Galvenie ģeneratīvās AI jēdzieni
Šajā lapā
- Būtiskās terminoloģijas apguve
- RAG — Atgūšanas papildinātā ģenerēšana
- Iegulstījumi (Embeddings) — Vektoru attēlojumi
- Smalkā noregulēšana (Fine-tuning) — Pielāgota adaptācija
- Temperatūra — Radošuma regulators
- Halucinācijas — Kad modelis izdomā faktus
- Pamatojums (Grounding) — Sidrošana realitātē
- Uzdevums (Prompt) — Instrukcija modelim
- Galvenās atziņas
Atjaunināts 2026. gada 2. novembrī — Le Chat kļūst par Vibe. Sākot ar 2026. gada 28. maiju, Le Chat tagad ir Vibe (joprojām vietnē chat.mistral.ai): vienots aģents darbam un kodēšanai, kas saglabā tavas sarunas, iestatījumus un abonementus. Vecais Le Chat interfeiss joprojām ir pieejams režīmā Chat; režīmā Work aģenti tagad ir prasmes (izsaucamas ar
@), atmiņas ir pārvērstas zināšanu bāzē, bet padziļinātā meklēšana ir kļuvusi par prasmi Deep Research. Plāni tagad tiek dēvēti par Mistral Free, Pro, Team un Enterprise. Šajā nodarbībā tiek lietots nosaukums Vibe; dažu šeit aprakstīto izvēlņu nosaukumi vai atrašanās vietas var būt mainījušies.
Būtiskās terminoloģijas apguve
Ir daži termini, ar kuriem sastapsies ikvienā sapulcē, katrā dokumentācijā un ikvienā diskusijā ar tehnisko komandu par ģeneratīvo AI: RAG, iegulstījumi (embeddings), smalkā noregulēšana (fine-tuning), temperatūra, halucinācijas un pamatojums (grounding). Šajā nodarbībā mēs tos izskaidrosim vienu pēc otra, nevis kā vārdnīcas definīcijas, bet gan kā rīkus, kurus pratīsi lietot reālā sarunā. Ja pārdevējs piedāvās “RAG čatbotu ar Mistral iegulstījumiem”, tu precīzi zināsi, ko tas tev pārdod un kādi jautājumi jāuzdod.
RAG — Atgūšanas papildinātā ģenerēšana
RAG (Retrieval-Augmented Generation jeb atgūšanas papildinātā ģenerēšana) ir viena no visplašāk izmantotajām metodēm LLM atbilžu kvalitātes uzlabošanai. Princips balstās uz vienkāršu novērojumu: tā vietā, lai paļautos tikai uz modeļa iekšējām zināšanām, jautājuma uzdošanas brīdī tam tiek sniegta atbilstoša informācija, kas iegūta no ārējas datubāzes.
Mehānisms norisinās četros soļos:
- Lietotājs uzdod jautājumu
- Meklēšanas sistēma zināšanu bāzē identificē atbilstošus dokumentus
- Šie dokumenti tiek ievadīti modeļa kontekstā
- Modelis, balstoties uz šo svaigo informāciju, ģenerē savu atbildi
Kāpēc tas ir tik svarīgi? Jo RAG atrisina fundamentālu LLM problēmu: to zināšanas ir iesaldētas apmācības datumā. Modelis, kas apmācīts pagājušajā gadā, nezina neko par tavu jauno produktu katalogu, tavas nodaļas reorganizāciju vai pagājušajā mēnesī publicētajiem noteikumiem. Izmantojot RAG, tas var atbildēt uz jautājumiem par jaunākajiem notikumiem, uzņēmuma iekšējiem datiem vai tavu nodrošinātajiem dokumentiem. Iedomājies personāla nodaļu, kas katru nedēļu saņem tādus pašus jautājumus par koplīgumu: RAG asistents, kas pieslēgts uzņēmuma līgumiem, atbildēs, citējot pareizo pantu, nevis improvizēs no atmiņas. Tieši šī tehnoloģija darbina Vibe tīmekļa meklēšanu un lielāko daļu uzņēmumu čatbotu.
Iegulstījumi (Embeddings) — Vektoru attēlojumi
Iegulstījumi ir skaitliski teksta attēlojumi vektoru veidā, proti, skaitļu saraksti. Katrs vārds, teikums vai dokuments tiek pārveidots par punktu augstdimensiju matemātiskā telpā. Galvenā ideja ietilpst vienā teikumā: divi semantiski tuvi teksti šajā telpā būs tuvu viens otram. “Suns” un “sunains” būs kaimiņi; “suns” un “izklājlapa” atradīsies ļoti tālu viens no otra, lai gan nevienam no šiem pāriem nav nozīmīgu kopīgu burtu.
Šī īpašība maina visu informācijas atgūšanas jomā. Tradicionāla atslēgvārdu meklēšana neatradīs dokumentu par “abpusēju izbeigšanu”, ja meklēsi “draudzīgu līguma izbeigšanu”; semantiskā meklēšana, izmantojot iegulstījumus, to atradīs, jo abi formulējumi norāda uz vienu un to pašu vektoru telpas apgabalu. Papildus meklēšanai iegulstījumus izmanto tekstu automātiskai klasificēšanai pēc tēmām, dublikātu vai līdzīga satura noteikšanai un, kā redzējām šīs sadaļas iepriekšējā nodarbībā, atbilstošu dokumentu atlasei RAG procesā. Mistral piedāvā specializētus iegulstījumu modeļus Mistral Embed un Codestral Embed, kas pārveido tavu tekstu izmantojamos vektoros.
Smalkā noregulēšana (Fine-tuning) — Pielāgota adaptācija
Smalkā noregulēšana sastāv no iepriekš apmācīta modeļa apmācības turpināšanas, izmantojot tavus pašus datus, lai pielāgotu to konkrētām vajadzībām. Visprecīzākais tēls ir ģimenes ārsts, kas tiek apmācīts par speciālistu: vispārīgās zināšanas jau ir klāt, tu pievieno specializētu ekspertīzi.
To izmanto vairākās situācijās. Zīmols, kas vēlas, lai visas tā atbildes klientiem ievērotu specifisku toni un stilu, var veikt modeļa smalko noregulēšanu, izmantojot savus labākos iepriekšējos dialogus. Juridiskais birojs vai medicīnas nodaļa var ieviest nozarei specifisku vārdnīcu, ko vispārīgais modelis apstrādā tikai aptuveni. Komanda, kas dienā apstrādā tūkstošiem e-pastu, var specializēt modeli konkrētam uzdevumam, piemēram, klasificēšanai vai entīšu ekstrakcijai, iegūstot labākus rezultātus nekā ar vispārīgu uzdevumu (prompt). Visbeidzot, distilācija sastāv no zināšanu pārnešanas no liela modeļa uz mazu, lai sasniegtu līdzīgu veiktspēju ar daudz zemākām izmaksām. Mistral vidē platforma Forge ļauj veikt atvērto modeļu smalko noregulēšanu: tu sagatavo jautājumu un atbilžu pāru datu kopu, palaid apmācību un iegūsti pielāgotu modeli, ko var izvietot, izmantojot API.
Temperatūra — Radošuma regulators
Temperatūra ir parametrs, kas kontrolē modeļa atbilžu “radošuma” pakāpi — tehniski runājot, nejaušību. Pie zemas temperatūras (no 0 līdz 0,3) modelis sistemātiski izvēlas visvarbūtīgākās atbildes: rezultāts ir paredzams, precīzs un reproducējams, kas ir piemērots faktoloģiskiem uzdevumiem, datu ekstrakcijai un kodēšanai. Pie vidējas temperatūras (no 0,4 līdz 0,7) tiek sasniegts līdzsvars starp konsekvenci un daudzveidību, kas der lielākajai daļai sarunu scenāriju. Pie augstas temperatūras (no 0,8 līdz 1,0) modelis izpēta mazāk acīmredzamus formulējumus: vairāk radošuma, bet arī lielāks kļūdu risks — šis iestatījums ir rezervēts smadzeņu vētrām un radošai rakstīšanai.
Vidē Vibe temperatūra tiek pārvaldīta automātiski; tev par to nav jādomā. Tomēr, izmantojot API, tu vari to precīzi definēt katram pieprasījumam, un tas ir spēcīgs instruments: tas pats jautājums, uzdots ar temperatūru 0,1 un 0,9, vienā gadījumā radīs grāmatveža atbildi, bet otrā — kopiraitera atbildi.
Halucinācijas — Kad modelis izdomā faktus
Halucinācijas ir atbildes, kas šķiet ticamas, bet faktiski ir nepareizas. Modelis “izgudro” informāciju un — šeit slēpjas briesmas — dara to ar tikpat pārliecinātu toni, kā tad, kad tas stāsta patiesību. Cēlonis ir strukturāls: LLM prognozē varbūtīgus tokenus, nevis pārbaudītus faktus. Tādēļ tas var ģenerēt tekstu, kas ir lingvistiski nevainojams, bet faktiski nepatiess. Riska zonas ir labi zināmas: precīzi datumi, skaitļi un statistika, citāti, kas piedēvēti reāliem cilvēkiem, atsauces uz pētījumiem vai rakstiem un specifiskas tehniskas detaļas. Palūdz modelim maz zināma autora bibliogrāfiju: tas labprātīgi sniegs tev pilnīgi ticamu grāmatu nosaukumus… kas neeksistē.
Halucinācijas nevar novērst, tās var tikai ierobežot. RAG nostiprina atbildes pārbaudītos avotos; zema temperatūra veicina visvarbūtīgāko atbilžu izvēli; modeļa lūgums norādīt avotus un to turpmāka pārbaude atklāj izgudrojumus; pamatojums (grounding), ko aplūkosim tūlīt, savieno modeli ar reāliem datiem. Un attiecībā uz jebkuru kritisku tēmu noteikums paliek absolūts: nekad neuzticies atbildei akli.
Pamatojums (Grounding) — Sidrošana realitātē
Pamatojums attiecas uz visām metodēm, kas savieno modeli ar uzticamiem un aktuāliem informācijas avotiem. RAG ir viena no formām, taču jēdziens ir plašāks. Tīmekļa meklēšana ļauj modelim pārbaudīt faktus internetā, nevis smelties no savas iesaldētās atmiņas. Pieslēgums datubāzēm tam dod piekļuvi taviem iekšējiem datiem — taviem faktiskajiem krājumiem, taviem faktiskajiem klientiem. Visbeidzot, funkciju izsaukšana (function calling) ļauj tam izsaukt ārējās API, lai iegūtu datus reāllaikā: laika apstākļus, akciju cenas, sistēmas statusu. Atšķirība ir izšķiroša: pamatojums pārvērš asistentu, kurš “zina lietas”, par asistentu, kurš “var pārbaudīt lietas”.
Uzdevums (Prompt) — Instrukcija modelim
Uzdevums ir teksts, ko nosūti modelim: tava instrukcija, tavs jautājums, tavs pieprasījums. Tā kvalitāte lielā mērā nosaka atbildes kvalitāti — par to būs atsevišķa nodarbība vēlāk šajā kursā. Šobrīd paturi prātā trīs jēdzienus. Sistēmas uzdevums (system prompt) apkopo vispārīgās instrukcijas, kas modelim tiek dotas iepriekš (tonis, loma, ierobežojumi), un to var konfigurēt, izmantojot API. Lietotāja uzdevums ir tavs faktiskais ziņojums, konkrētais jautājums vai uzdevums. Savukārt dažu piemēru uzdošana (few-shot prompting) sastāv no paredzamo atbilžu piemēru sniegšanas, lai virzītu modeli: rādīšana bieži ir efektīvāka nekā skaidrošana.
Galvenās atziņas
- RAG bagātina modeļa atbildes ar svaigiem ārējiem datiem
- Iegulstījumi pārveido tekstu vektoros semantiskajai meklēšanai
- Smalkā noregulēšana pielāgo modeli tavām specifiskajām vajadzībām, izmantojot Forge
- Temperatūra kontrolē līdzsvaru starp precizitāti un radošumu
- Halucinācijas ir ticamas, bet nepatiesas atbildes; pamatojums nostiprina modeli pārbaudāmos datos, lai tās ierobežotu