Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Βασικές έννοιες της Γενετικής Τεχνητής Νοημοσύνης

Μάθημα 12 / 16 Ενημερώθηκε 2 Νοεμβρίου 2026 Αρχάριος
Σε αυτήν τη σελίδα
  1. Κατανοώντας το βασικό λεξιλόγιο
  2. RAG — Retrieval-Augmented Generation (Δημιουργία Εμπλουτισμένη με Ανάκτηση)
  3. Embeddings — Διανυσματικές αναπαραστάσεις
  4. Fine-tuning — Προσαρμογή κατά παραγγελία
  5. Temperature — Ο ρυθμιστής δημιουργικότητας
  6. Hallucinations — Όταν το μοντέλο επινοεί
  7. Grounding — Αγκύρωση στην πραγματικότητα
  8. Prompt — Η οδηγία προς το μοντέλο
  9. Βασικά σημεία

Ενημερώθηκε στις 2 Νοεμβρίου 2026 — Το Le Chat γίνεται Vibe. Από τις 28 Μαΐου 2026, το Le Chat είναι πλέον το Vibe (παραμένει στη διεύθυνση chat.mistral.ai): ένας ενιαίος πράκτορας για εργασία και κώδικα, ο οποίος διατηρεί τις συνομιλίες, τις ρυθμίσεις και τις συνδρομές σας. Η παλαιότερη εμπειρία του Le Chat παραμένει προσβάσιμη στη λειτουργία Chat· στη λειτουργία Work, οι πράκτορες είναι πλέον δεξιότητες (καλούνται με @), οι μνήμες έγιναν η βάση γνώσεων και η βαθιά αναζήτηση έγινε η δεξιότητα Deep Research. Τα πακέτα ονομάζονται πλέον Mistral Free, Pro, Team και Enterprise. Αυτό το μάθημα χρησιμοποιεί πλέον την ονομασία Vibe· ορισμένα μενού που περιγράφονται εδώ ενδέχεται να έχουν αλλάξει όνομα ή τοποθεσία.

Κατανοώντας το βασικό λεξιλόγιο

Υπάρχουν μερικοί όροι που θα συναντήσετε σε κάθε σύσκεψη, σε κάθε τεκμηρίωση και σε κάθε συζήτηση με μια τεχνική ομάδα σχετικά με τη γενετική τεχνητή νοημοσύνη: RAG, embeddings, fine-tuning, temperature, hallucinations, grounding. Αυτό το μάθημα τα εξηγεί ένα προς ένα, όχι ως ορισμούς λεξικού, αλλά ως εργαλεία που θα ξέρετε πώς να χρησιμοποιήσετε σε μια πραγματική συζήτηση. Όταν ένας προμηθευτής προτείνει «ένα chatbot RAG με embeddings της Mistral», θα ξέρετε ακριβώς τι σας πουλάει—και ποιες ερωτήσεις να κάνετε.

RAG — Retrieval-Augmented Generation (Δημιουργία Εμπλουτισμένη με Ανάκτηση)

Το RAG (retrieval-augmented generation) είναι μία από τις πιο διαδεδομένες τεχνικές για τη βελτίωση της ποιότητας των απαντήσεων ενός μεγάλου γλωσσικού μοντέλου (LLM). Η αρχή ξεκινά από μια απλή παρατήρηση: αντί να βασίζεστε αποκλειστικά στις εσωτερικές γνώσεις του μοντέλου, του παρέχετε, τη στιγμή της ερώτησης, σχετικές πληροφορίες εξαγόμενες από μια εξωτερική βάση δεδομένων.

Ο μηχανισμός εκτυλίσσεται σε τέσσερα βήματα:

  1. Ο χρήστης θέτει μια ερώτηση
  2. Ένα σύστημα αναζήτησης εντοπίζει σχετικά έγγραφα σε μια βάση γνώσεων
  3. Τα έγγραφα αυτά εισάγονται στο πλαίσιο (context) του μοντέλου
  4. Το μοντέλο παράγει την απάντησή του με βάση αυτές τις νέες πληροφορίες

Γιατί είναι τόσο σημαντικό; Επειδή το RAG λύνει ένα θεμελιώδες πρόβλημα των LLM: οι γνώσεις τους είναι παγωμένες στην ημερομηνία της εκπαίδευσής τους. Ένα μοντέλο που εκπαιδεύτηκε πέρυσι δεν γνωρίζει τίποτα για τον νέο κατάλογο προϊόντων σας, την αναδιοργάνωση του τμήματός σας ή τους κανονισμούς που δημοσιεύθηκαν τον περασμένο μήνα. Με το RAG, μπορεί να απαντά σε ερωτήσεις σχετικά με πρόσφατα γεγονότα, δεδομένα εσωτερικά της εταιρείας σας ή έγγραφα που παρέχετε εσείς. Φανταστείτε ένα τμήμα HR που λαμβάνει κάθε εβδομάδα τις ίδιες ερωτήσεις για τη συλλογική σύμβαση εργασίας: ένας βοηθός RAG συνδεδεμένος με τις εταιρικές συμβάσεις απαντά παραθέτοντας το σωστό άρθρο, αντί να αυτοσχεδιάζει από μνήμης. Αυτή είναι η τεχνική που τροφοδοτεί την αναζήτηση ιστού του Vibe και τα περισσότερα εταιρικά chatbots.

Embeddings — Διανυσματικές αναπαραστάσεις

Τα embeddings είναι αριθμητικές αναπαραστάσεις κειμένου υπό μορφή διανυσμάτων, δηλαδή λιστών αριθμών. Κάθε λέξη, πρόταση ή έγγραφο μετατρέπεται σε ένα σημείο σε έναν μαθηματικό χώρο υψηλών διαστάσεων. Η βασική ιδέα συνοψίζεται σε μία πρόταση: δύο κείμενα με σημασιολογική εγγύτητα θα έχουν embeddings που βρίσκονται κοντά σε αυτόν τον χώρο. Το «σκύλος» και το «κυνοειδές» θα είναι γείτονες· το «σκύλος» και το «υπολογιστικό φύλλο» θα είναι πολύ μακριά, παρόλο που κανένα από αυτά τα ζεύγη δεν μοιράζεται σημαντικά κοινά γράμματα.

Αυτή η ιδιότητα αλλάζει τα πάντα για την ανάκτηση πληροφοριών. Μια παραδοσιακή αναζήτηση με λέξεις-κλειδιά δεν θα βρει ένα έγγραφο για την «κατ’ αμοιβαία συμφωνία λύση» αν αναζητήσετε «φιλικό τερματισμό συμβολαίου»· μια σημασιολογική αναζήτηση μέσω embeddings θα το βρει, επειδή και οι δύο διατυπώσεις δείχνουν στην ίδια περιοχή του διανυσματικού χώρου. Πέρα από την αναζήτηση, τα embeddings χρησιμοποιούνται για την αυτόματη ταξινόμηση κειμένων κατά θέμα, την ανίχνευση διπλοτύπων ή παρόμοιου περιεχομένου και—όπως είδαμε στο προηγούμενο μάθημα αυτής της ενότητας—για την επιλογή σχετικών εγγράφων σε μια ροή εργασίας RAG. Η Mistral προσφέρει εξειδικευμένα μοντέλα embedding, τα Mistral Embed και Codestral Embed, τα οποία μετατρέπουν το κείμενό σας σε χρησιμοποιήσιμα διανύσματα.

Fine-tuning — Προσαρμογή κατά παραγγελία

Το fine-tuning συνίσταται στη συνέχιση της εκπαίδευσης ενός προ-εκπαιδευμένου μοντέλου με τα δικά σας δεδομένα, ώστε να προσαρμοστεί σε μια συγκεκριμένη ανάγκη. Η πιο ακριβής εικόνα είναι αυτή ενός γενικού ιατρού που εκπαιδεύεται ως ειδικός: οι γενικές γνώσεις υπάρχουν ήδη, εσείς προσθέτετε εξειδικευμένη τεχνογνωσία.

Καταφεύγετε σε αυτό σε διάφορες περιπτώσεις. Μια μάρκα που θέλει όλες οι απαντήσεις προς τους πελάτες της να σέβονται έναν συγκεκριμένο τόνο και ύφος μπορεί να κάνει fine-tuning σε ένα μοντέλο με βάση τις καλύτερες past ανταλλαγές της. Μια δικηγορική εταιρεία ή ένα ιατρικό τμήμα μπορεί να εμφυσήσει ειδικό λεξιλόγιο του κλάδου που το γενικευμένο μοντέλο διαχειρίζεται επιφανειακά. Μια ομάδα που επεξεργάζεται χιλιάδες emails την ημέρα μπορεί να εξειδικεύσει ένα μοντέλο σε μια συγκεκριμένη εργασία, όπως η ταξινόμηση ή η εξαγωγή οντοτήτων, με καλύτερα αποτελέσματα από μια γενική εντολή (prompt). Τέλος, η distillation συνίσταται στη μεταφορά γνώσης από ένα μεγάλο μοντέλο σε ένα μικρό, για την επίτευξη παρόμοιας απόδοσης με πολύ χαμηλότερο κόστος. Στη Mistral, είναι η πλατφόρμα Forge που σας επιτρέπει να κάνετε fine-tuning σε Open μοντέλα: προετοιμάζετε ένα σύνολο δεδομένων με ζεύγη ερώτησης-απάντησης, ξεκινάτε την εκπαίδευση και λαμβάνετε ένα προσαρμοσμένο μοντέλο ready για ανάπτυξη μέσω του API.

Temperature — Ο ρυθμιστής δημιουργικότητας

Η temperature είναι μια παράμετρος που ελέγχει τον βαθμό «δημιουργικότητας»—τεχνικά, τυχαιότητας—στις απαντήσεις του μοντέλου. Σε χαμηλή temperature (0 έως 0,3), το μοντέλο επιλέγει συστηματικά τις πιο πιθανές απαντήσεις: το αποτέλεσμα είναι προβλέψιμο, ακριβές και αναπαραγώγιμο, κάτι που ταιριάζει σε εργασίες βασισμένες σε γεγονότα, εξαγωγή δεδομένων και κώδικα. Σε μέτρια temperature (0,4 έως 0,7), επιτυγχάνετε μια ισορροπία μεταξύ συνοχής και ποικιλίας που ταιριάζει στις περισσότερες συνομιλιακές χρήσεις. Σε υψηλή temperature (0,8 έως 1,0), το μοντέλο εξερευνά λιγότερο προφανείς διατυπώσεις: περισσότερη δημιουργικότητα, αλλά και μεγαλύτερος κίνδυνος σφαλμάτων—μια ρύθμιση που πρέπει να προορίζεται για brainstorming και δημιουργική γραφή.

Στο Vibe, η temperature διαχειρίζεται αυτόματα· δεν χρειάζεται να το σκέφτεστε. Μέσω του API όμως, μπορείτε να την ορίσετε με ακρίβεια για κάθε αίτημα, και αποτελεί έναν ισχυρό μοχλό: η ίδια ερώτηση που τίθεται στο 0,1 και στο 0,9 θα παράγει σε μια περίπτωση την απάντηση ενός λογιστή και στην άλλη την απάντηση ενός copywriter.

Hallucinations — Όταν το μοντέλο επινοεί

Οι hallucinations είναι απαντήσεις που φαίνονται εύλογες αλλά είναι πραγματικά λανθασμένες. Το μοντέλο «επινοεί» πληροφορίες και—εδώ είναι ο κίνδυνος—το κάνει με τον ίδιο βέβαιο τόνο όπως όταν λέει την αλήθεια. Η αιτία είναι δομική: ένα LLM προβλέπει πιθανά tokens, όχι επαληθευμένα γεγονότα. Επομένως, μπορεί να παράγει κείμενο που είναι γλωσσικά άρτιο αλλά πραγματικά ψευδές. Οι τομείς κινδύνου είναι καλά εντοπισμένοι: ακριβείς ημερομηνίες, αριθμοί και στατιστικά, παραπομπές που αποδίδονται σε πραγματικά πρόσωπα, αναφορές σε μελέτες ή άρθρα και συγκεκριμένες τεχνικές λεπτομέρειες. Ζητήστε από ένα μοντέλο τη βιβλιογραφία ενός λιγότερο γνωστού συγγραφέα: θα σας παρέχει ευχαρίστως τίτλους βιβλίων που είναι απολύτως αξιόπιστοι… αλλά δεν υπάρχουν.

Δεν εξαλείφετε τις hallucinations, τις περιορίζετε. Το RAG αγκυρώνει τις απαντήσεις σε επαληθευμένες πηγές· μια χαμηλή temperature ευνοεί τις πιο πιθανές απαντήσεις· το να ζητάτε από το μοντέλο πηγές—και στη συνέχεια να τις επαληθεύετε εσείς—αποκαλύπτει επινοήσεις· το grounding, που θα δούμε αμέσως μετά, συνδέει το μοντέλο με πραγματικά δεδομένα. Και σε οποιοδήποτε κρίσιμο θέμα, ο κανόνας παραμένει απόλυτος: μην εμπιστεύεστε ποτέ τυφλά μια απάντηση.

Grounding — Αγκύρωση στην πραγματικότητα

Το grounding αναφέρεται στο σύνολο των τεχνικών που συνδέουν ένα μοντέλο με αξιόπιστες και ενημερωμένες πηγές πληροφοριών. Το RAG είναι μια μορφή αυτού, αλλά η έννοια είναι ευρύτερη. Η αναζήτηση στον ιστό επιτρέπει στο μοντέλο να επαληθεύει γεγονότα στο διαδίκτυο αντί να αντλεί από την παγωμένη μνήμη του. Η σύνδεση με βάσεις δεδομένων του δίνει πρόσβαση στα εσωτερικά σας δεδομένα—στο πραγματικό σας απόθεμα, στους πραγματικούς σας πελάτες. Το function calling, τέλος, του επιτρέπει να καλεί εξωτερικά API για λήψη δεδομένων σε πραγματικό χρόνο: τον καιρό, μια τιμή μετοχής, την κατάσταση ενός συστήματος. Η διαφορά είναι καθοριστική: το grounding μετακινεί τον βοηθό από κάποιον που «γνωρίζει πράγματα» σε κάποιον που «μπορεί να επαληθεύει πράγματα».

Prompt — Η οδηγία προς το μοντέλο

Το prompt είναι το κείμενο που στέλνετε στο μοντέλο: η οδηγία σας, η ερώτησή σας, το αίτημά σας. Η ποιότητά του καθορίζει σε μεγάλο βαθμό την ποιότητα της απάντησης—αυτό είναι το αντικείμενο ενός ολόκληρου μαθήματος αργότερα σε αυτό το μάθημα. Κρατήστε τώρα τρεις έννοιες στο μυαλό σας. Το system prompt ομαδοποιεί τις γενικές οδηγίες που δίνονται στο μοντέλο εκ των προτέρων (τόνος, ρόλος, περιορισμοί), ρυθμιζόμενο μέσω του API. Το user prompt είναι το πραγματικό σας μήνυμα, η ερώτηση ή η εργασία που έχετε μπροστά σας. Και το few-shot prompting συνίσταται στην παροχή παραδειγμάτων αναμενόμενων απαντήσεων για την καθοδήγηση του μοντέλου: το να δείχνεις είναι συχνά καλύτερο από το να εξηγείς.

Βασικά σημεία

  • Το RAG εμπλουτίζει τις απαντήσεις του μοντέλου με νέα εξωτερικά δεδομένα
  • Τα embeddings μετατρέπουν το κείμενο σε διανύσματα για σημασιολογική αναζήτηση
  • Το fine-tuning προσαρμόζει ένα μοντέλο στις συγκεκριμένες ανάγκες σας μέσω του Forge
  • Η temperature ελέγχει την ισορροπία μεταξύ ακρίβειας και δημιουργικότητας
  • Οι hallucinations είναι εύλογες αλλά ψευδείς απαντήσεις· το grounding αγκυρώνει το μοντέλο σε επαληθεύσιμα δεδομένα για να τις περιορίσει