Ključni koncepti generativne umjetne inteligencije
Na ovoj stranici
- Savladavanje osnovnog rječnika
- RAG — Generacija potpomognuta dohvaćanjem
- Ugradnje (Embeddings) — Vektorski zapisi
- Fino podešavanje (Fine-tuning) — Prilagođena adaptacija
- Temperatura — Klizač kreativnosti
- Halucinacije — Kada model izmišlja
- Uzemljenje (Grounding) — Sidrenje u stvarnosti
- Prompt — Uputa modelu
- Ključne točke
Ažurirano 2. studenoga 2026. — Le Chat postaje Vibe. Od 28. svibnja 2026., Le Chat je sada Vibe (i dalje na chat.mistral.ai): jedinstveni agent za posao i kodiranje koji prenosi tvoje razgovore, postavke i pretplate. Legacy iskustvo Le Chata ostaje dostupno u načinu Chat; u načinu Work, agenti su sada vještine (pozivaju se s
@), memorije su postale baza znanja, a duboko pretraživanje postalo je vještina Deep Research. Planovi se sada nazivaju Mistral Free, Pro, Team i Enterprise. Ova lekcija sada koristi naziv Vibe; neki izbornici opisani ovdje možda su promijenili naziv ili lokaciju.
Savladavanje osnovnog rječnika
Postoji nekoliko pojmova na koje ćeš naići na svakom sastanku, u svakoj dokumentaciji i u svakom razgovoru s tehničkim timom o generativnoj umjetnoj inteligenciji: RAG, ugradnje (embeddings), fino podešavanje (fine-tuning), temperatura, halucinacije, uzemljenje (grounding). Ova lekcija objašnjava ih jednu po jednu, ne kao definicije iz rječnika, već kao alate koje ćeš znati kako koristiti u stvarnom razgovoru. Kada ti dobavljač ponudi „RAG chatbota s Mistral ugradnjama“, točno ćeš znati što ti prodaju – i koja pitanja postaviti.
RAG — Generacija potpomognuta dohvaćanjem
RAG (retrieval-augmented generation) jedna je od najraširenijih tehnika za poboljšanje kvalitete odgovora velikih jezičnih modela (LLM). Načelo polazi od jednostavne opservacije: umjesto da se oslanjaš isključivo na interno znanje modela, pružaš mu, u trenutku postavljanja pitanja, relevantne informacije izvučene iz vanjske baze podataka.
Mehanizam se odvija u četiri koraka:
- Korisnik postavlja pitanje
- Sustav za pretraživanje identificira relevantne dokumente u bazi znanja
- Ti se dokumenti ubacuju u kontekst modela
- Model generira svoj odgovor na temelju tih svježih informacija
Zašto je ovo toliko važno? Zato što RAG rješava temeljni problem LLM-ova: njihovo je znanje zamrznuto na datum njihove obuke. Model obučen prošle godine ne zna ništa o tvom novom katalogu proizvoda, reorganizaciji tvog odjela ili propisima objavljenima prošlog mjeseca. Uz RAG, može odgovarati na pitanja o nedavnim događajima, o podacima internim za tvoju tvrtku ili o dokumentima koje dostaviš. Zamisli odjel za ljudske potencijale koji svaki tjedan prima ista pitanja o kolektivnom ugovoru: RAG asistent povezan s company ugovorima odgovara citirajući ispravan članak, umjesto da improvizira iz memorije. Ovo je tehnika koja pokreće Vibeovo web pretraživanje i većinu poslovnih chatbotova.
Ugradnje (Embeddings) — Vektorski zapisi
Ugradnje (embeddings) su numerički zapisi teksta u obliku vektora, odnosno popisa brojeva. Svaka riječ, rečenica ili dokument transformira se u točku u matematičkom prostoru visoke dimenzionalnosti. Ključna ideja stane u jednu rečenicu: dva semantički bliska teksta imat će ugradnje koje su bliske u tom prostoru. „Pas“ i „kaninac“ bit će susjedi; „pas“ i „proračunska tablica“ bit će vrlo daleko jedan od drugoga, iako nijedan od ovih parova ne dijeli značajna zajednička slova.
Ovo svojstvo mijenja sve u dohvaćanju informacija. Tradicionalno pretraživanje ključnih riječi neće pronaći dokument o „sporazumnom raskidu ugovora“ ako tražiš „prijateljski kraj ugovora“; semantičko pretraživanje putem ugradnji hoće, jer obje formulacije upućuju na isto područje vektorskog prostora. Osim pretraživanja, ugradnje se koriste za automatsko klasificiranje tekstova po temama, otkrivanje duplikata ili sličnog sadržaja i – kao što smo vidjeli u prethodnoj lekciji u ovom odjeljku – za odabir relevantnih dokumenata u RAG cjevovodu. Mistral nudi namjenske modele za ugradnje, Mistral Embed i Codestral Embed, koji tvoj tekst pretvaraju u upotrebljive vektore.
Fino podešavanje (Fine-tuning) — Prilagođena adaptacija
Fino podešavanje (fine-tuning) sastoji se od nastavka obuke unaprijed obučenog modela tvojim vlastitim podacima kako bi se prilagodio specifičnoj potrebi. Najtočnija slika je ona liječnika opće prakse obučenog za specijalista: opće znanje je već tu, ti dodaješ usmjerenu stručnost.
Posežeš za tim u nekoliko situacija. Brend koji želi da svi njegovi odgovori korisnicima poštuju specifičan ton i stil može fino podesiti model na svojim najboljim prošlim razmjenama. Odvjetnički ured ili medicinski odjel mogu usaditi rječnik specifičan za industriju kojim se generalistički model samo grubo snalazi. Tim koji obrađuje tisuće e-mailova dnevno može specijalizirati model za specifičan zadatak poput klasifikacije ili ekstrakcije entiteta, s boljim rezultatima nego kod generičkog prompta. Konačno, destilacija se sastoji od prijenosa znanja s velikog modela na mali, kako bi se postigle slične performanse uz mnogo niže troškove. U Mistralu, to je platforma Forge koja ti omogućuje fino podešavanje Open modela: pripremaš skup podataka parova pitanje-odgovor, pokreneš obuku i dobiješ prilagođeni model koji se može implementirati putem API-ja.
Temperatura — Klizač kreativnosti
Temperatura je parametar koji kontrolira stupanj „kreativnosti“ – tehnički, slučajnosti – u odgovorima modela. Pri niskoj temperaturi (0 do 0,3), model sustavno bira najvjerojatnije odgovore: rezultat je predvidljiv, precizan i reproducibilan, što odgovara faktografskim zadacima, ekstrakciji podataka i kodiranju. Pri srednjoj temperaturi (0,4 do 0,7), dobivaš ravnotežu između koherencije i raznolikosti koja odgovara većini konverzacijskih upotreba. Pri visokoj temperaturi (0,8 do 1,0), model istražuje manje očite formulacije: više kreativnosti, ali i veći rizik od pogrešaka – postavka koju treba rezervirati za brainstorming i kreativno pisanje.
Na Vibeu, temperatura se upravlja automatski; ne moraš razmišljati o tome. Putem API-ja, međutim, možeš je precizno definirati za svaki zahtjev, i to je moćna poluga: isto pitanje postavljeno na 0,1 i na 0,9 proizvest će u jednom slučaju odgovor računovođe, a u drugom odgovor copywritera.
Halucinacije — Kada model izmišlja
Halucinacije su odgovori koji djeluju uvjerljivo, ali su činjenično netočni. Model „izmišlja“ informacije i – u tome je opasnost – to čini istim samouvjerenim tonom kao kada govori istinu. Uzrok je strukturalan: LLM predviđa vjerojatne tokene, a ne provjerene činjenice. Stoga može proizvesti tekst koji je jezično besprijekoran, a činjenično lažan. Područja rizika su dobro identificirana: precizni datumi, brojke i statistike, citati pripisani stvarnim ljudima, reference na studije ili članke i specifični tehnički detalji. Zatražiš li od modela bibliografiju malo poznatog autora: rado će ti dostaviti naslove knjiga koji su savršeno vjerodostojni… a ne postoje.
Halucinacije se ne eliminiraju, već se ograničavaju. RAG sidri odgovore u provjerene izvore; niska temperatura favorizira najvjerojatnije odgovore; traženje od modela da navede izvore – a zatim njihova vlastita provjera – otkriva izmišljotine; uzemljenje (grounding), koje ćemo vidjeti odmah nakon ovoga, povezuje model sa stvarnim podacima. A kod bilo koje kritične teme, pravilo ostaje apsolutno: nikada slijepo ne vjeruj odgovoru.
Uzemljenje (Grounding) — Sidrenje u stvarnosti
Uzemljenje (grounding) odnosi se na sve tehnike koje povezuju model s pouzdanim i ažurnim izvorima informacija. RAG je jedan oblik, ali je koncept širi. Web pretraživanje omogućuje modelu da provjeri činjenice na internetu umjesto da crpi iz svoje zamrznute memorije. Povezivanje s bazama podataka daje mu pristup tvojim internim podacima – tvom stvarnom inventaru, tvojim stvarnim kupcima. Pozivanje funkcija (function calling), konačno, omogućuje mu pozivanje vanjskih API-ja za dobivanje podataka u stvarnom vremenu: vremenska prognoza, cijena dionice, status sustava. Razlika je odlučujuća: uzemljenje prelazi s asistenta koji „zna stvari“ na asistenta koji „može provjeriti stvari“.
Prompt — Uputa modelu
Prompt je tekst koji šalješ modelu: tvoja uputa, tvoje pitanje, tvoj zahtjev. Njegova kvaliteta uvelike određuje kvalitetu odgovora – to je tema cijele lekcije kasnije u ovom tečaju. Sada imaj na umu tri pojma. Sistemski prompt grupira opće upute dane modelu unaprijed (ton, uloga, ograničenja), konfigurabilne putem API-ja. Korisnički prompt je tvoja stvarna poruka, pitanje ili zadatak koji je na redu. A few-shot prompting sastoji se od pružanja primjera očekivanih odgovora kako bi se usmjerio model: pokazivanje je često bolje od objašnjavanja.
Ključne točke
- RAG obogaćuje odgovore modela svježim vanjskim podacima
- Ugradnje (embeddings) pretvaraju tekst u vektore za semantičko pretraživanje
- Fino podešavanje (fine-tuning) prilagođava model tvojim specifičnim potrebama putem Forgea
- Temperatura kontrolira ravnotežu između preciznosti i kreativnosti
- Halucinacije su uvjerljivi, ali lažni odgovori; uzemljenje (grounding) sidri model u provjerljive podatke kako bi ih ograničilo