Salt la conținutul principal
Română— Alege o limbă
Meniu

Conceptele cheie ale IA generative

Lecția 12 din 16 Actualizată 2 noiembrie 2026 Începător
Pe această pagină
  1. Stăpânirea vocabularului esențial
  2. RAG — Generare augmentată prin recuperare
  3. Embeddings — Reprezentări vectoriale
  4. Fine-tuning — Adaptare personalizată
  5. Temperatura — Reglajul creativității
  6. Halucinații — Când modelul inventează
  7. Grounding — Ancorarea în realitate
  8. Prompt — Instrucțiunea către model
  9. Puncte cheie

Actualizat la 2 noiembrie 2026 — Le Chat devine Vibe. Începând cu 28 mai 2026, Le Chat este acum Vibe (tot la chat.mistral.ai): un singur agent pentru muncă și cod, care preia conversațiile, setările și abonamentele dumneavoastră. Experiența legacy Le Chat rămâne accesibilă în modul Chat; în modul Work, agenții sunt acum competențe (invocate cu `@’), memoriile au devenit baza de cunoștințe, iar căutarea avansată a devenit competența Deep Research. Planurile se numesc acum Mistral Free, Pro, Team și Enterprise. Această lecție folosește acum denumirea Vibe; unele meniuri descrise aici își pot fi schimbat numele sau locația.

Stăpânirea vocabularului esențial

Există câțiva termeni pe care îi veți întâlni în fiecare reuniune, în fiecare documentație și în fiecare discuție cu o echipă tehnică despre IA generativă: RAG, embeddings (vectorizare), fine-tuning (ajustare fină), temperatură, halucinații, grounding (ancorare). Această lecție îi explică pe rând, nu ca definiții de dicționar, ci ca instrumente pe care veți ști să le plasați într-o conversație reală. Când un furnizor vă propune „un chatbot RAG cu embeddings Mistral“, veți ști exact ce vă vinde — și ce întrebări să puneți.

RAG — Generare augmentată prin recuperare

RAG (Retrieval-Augmented Generation / Generare augmentată prin recuperare) este una dintre cele mai răspândite tehnici pentru îmbunătățirea calității răspunsurilor unui LLM. Principiul pornește de la o observație simplă: în loc să se bazeze exclusiv pe cunoștințele interne ale modelului, îi furnizați, în momentul întrebării, informații relevante extrase dintr-o bază de date externă.

Mecanismul se desfășoară în patru pași:

  1. Utilizatorul pune o întrebare
  2. Un sistem de căutare identifică documentele relevante într-o bază de cunoștințe
  3. Aceste documente sunt injectate în contextul modelului
  4. Modelul generează răspunsul pe baza acestor informații proaspete

De ce este atât de important? Pentru că RAG rezolvă o problemă fundamentală a LLM-urilor: cunoștințele lor sunt înghețate la data antrenamentului lor. Un model antrenat anul trecut nu știe nimic despre noul dumneavoastră catalog de produse, despre reorganizarea departamentului dumneavoastră sau despre reglementările publicate luna trecută. Cu RAG, acesta poate răspunde la întrebări despre evenimente recente, despre date interne companiei dumneavoastră sau despre documente pe care le furnizați. Imaginați-vă un departament de resurse umane care primește în fiecare săptămână aceleași întrebări despre convenția colectivă: un asistent RAG conectat la acordurile companiei răspunde citând articolul corect, în loc să improvizeze din memorie. Aceasta este tehnica care alimentează căutarea web din Vibe și majoritatea chatboților enterprise.

Embeddings — Reprezentări vectoriale

Embeddings sunt reprezentări numerice ale textului sub formă de vectori, adică liste de numere. Fiecare cuvânt, propoziție sau document este transformat într-un punct într-un spațiu matematic multidimensional. Ideea cheie se rezumă la o singură frază: două texte semantic apropiate vor avea embeddings apropiate în acest spațiu. „Câine“ și „canin“ vor fi vecini; „câine“ și „foaie de calcul“ vor fi foarte departe, chiar dacă niciuna dintre aceste perechi nu sharează litere comune semnificative.

Această proprietate schimbă totul pentru recuperarea informațiilor. O căutare tradițională după cuvinte-cheie nu va găsi un document despre „rezilierea amiabilă“ dacă căutați „încheierea contractului pe cale amiabilă“; o căutare semantică prin embeddings o va găsi, deoarece ambele formulări indică aceeași zonă a spațiului vectorial. Dincolo de căutare, embeddings sunt folosite pentru a clasifica automat texte pe teme, pentru a detecta duplicate sau conținut similar și — așa cum am văzut în lecția anterioară din această secțiune — pentru a selecta documente relevante într-un pipeline RAG. Mistral oferă modele de embeddings dedicate, Mistral Embed și Codestral Embed, care transformă textul dumneavoastră în vectori utilizabili.

Fine-tuning — Adaptare personalizată

Fine-tuning constă în continuarea antrenamentului unui model pre-antrenat cu propriile dumneavoastră date, pentru a-l adapta unei nevoi specifice. Imaginea cea mai exactă este cea a unui medic generalist format ca specialist: cunoștințele generale sunt deja acolo, dumneavoastră adăugați o expertiză punctuală.

Recurgeți la aceasta în mai multe situații. Un brand care dorește ca toate răspunsurile către clienți să respecte un ton și un stil specific poate face fine-tuning unui model pe cele mai bune schimburi din trecut ale acestuia. Un cabinet de avocatură sau un departament medical poate insufla un vocabular specific industriei pe care modelul generalist îl gestionează aproximativ. O echipă care procesează mii de e-mailuri pe zi poate specializa un model pe o sarcină specifică, precum clasificarea sau extragerea entităților, cu rezultate mai bune decât un prompt generic. În final, distilarea constă în transferul cunoștințelor de la un model mare la unul mic, pentru a obține performanțe similare la un cost mult mai redus. La Mistral, platforma Forge este cea care vă permite să faceți fine-tuning modelelor Open: pregătiți un set de date cu perechi întrebare-răspuns, lansați antrenamentul și obțineți un model personalizat, care poate fi implementat prin API.

Temperatura — Reglajul creativității

Temperatura este un parametru care controlează gradul de „creativitate“ — tehnic, aleatoriu — al răspunsurilor modelului. La temperatură scăzută (0 până la 0,3), modelul alege sistematic răspunsurile cele mai probabile: rezultatul este predictibil, precis și reproductibil, ceea ce se potrivește sarcinilor factuale, extragerii de date și codului. La temperatură medie (0,4 până la 0,7), obțineți un echilibru între coerență și varietate, potrivit pentru majoritatea utilizărilor conversaționale. La temperatură ridicată (0,8 până la 1,0), modelul explorează formulări mai puțin evidente: mai multă creativitate, dar și mai mult risc de erori — o setare de rezervat pentru brainstorming și scriere creativă.

Pe Vibe, temperatura este gestionată automat; nu trebuie să vă gândiți la ea. Prin API însă, o puteți defini precis pentru fiecare cerere, iar acesta este o pârghie puternică: aceeași întrebare pusă la 0,1 și la 0,9 va produce un răspuns de contabil într-un caz, un răspuns de copywriter în celălalt.

Halucinații — Când modelul inventează

Halucinațiile sunt răspunsuri care par plauzibile, dar sunt factual incorecte. Modelul „inventează“ informații și — aici este pericolul — o face cu același ton încrezător ca atunci când spune adevărul. Cauza este structurală: un LLM prezice tokeni probabili, nu fapte verificate. Acesta poate therefore produce un text impecabil din punct de vedere lingvistic și fals din punct de vedere factual. Zonele de risc sunt bine identificate: date precise, cifre și statistici, citate atribuite unor persoane reale, referințe la studii sau articole și detalii tehnice specifice. Cereți unui model bibliografia unui autor puțin cunoscut: acesta vă va furniza cu plăcere titluri de cărți perfect credibile… care nu există.

Nu eliminați halucinațiile, ci le limitați. RAG ancorează răspunsurile în surse verificate; o temperatură scăzută favorizează răspunsurile cele mai probabile; solicitarea surselor de către model — și verificarea lor de către dumneavoastră — dezvăluie invențiile; grounding, pe care îl vedem imediat după, conectează modelul la date reale. Și pentru orice subiect critic, regula rămâne absolută: nu aveți niciodată încredere oarbă într-un răspuns.

Grounding — Ancorarea în realitate

Grounding se referă la toate tehnicile care conectează un model la surse de informații fiabile și actualizate. RAG este o formă, dar conceptul este mai larg. Căutarea web permite modelului să verifice fapte pe Internet, în loc să se bazeze pe memoria sa înghețată. Conectarea la baze de date îi oferă acces la datele dumneavoastră interne — stocul dumneavoastră real, clienții dumneavoastră reali. Function calling, în final, îi permite să apeleze API-uri externe pentru a obține date în timp real: vremea, prețul unei acțiuni, starea unui sistem. Diferența este decisivă: grounding trece de la un asistent care „știe lucruri“ la un asistent care „poate verifica lucruri“.

Prompt — Instrucțiunea către model

Promptul este textul pe care îl trimiteți modelului: instrucțiunea, întrebarea sau cererea dumneavoastră. Calitatea acestuia determină în mare măsură calitatea răspunsului — acesta este subiectul unei întregi lecții mai târziu în acest curs. Rețineți acum trei noțiuni. System prompt grupează instrucțiunile generale date modelului de la început (ton, rol, constrângeri), configurabile prin API. User prompt este mesajul dumneavoastră propriu-zis, întrebarea sau sarcina la îndemână. Iar few-shot prompting constă în furnizarea de exemple de răspunsuri așteptate pentru a ghida modelul: a arăta este adesea mai bun decât a explica.

Puncte cheie

  • RAG îmbogățește răspunsurile modelului cu date externe proaspete
  • Embeddings transformă textul în vectori pentru căutare semantică
  • Fine-tuning adaptează un model nevoilor dumneavoastră specifice prin Forge
  • Temperatura controlează echilibrul dintre precizie și creativitate
  • Halucinațiile sunt răspunsuri plauzibile dar false; grounding ancorează modelul în date verificabile pentru a le limita