A generatív AI kulcsfogalmai
Ezen az oldalon
- A nélkülözhetetlen szókincs elsajátítása
- RAG – Lekérdezéssel bővített generálás
- Beágyazások (Embeddings) – Vektoros reprezentációk
- Finomhangolás (Fine-tuning) – Testreszabott adaptáció
- Hőmérséklet (Temperature) – A kreativitás szabályozója
- Hallucinációk – Amikor a modell kitalál dolgokat
- Grounding (Horgonyzás) – Rögzítés a valóságban
- Prompt – Az utasítás a modell számára
- Főbb megállapítások
Frissítve: 2026. november 2. — A Le Chat mostantól Vibe. 2026. május 28-tól a Le Chat neve Vibe lett (a cím továbbra is: chat.mistral.ai): ez egyetlen ügynök munkához és kódoláshoz, amely megőrzi beszélgetéseidet, beállításaidat és előfizetéseidet. A régi Le Chat élmény továbbra is elérhető a Chat módban; a Work módban az ügynökök készségekké (skills) váltak (a
@jellel hívhatók meg), az emlékekből tudásbázis lett, a mély keresésből pedig a Deep Research készség. A csomagok neve mostantól: Mistral Free, Pro, Team és Enterprise. Ez a lecke már a Vibe nevet használja; egyes itt leírt menük neve vagy helye megváltozhatott.
A nélkülözhetetlen szókincs elsajátítása
Van néhány kifejezés, amellyel minden értekezleten, minden dokumentációban és minden, a generatív AI-ról szóló technikai megbeszélésen találkozhatsz: RAG, beágyazások (embeddings), finomhangolás, hőmérséklet, hallucinációk, grounding (horgonyzás). Ez a lecke egyesével magyarázza el őket, nem szótári definícióként, hanem eszközként, amelyet majd valódi beszélgetésekben is helyesen tudsz alkalmazni. Amikor egy szállító „RAG alapú chatbotot ajánl Mistral beágyazásokkal“, pontosan tudni fogod, mit próbál eladni neked – és milyen kérdéseket tegyél fel.
RAG – Lekérdezéssel bővített generálás
A RAG (retrieval-augmented generation, azaz lekérdezéssel bővített generálás) az egyik legelterjedtebb technika az LLM-válaszok minőségének javítására. Az elv egy egyszerű megfigyelésen alapul: ahelyett, hogy kizárólag a modell belső tudására támaszkodnál, a kérdés feltevésekor releváns információkat biztosítasz számára egy külső adatbázisból kinyerve.
A mechanizmus négy lépésben zajlik:
- A felhasználó feltesz egy kérdést
- Egy keresőrendszer azonosítja a releváns dokumentumokat egy tudásbázisban
- Ezeket a dokumentumokat betöltik a modell kontextusába
- A modell ezen friss információk alapján generálja a válaszát
Miért olyan fontos ez? Mert a RAG megoldja az LLM-ek egyik alapvető problémáját: tudásuk a betanításuk időpontjában befagy. Egy tavaly betanított modell semmit sem tud az új termékkatalógusodról, a szervezeti átalakításodról vagy a múlt hónapban megjelent szabályozásokról. A RAG segítségével viszont képes válaszolni a közelmúlt eseményeire, a vállalaton belüli adatokra vagy az általad biztosított dokumentumokra vonatkozó kérdésekre. Képzeld el egy HR osztályt, amely hetente ugyanazokat a kérdéseket kapja a kollektív szerződésről: egy RAG asszisztens, amely kapcsolódik a vállalati megállapodásokhoz, a megfelelő cikkely hivatkozásával válaszol, ahelyett, hogy az emlékezetéből találgatna. Ez az a technika, amely a Vibe webes keresését és a legtöbb vállalati chatbotot működteti.
Beágyazások (Embeddings) – Vektoros reprezentációk
A beágyazások (embeddings) a szöveg numerikus, vektoros formában történő ábrázolásai, azaz számok listái. Minden szó, mondat vagy dokumentum egy ponttá alakul át egy nagy dimenziójú matematikai térben. A lényeg egyetlen mondatban összefoglalható: két szemantikailag közeli szöveg beágyazása ebben a térben közel lesz egymáshoz. A „kutya“ és az „eb“ szomszédok lesznek; a „kutya“ és a „táblázat“ viszont nagyon távol kerül egymástól, még akkor is, ha e párok egyike sem tartalmaz jelentős közös betűket.
Ez a tulajdonság mindent megváltoztat az információvisszakeresés terén. Egy hagyományos kulcsszavas keresés nem talál meg egy dokumentumot a „közös megegyezéses felmondásról“, ha te a „baráti szerződésbontást“ keresed; egy szemantikus keresés beágyazásokkal viszont igen, mert mindkét megfogalmazás a vektortér ugyanazon területére mutat. A keresésen túl a beágyazásokat használják a szövegek témák szerinti automatikus osztályozására, duplikátumok vagy hasonló tartalmak észlelésére, és – ahogy az e szakasz előző leckéjében láttuk – releváns dokumentumok kiválasztására egy RAG folyamatban. A Mistral dedikált beágyazási modelleket kínál, a Mistral Embedet és a Codestral Embedet, amelyek a szövegedet használható vektorokká alakítják.
Finomhangolás (Fine-tuning) – Testreszabott adaptáció
A finomhangolás (fine-tuning) azt jelenti, hogy egy előre betanított modell tanítását folytatod a saját adataiddal, hogy egy specifikus igényhez igazítsd. A legpontosabb hasonlat: egy háziorvos specializálása. Az általános tudás már adott, te csak a célzott szakértelmet adod hozzá.
Több helyzetben is igénybe veszed. Egy márka, amely szeretné, ha minden ügyfélválasza egy meghatározott hangnemet és stílust követne, finomhangolhat egy modellt a legjobb korábbi beszélgetései alapján. Egy ügyvédi iroda vagy orvosi osztály olyan iparág-specifikus szókincset sajátíttathat el a modellel, amelyet az általános modell csak nagy vonalakban kezel. Egy naponta több ezer e-mailt feldolgozó csapat specializálhat egy modellt egy konkrét feladatra, például osztályozásra vagy entitáskinyerésre, jobb eredményeket elérve, mint egy általános prompttal. Végül a disztilláció (distillation) azt jelenti, hogy a tudást egy nagy modellről egy kicsire ruházzuk át, hogy hasonló teljesítményt érjünk el sokkal alacsonyabb költségen. A Mistralnál az Forge platform teszi lehetővé az Open modellek finomhangolását: előkészítesz egy kérdés-válasz párokból álló adathalmazt, elindítod a tanítást, és kapsz egy testreszabott modellt, amely az API-n keresztül üzembe helyezhető.
Hőmérséklet (Temperature) – A kreativitás szabályozója
A hőmérséklet (temperature) egy paraméter, amely a modell válaszainak „kreativitási“ fokát – technikailag a véletlenszerűséget – szabályozza. Alacsony hőmérsékleten (0 és 0,3 között) a modell szisztematikusan a legvalószínűbb válaszokat választja: az eredmény kiszámítható, pontos és reprodukálható, ami tényalapú feladatokhoz, adatkinyeréshez és kódoláshoz illik. Közepes hőmérsékleten (0,4 és 0,7 között) a koherencia és a változatosság egyensúlyát kapod, ami a legtöbb beszélgetéses felhasználáshoz megfelelő. Magas hőmérsékleten (0,8 és 1,0 között) a modell kevésbé kézenfekvő megfogalmazásokat fedez fel: több kreativitás, de nagyobb a hibák kockázata is – ezt a beállítást érdemes brainstormingra és kreatív írásra tartogatni.
A Viben a hőmérsékletet a rendszer automatikusan kezeli; nem kell foglalkoznod vele. Az API-n keresztül azonban minden kéréshez pontosan meghatározhatod, és ez egy hatalmas lehetőség: ugyanaz a kérdés 0,1-es és 0,9-es értéknél az egyik esetben könyvelői, a másikban copywriteri választ eredményez.
Hallucinációk – Amikor a modell kitalál dolgokat
A hallucinációk olyan válaszok, amelyek hihetőnek tűnnek, de ténybelileg helytelenek. A modell „kitalál“ információkat, és – itt rejlik a veszély – ezt ugyanolyan magabiztos hangnemben teszi, mint amikor az igazat mondja. Az ok strukturális: egy LLM valószínű tokeneket jósol, nem ellenőrzött tényeket. Ezért képes nyelvileg kifogástalan, de ténybelileg hamis szöveget előállítani. A kockázati területek jól ismertek: pontos dátumok, számok és statisztikák, valós személyeknek tulajdonított idézetek, tanulmányokra vagy cikkekre való hivatkozások, valamint specifikus technikai részletek. Kérj meg egy modellt egy kevésbé ismert szerző bibliográfiájára: szívesen szolgáltat neked tökéletesen hihető könyvcímeket… amelyek nem léteznek.
A hallucinációkat nem szünteted meg, csak korlátozod. A RAG ellenőrzött forrásokhoz horgonyozza a válaszokat; az alacsony hőmérséklet a legvalószínűbb válaszokat részesíti előnyben; ha forrásokat kérsz a modelltől – majd magad ellenőrzöd azokat –, az leleplezi a kitalációkat; a grounding (horgonyzás), amelyet rögtön ezután látunk, valódi adatokhoz köti a modellt. Bármilyen kritikus témában pedig az szabály marad: soha ne bízz vakon egy válaszban.
Grounding (Horgonyzás) – Rögzítés a valóságban
A grounding (horgonyzás) azon technikák összességét jelenti, amelyek egy modellt megbízható és naprakész információforrásokhoz kapcsolnak. A RAG ennek egyik formája, de a fogalom tágabb. A webes keresés lehetővé teszi a modell számára, hogy az interneten ellenőrizze a tényeket, ahelyett, hogy a befagyott memóriájából merítene. Az adatbázisokhoz való kapcsolódás hozzáférést biztosít a belső adataidhoz – a tényleges készletedhez, a tényleges ügyfeleidhez. A függvényhívás (function calling) végül lehetővé teszi, hogy külső API-kat hívjon meg valós idejű adatok lekérésére: időjárás, részvényárfolyam, egy rendszer állapota. A különbség döntő: a grounding elmozdít egy olyan asszisztenstől, amely „tud dolgokat“, egy olyan felé, amely „ellenőrizni tud dolgokat“.
Prompt – Az utasítás a modell számára
A prompt az a szöveg, amelyet elküldesz a modellnek: az utasításod, a kérdésed, a kérésed. Minősége nagyban meghatározza a válasz minőségét – erről szól a kurzus későbbi részeiben egy teljes lecke. Most három fogalmat tarts észben. A rendszer-prompt (system prompt) gyűjti össze a modellnek előre megadott általános utasításokat (hangnem, szerep, korlátozások), amelyek az API-n keresztül konfigurálhatók. A felhasználói prompt (user prompt) a te tényleges üzeneted, a kérdés vagy a feladat. A few-shot prompting pedig azt jelenti, hogy példákat adsz meg a várt válaszokról a modell irányításához: a mutatás gyakran jobb, mint a magyarázat.
Főbb megállapítások
- A RAG friss külső adatokkal gazdagítja a modell válaszait
- A beágyazások (embeddings) vektorokká alakítják a szöveget a szemantikus kereséshez
- A finomhangolás (fine-tuning) az Forge platformon keresztül igazítja a modellt specifikus igényeidhez
- A hőmérséklet (temperature) szabályozza a pontosság és a kreativitás közötti egyensúlyt
- A hallucinációk hihető, de hamis válaszok; a grounding (horgonyzás) ellenőrizhető adatokhoz rögzíti a modellt ezek korlátozására