Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Generatiivisen tekoälyn keskeiset käsitteet

Oppitunti 12 / 16 Päivitetty 2. marraskuuta 2026 Aloittelija
Tällä sivulla
  1. Keskeisen sanaston hallinta
  2. RAG – hakupohjainen generointi
  3. Upotukset – vektorimuotoiset esitykset
  4. Hienosäätö – räätälöity sovittaminen
  5. Lämpötila – luovuuden säädin
  6. Hallusinaatiot – kun malli keksii asioita
  7. Ankkurointi – kiinnittyminen todellisuuteen
  8. Kehote – ohje mallille
  9. Keskeiset asiat

Päivitetty 2. marraskuuta 2026 — Le Chatista tulee Vibe. 28. toukokuuta 2026 lähtien Le Chat on nyt Vibe (osoitteessa chat.mistral.ai): yksi agentti työhön ja koodaukseen, joka säilyttää keskustelusi, asetuksesi ja tilauksesi. Vanha Le Chat -kokemus on edelleen käytettävissä Chat-tilassa; Work-tilassa agenteista on tullut taitoja (kutsutaan merkillä @), muistista on tullut tietopohja ja syvähaku on muuttunut Deep Research -taidoksi. Suunnitelmat ovat nyt nimeltään Mistral Free, Pro, Team ja Enterprise. Tässä oppitunnissa käytetään nimeä Vibe; jotkin tässä kuvatut valikot ovat voineet vaihtaa nimeä tai sijaintia.

Keskeisen sanaston hallinta

On joukko termejä, jotka tulevat vastaan jokaisessa kokouksessa, jokaisessa dokumentaatiossa ja jokaisessa teknisen tiimin keskustelussa generatiivisesta tekoälystä: RAG, upotukset (embeddings), hienosäätö (fine-tuning), lämpötila, hallusinaatiot ja ankkurointi (grounding). Tämä oppitunti selittää ne yksi kerrallaan, ei sanakirjamääritelminä, vaan työkaluina, jotka osaat sijoittaa todelliseen keskusteluun. Kun toimittaja ehdottaa “RAG-keskustelubottia Mistral-upotuksilla”, tiedät tarkalleen, mitä he ovat myymässä – ja mitä kysymyksiä sinun tulee esittää.

RAG – hakupohjainen generointi

RAG (retrieval-augmented generation, hakupohjainen generointi) on yksi yleisimmistä tekniikoista LLM-mallien vastausten laadun parantamiseksi. Periaate lähtee yksinkertaisesta havainnosta: mallin sisäisen tiedon sijaan sille tarjotaan kysymyshetkellä asiaankuuluvaa tietoa, joka on poimittu ulkoisesta tietokannasta.

Mekanismi etenee neljässä vaiheessa:

  1. Käyttäjä esittää kysymyksen
  2. Hakujärjestelmä tunnistaa asiaankuuluvat dokumentit tietopohjasta
  3. Nämä dokumentit syötetään mallin kontekstiin
  4. Malli generoi vastauksensa tämän tuoreen tiedon pohjalta

Miksi tämä on niin tärkeää? Koska RAG ratkaisee LLM-mallien perusongelman: niiden tieto on jäädytetty niiden harjoittelupäivämäärään. Viime vuonna harjoiteltu malli ei tiedä mitään uudesta tuoteluettelostasi, osastosi uudelleenjärjestelystä tai viime kuussa julkaistuista määräyksistä. RAG:n avulla se voi vastata kysymyksiin tuoreista tapahtumista, yrityksesi sisäisestä datasta tai toimittamistasi dokumenteista. Kuvittele henkilöstöosasto, joka saa joka viikko samoja kysymyksiä työehtosopimuksesta: yrityksen sopimuksiin yhdistetty RAG-avustaja vastaa lainaamalla oikeaa pykälää sen sijaan, että se keksisi vastauksen muistinsa varassa. Tämä on tekniikka, joka pyörittää Viben verkkohakua ja useimpia yritysten keskustelubotteja.

Upotukset – vektorimuotoiset esitykset

Upotukset (embeddings) ovat tekstin numeerisia esityksiä vektoreina, eli numerolistoina. Jokainen sana, lause tai dokumentti muunnetaan pisteeksi korkeaulotteisessa matemaattisessa avaruudessa. Avainajatus mahtuu yhteen lauseeseen: kaksi semanttisesti lähellä toisiaan olevaa tekstiä saa upotukset, jotka ovat lähellä toisiaan tässä avaruudessa. “Koira” ja “koiraeläin” ovat naapureita; “koira” ja “laskentataulukko” ovat hyvin kaukana toisistaan, vaikka kummallakaan parilla ei olisi merkittäviä yhteisiä kirjaimia.

Tämä ominaisuus muuttaa kaiken tiedonhausta. Perinteinen avainsanahaku ei löydä dokumenttia “yhteisöstä sopimisesta”, jos haet termeillä “sopimuksen ystävällinen päättäminen”; semanttinen haku upotusten avulla löytää, koska molemmat muotoilut viittaavat samaan alueeseen vektoritilassa. Haun lisäksi upotuksia käytetään tekstien automaattiseen luokitteluun teemoittain, kaksoiskappaleiden tai samankaltaisen sisällön havaitsemiseen ja – kuten näimme tämän osion edellisessä oppitunnissa – asiaankuuluvien dokumenttien valintaan RAG-putkistossa. Mistral tarjoaa dedicated upotusmalleja, Mistral Embed ja Codestral Embed, jotka muuntavat tekstisi käytettäviksi vektoreiksi.

Hienosäätö – räätälöity sovittaminen

Hienosäätö (fine-tuning) tarkoittaa esiharjoitetun mallin koulutuksen jatkamista omalla datallasi sen mukauttamiseksi tiettyyn tarpeeseen. Tarkin kuva on yleislääkäristä, joka koulutetaan erikoislääkäriksi: yleinen tieto on jo olemassa, siihen lisätään tarkkaa asiantuntemusta.

Sitä käytetään useissa tilanteissa. Brändi, joka haluaa kaikkien asiakasvastaustensa noudattavan tiettyä sävyä ja tyyliä, voi hienosäätää mallin parhailla aiemmilla vuorovaikutuksillaan. Lakitoimisto tai lääketieteellinen osasto voi opettaa mallille alakohtaista sanastoa, jota yleismalli käsittelee karkeasti. Tiimi, joka käsittelee tuhansia sähköposteja päivässä, voi erikoistaa mallin tiettyyn tehtävään, kuten luokitteluun tai entiteettien poimintaan, saavuttaen parempia tuloksia kuin yleisellä kehotteella. Lopuksi distillaatio tarkoittaa tiedon siirtämistä suuresta mallista pieneen, jotta saavutetaan samanlainen suorituskyky huomattavasti pienemmillä kustannuksilla. Mistralilla Forge-alusta mahdollistaa Open-mallien hienosäädön: valmistelet kysymys-vastaus-parien tietoaineiston, käynnistät koulutuksen ja saat räätälöidyn mallin, joka on otettavissa käyttöön API:n kautta.

Lämpötila – luovuuden säädin

Lämpötila on parametri, joka ohjaa mallin vastausten “luovuuden” astetta – teknisesti satunnaisuutta. Matalalla lämpötilalla (0–0,3) malli valitsee systemaattisesti todennäköisimmät vastaukset: tulos on ennustettava, tarkka ja toistettava, mikä sopii faktuaalisiin tehtäviin, datan poimintaan ja koodaukseen. Keskilämpötilalla (0,4–0,7) saat tasapainon johdonmukaisuuden ja vaihtelevuuden välillä, mikä sopii useimpiin keskustelukäyttötapauksiin. Korkealla lämpötilalla (0,8–1,0) malli tutkii vähemmän ilmeisiä muotoiluja: enemmän luovuutta, mutta myös suurempi virheriski – asetus, joka kannattaa varata aivoriihiin ja luovaan kirjoittamiseen.

Vibessä lämpötilaa hallitaan automaattisesti; sinun ei tarvitse miettiä sitä. API:n kautta voit kuitenkin määrittää sen tarkasti jokaiselle pyynnölle, ja se on tehokas vipu: sama kysymys esitettynä arvolla 0,1 ja arvolla 0,9 tuottaa toisessa tapauksessa kirjanpitäjän vastauksen ja toisessa mainoscopywriterin vastauksen.

Hallusinaatiot – kun malli keksii asioita

Hallusinaatiot ovat vastauksia, jotka vaikuttavat uskottavilta, mutta ovat faktuaalisesti virheellisiä. Malli “keksii” tietoa, ja – tässä piilee vaara – se tekee sen yhtä itsevarmalla sävyllä kuin kertoessaan totuutta. Syy on rakenteellinen: LLM ennustaa todennäköisiä tokeneja, ei varmennettuja faktoja. Se voi siis tuottaa tekstiä, joka on kielellisesti moitteetonta mutta faktuaalisesti väärää. Riskialueet on tunnistettu hyvin: tarkat päivämäärät, luvut ja tilastot, oikeille ihmisille attribuoidut sitaatit, viittaukset tutkimuksiin tai artikkeleihin sekä tietyt tekniset yksityiskohdat. Pyydä mallilta vähän tunnetun kirjailijan bibliografiaa: se tarjoaa mielellään kirjan nimiä, jotka ovat täysin uskottavia… mutta eivät ole olemassa.

Hallusinaatioita ei eliminoida, niitä rajoitetaan. RAG ankkuroi vastaukset varmennettuihin lähteisiin; matala lämpötila suosii todennäköisimpiä vastauksia; lähteen pyytäminen mallilta – ja sen jälkeinen oma varmentaminen – paljastaa keksinnöt; ankkurointi (grounding), jota tarkastelemme heti seuraavaksi, yhdistää mallin todelliseen dataan. Ja missä tahansa kriittisessä aiheessa sääntö on ehdoton: älä luota sokeasti vastaukseen.

Ankkurointi – kiinnittyminen todellisuuteen

Ankkurointi (grounding) viittaa kaikkiin tekniikoihin, jotka yhdistävät mallin luotettaviin ja ajantasaisiin tietolähteisiin. RAG on yksi muoto, mutta käsite on laajempi. Verkkohaku antaa mallin tarkistaa faktat internetistä sen sijaan, että se ammentaisi jäädytetystä muististaan. Yhteys tietokantoihin antaa sille pääsyn sisäiseen dataasi – todelliseen varastosaldoosi, todellisiin asiakkaisiisi. Funktio-kutsut (function calling) puolestaan antavat sille mahdollisuuden kutsua ulkoisia API-rajapintoja saadakseen reaaliaikaista dataa: säätiedot, osakehinnan, järjestelmän tilan. Ero on ratkaiseva: ankkurointi siirtää avustajan tasolta, joka “tiedä asioita”, tasolle, joka “voi varmentaa asioita”.

Kehote – ohje mallille

Kehote (prompt) on teksti, jonka lähetät mallille: ohjeesi, kysymyksesi tai pyyntösi. Sen laatu määrittää suurelta osin vastauksen laadun – tämä on kokonaisen oppitunnin aihe myöhemmin tässä kurssissa. Pidä nyt mielessäsi kolme käsitettä. Järjestelmäkehote (system prompt) kokoaa mallille etukäteen annetut yleiset ohjeet (sävy, rooli, rajoitukset), jotka ovat konfiguroitavissa API:n kautta. Käyttäjäkehote (user prompt) on varsinainen viestisi, käsillä oleva kysymys tai tehtävä. Ja few-shot-kehottaminen tarkoittaa esimerkkien tarjoamista odotetuista vastauksista mallin ohjaamiseksi: näyttäminen on usein parempaa kuin selittäminen.

Keskeiset asiat

  • RAG rikastuttaa mallin vastauksia tuoreella ulkoisella datalla
  • Upotukset muuntavat tekstin vektoreiksi semanttista hakua varten
  • Hienosäätö mukauttaa mallin erityistarpeisiisi Forgen avulla
  • Lämpötila ohjaa tasapainoa tarkkuuden ja luovuuden välillä
  • Hallusinaatiot ovat uskottavia mutta vääriä vastauksia; ankkurointi kiinnittää mallin varmennettavaan dataan niiden rajoittamiseksi