Generatiivse tehisintellekti põhimõisted
Sellel lehel
- Olulise sõnavara valdamine
- RAG – päringupõhine genereerimine (Retrieval-Augmented Generation)
- Manused – vektorkujutised (Embeddings)
- Häälestamine – kohandatud kohandamine (Fine-tuning)
- Temperatuur – loovuse liugur
- Hallutsinatsioonid – kui mudel leiutab
- Ankurdamine – reaalsusesse kinnitamine (Grounding)
- Vihje – juhend mudelile (Prompt)
- Peamised punktid
Uuendatud 2. novembril 2026 — Le Chatist sai Vibe. Alates 28. maist 2026 on Le Chat nüüd Vibe (aadressil chat.mistral.ai): üks agent tööks ja kodeerimiseks, mis säilitab sinu vestlused, seaded ja tellimused. Vana Le Chati kasutajakogemus on endiselt kättesaadav režiimis Chat; režiimis Work on agentidest saanud oskused (käivitatakse sümboliga
@), mälust on saanud teadmiste baas ja süvaotsingust on saanud oskus Deep Research. Plaanid kannavad nüüd nimesid Mistral Free, Pro, Team ja Enterprise. Selles õppetükis kasutame nime Vibe; mõned siin kirjeldatud menüüd võivad olla muutnud nime või asukohta.
Olulise sõnavara valdamine
On käputäis termineid, mida kohtad igal koosolekul, igas dokumentatsioonis ja igas arutelus tehnilise meeskonnaga generatiivse tehisintellekti teemal: RAG, manused (embeddings), häälestamine (fine-tuning), temperatuur, hallutsinatsioonid, ankurdamine (grounding). See õppetükk selgitab neid ükshaaval, mitte kui sõnastiku definitsioone, vaid kui tööriistu, mida oskad reaalses vestluses kasutada. Kui müüja pakub „RAG-i vestlusboti Mistrali manustega“, tead täpselt, mida ta sulle müüb – ja milliseid küsimusi esitada.
RAG – päringupõhine genereerimine (Retrieval-Augmented Generation)
RAG (retrieval-augmented generation) on üks levinumaid tehnikaid suure keelemudeli (LLM) vastuste kvaliteedi parandamiseks. Põhimõte lähtub lihtsast tähelepanekust: mudeli sisemisele teadmistele tuginemise asemel annad sa küsimuse esitamise hetkel talle lisaks asjakohast teavet, mis on ekstraheeritud välisest andmebaasist.
Mehhanism koosneb neljast sammust:
- Kasutaja esitab küsimuse
- Otsingusüsteem tuvastab teadmiste baasis asjakohased dokumendid
- Need dokumendid sisestatakse mudeli konteksti
- Mudel genereerib oma vastuse, tuginedes sellele värskele teabele
Miks see nii oluline on? Sest RAG lahendab LLM-ide põhiprobleemi: nende teadmised on külmutatud treeningkuupäeva seisuga. Eelmisel aastal treenitud mudel ei tea midagi sinu uuest tootekataloogist, sinu osakonna ümberkorraldusest ega eelmisel kuul avaldatud määrustest. RAG-i abil saab ta vastata küsimustele hiljutiste sündmuste, ettevõtte siseste andmete või sinu poolt esitatud dokumentide kohta. Kujuta ette personaliosakonda, mis saab igal nädalal samu küsimusi kollektiivlepingu kohta: ettevõtte lepingutega ühendatud RAG-assistent vastab, viidates õigele artiklile, selle asemel et mälust improviseerida. See on tehnika, mis toidab Vibe’i veebiotsingut ja enamikku ettevõtete vestlusbotte.
Manused – vektorkujutised (Embeddings)
Manused (embeddings) on teksti numbrilised kujutised vektorite kujul, ehk arvude loenditena. Iga sõna, lause või dokument teisendatakse punktiks kõrgemõõtmelises matemaatilises ruumis. Põhiidee mahub ühte lausesse: kaks semantiliselt lähedast teksti omavad selles ruumis lähedasi manuseid. „Koer“ ja „koerlane“ on naabrid; „koer“ ja „arvutustabel“ on väga kaugel, kuigi kumbki paar ei jaga olulisi ühiseid tähti.
See omadus muudab teabeotsingu täielikult. Traditsiooniline märksõnaotsing ei leia dokumenti „vastastikuse lõpetamise“ kohta, kui otsid „sõbraliku lepingu lõpetamist“; semantiline otsing manuste abil leiab, sest mõlemad formuleeringud viitavad vektorruumi samale piirkonnale. Lisaks otsingule kasutatakse manuseid tekstide automaatseks liigitamiseks teemade järgi, duplikaatide või sarnase sisu tuvastamiseks ja – nagu nägime selle sektsiooni eelmises õppetükis – asjakohaste dokumentide valimiseks RAG-i torustikus. Mistral pakub spetsiaalseid manuste mudeleid, Mistral Embed ja Codestral Embed, mis teisendavad sinu teksti kasutatavateks vektoriteks.
Häälestamine – kohandatud kohandamine (Fine-tuning)
Häälestamine (fine-tuning) seisneb eeltreenitud mudeli treeningu jätkamises sinu enda andmetega, et kohandada see konkreetseks vajaduseks. Kõige täpsem pilt on üldarstist, kes on koolitatud spetsialistiks: üldteadmised on juba olemas, sa lisad teravat ekspertiisi.
Pöördud selle poole mitmes olukorras. Bränd, mis soovib, et kõik selle kliendivastused järgiksid kindlat tooni ja stiili, saab häälestada mudelit oma parimate varasemate vahetuste põhjal. Advokaadibüroo või meditsiiniosakond saab sisendada valdkonnaspetsiifilist sõnavara, mida üldist mudel käsitleb vaid ligikaudselt. Meeskond, mis töötleb tuhandeid e-kirju päevas, saab spetsialiseerida mudeli konkreetsele ülesandele, nagu liigitamine või üksuste ekstraheerimine, saavutades paremaid tulemusi kui üldise vihjega. Lõpuks seisneb destilleerimine teadmiste ülekandmises suurelt mudelilt väikesele, et saavutada sarnane jõudlus palju madalama kuluga. Mistralis on see Forgei platvorm, mis võimaldab sul häälestada Open-mudeleid: valmistad ette küsimuste ja vastuste paaride andmestiku, käivitad treeningu ja saad kohandatud mudeli, mida saab API kaudu kasutusele võtta.
Temperatuur – loovuse liugur
Temperatuur on parameeter, mis kontrollib mudeli vastuste „loovuse“ astet – tehniliselt öeldes juhuslikkust. Madalal temperatuuril (0 kuni 0,3) valib mudel süstemaatiliselt kõige tõenäolisemad vastused: tulemus on ennustatav, täpne ja korratav, mis sobib faktiliste ülesannete, andmete ekstraheerimise ja kodeerimise jaoks. Keskmisel temperatuuril (0,4 kuni 0,7) saad tasakaalu järjepidevuse ja mitmekesisuse vahel, mis sobib enamiku vestluskasutuste jaoks. Kõrgel temperatuuril (0,8 kuni 1,0) uurib mudel vähem ilmseid formuleeringuid: rohkem loovust, kuid ka suurem vigade risk – seade, mille peaks jätma ajurünnakute ja loomingulise kirjutamise jaoks.
Vibe’is hallatakse temperatuuri automaatselt; sa ei pea sellele mõtlema. API kaudu saad aga iga päringu jaoks selle täpselt määratleda ja see on võimas hoob: sama küsimus, mis on esitatud temperatuuril 0,1 ja 0,9, annab ühel juhul raamatupidaja vastuse, teisel juhul tekstikirjutaja vastuse.
Hallutsinatsioonid – kui mudel leiutab
Hallutsinatsioonid on vastused, mis tunduvad usutavad, kuid on faktiliselt valed. Mudel „leiutab“ teavet ja – siin peitubki oht – teeb seda sama enesekindla tooniga nagu tõde rääkides. Põhjus on struktuurne: LLM ennustab tõenäolisi tokeneid, mitte kontrollitud fakte. Seetõttu võib ta toota teksti, mis on keeleliselt laitmatu, kuid faktiliselt vale. Riskivaldkonnad on hästi tuvastatud: täpsed kuupäevad, arvud ja statistika, reaalsetele inimestele omistatud tsitaadid, viited uuringutele või artiklitele ning konkreetsed tehnilised üksikasjad. Küsi mudelilt vähetuntud autori bibliograafiat: ta annab hea meelega raamatute pealkirju, mis on täiesti usutavad… kuid mida ei eksisteeri.
Sa ei kõrvalda hallutsinatsioone, sa piirad neid. RAG ankrurdab vastused kontrollitud allikates; madal temperatuur soosib kõige tõenäolisemaid vastuseid; allikate küsimine mudelilt – ja nende ise kontrollimine – paljastab leiutised; ankurdamine (grounding), mida näeme kohe pärast seda, ühendab mudeli reaalsete andmetega. Ja igal kriitilisel teemal kehtib absoluutne reegel: ära kunagi usalda vastust pimesi.
Ankurdamine – reaalsusesse kinnitamine (Grounding)
Ankurdamine (grounding) viitab kõigile tehnikatele, mis ühendavad mudeli usaldusväärsete ja ajakohaste teabeallikatega. RAG on üks vorm, kuid mõiste on laiem. Veebiotsing võimaldab mudelil minna fakte internetti kontrollima, selle asemel et ammutada neid oma külmutatud mälust. Andmebaasidega ühendamine annab talle juurdepääsu sinu sisestele andmetele – sinu tegelikule laoseisule, sinu tegelikele klientidele. Funktsioonide kutsumine (function calling) võimaldab lõpuks kutsuda väliseid API-sid reaalajas andmete saamiseks: ilm, aktsiahind, süsteemi olek. Erinevus on otsustav: ankurdamine viib assistendilt, kes „teab asju“, assistendini, kes „saab asju kontrollida“.
Vihje – juhend mudelile (Prompt)
Vihje (prompt) on tekst, mille saadad mudelile: sinu juhend, sinu küsimus, sinu taotlus. Selle kvaliteet määrab suuresti vastuse kvaliteedi – see on terve õppetüki teema selles kursuses hiljem. Pea praegu meeles kolme mõistet. Süsteemne vihje koondab mudelile esialgu antud üldised juhised (toon, roll, piirangud), mida saab konfigureerida API kaudu. Kasutaja vihje on sinu tegelik sõnum, käesolev küsimus või ülesanne. Ja väheste näidetega vihjestamine (few-shot prompting) seisneb oodatavate vastuste näidete esitamises mudeli suunamiseks: näitamine on sageli parem kui selgitamine.
Peamised punktid
- RAG rikastab mudeli vastuseid värske väliste andmetega
- Manused teisendavad teksti vektoriteks semantiliseks otsinguks
- Häälestamine kohandab mudelit sinu konkreetsetele vajadustele Forge’i platvormi kaudu
- Temperatuur kontrollib tasakaalu täpsuse ja loovuse vahel
- Hallutsinatsioonid on usutavad, kuid valed vastused; ankurdamine kinnitab mudeli kontrollitavatesse andmetesse, et neid piirata