvar overholder en specifik tone og stil, kan fine-tune en model på deres bedste tidligere udvekslinger. En advokatfirma eller en medicinsk afdeling kan indprente branchespecifikt ordforråd, som generalistmodellen kun håndterer groft. Et team, der behandler tusindvis af e-mails om dagen, kan specialisere en model til en specifik opgave som klassificering eller entitetsudtrækning med bedre resultater end en generisk prompt. Endelig består distillation i at overføre viden fra en stor model til en lille for at opnå lignende ydeevne til en meget lavere omkostning. Hos Mistral er det platformen Forge, der lader dig fine-tune Open-modeller: Du forbereder et datasæt med spørgsmål-svar-par, starter træningen, og får en tilpasset model, der kan deployes via API’en.
Temperatur — Skyderen for kreativitet
Temperatur er en parameter, der styrer graden af „kreativitet” – teknisk set tilfældighed – i modellens svar. Ved lav temperatur (0 til 0,3) vælger modellen systematisk de mest sandsynlige svar: Resultatet er forudsigeligt, præcist og reproducerbart, hvilket passer til faktuelle opgaver, dataudtrækning og kode. Ved middel temperatur (0,4 til 0,7) får du en balance mellem sammenhæng og variation, der passer til de fleste konversationelle anvendelser. Ved høj temperatur (0,8 til 1,0) udforsker modellen mindre åbenlyse formuleringer: Mere kreativitet, men også større risiko for fejl – en indstilling, der bør reserveres til brainstorming og kreativ skrivning.
På Vibe administreres temperaturen automatisk; du behøver ikke tænke over det. Via API’en kan du dog definere den præcist for hver anmodning, og det er en kraftfuld løftestang: Det samme spørgsmål stillet ved 0,1 og ved 0,9 vil i det ene tilfælde producere en revisors svar og i det andet en copywriters svar.
Hallucinationer — Når modellen finder på ting
Hallucinationer er svar, der virker plausible, men er faktuel forkerte. Modellen „opfinder” information, og – her ligger faren – den gør det med samme selvsikre tone, som når den fortæller sandheden. Årsagen er strukturel: En stor sprogmodel forudsiger sandsynlige tokens, ikke verificerede fakta. Den kan derfor producere tekst, der er sprogligt upåklagelig og faktuel falsk. Risikoområder er velidentificerede: Præcise datoer, tal og statistik, citater tilskrevet rigtige personer, referencer til studier eller artikler samt specifikke tekniske detaljer. Bed en model om bibliografien over en lidt kendt forfatter: Den vil gerne give dig bogtitler, der er fuldt ud troværdige … men som ikke eksisterer.
Du eliminerer ikke hallucinationer, du begrænser dem. RAG forankrer svar i verificerede kilder; en lav temperatur favoriserer de mest sandsynlige svar; at bede modellen om kilder – og derefter verificere dem selv – afslører opfindelser; grounding, som vi ser lige efter, forbinder modellen med rigtige data. Og ved ethvert kritisk emne forbliver reglen absolut: Stol aldrig blindt på et svar.
Grounding — Forankring i virkeligheden
Grounding refererer til alle de teknikker, der forbinder en model med pålidelige og opdaterede informationskilder. RAG er én form, men begrebet er bredere. Websøgning lader modellen verificere fakta på internettet i stedet for at trække på sin frosne hukommelse. Forbindelse til databaser giver den adgang til dine interne data – dit faktiske lager, dine faktiske kunder. Function calling lader den endelig kalde eksterne API’er for at hente data i realtid: Vejret, en aktiekurs, status for et system. Forskellen er afgørende: Grounding flytter fra en assistent, der „ved ting”, til en assistent, der „kan verificere ting”.
Prompt — Instruktionen til modellen
Prompten er den tekst, du sender til modellen: Din instruktion, dit spørgsmål, din anmodning. Dens kvalitet bestemmer i høj grad kvaliteten af svaret – det er emnet for en hel lektion senere i dette kursus. Hold tre begreber i tankerne nu. System-prompten samler de generelle instruktioner, der gives til modellen på forhånd (tone, rolle, begrænsninger), konfigurerbar via API’en. Bruger-prompten er din egentlige besked, spørgsmålet eller opgaven ved hånden. Og few-shot prompting består i at levere eksempler på forventede svar for at vejlede modellen: At vise er ofte bedre end at forklare.
Vigtige pointer
- RAG beriger modellens svar med friske eksterne data
- Embeddings transformerer tekst til vektorer til semantisk søgning
- Fine-tuning tilpasser en model til dine specifikke behov via Forge
- Temperatur styrer balancen mellem præcision og kreativitet
- Hallucinationer er plausible men falske svar; grounding forankrer modellen i verificerbare data for at begrænse dem