Kľúčové koncepty generatívnej AI
Na tejto strane
- Osvojenie si základnej slovnej zásoby
- RAG – Generovanie rozšírené o vyhľadávanie
- Vektory (Embeddings) – Vektorové reprezentácie
- Jemné doladenie (Fine-tuning) – Šitá adaptácia
- Teplota – Posuvník kreativity
- Halucinácie – Keď si model vymýšľa
- Ukotvenie (Grounding) – Kotvenie v realite
- Prompt – Inštrukcia pre model
- Kľúčové poznatky
Aktualizované 2. novembra 2026 — Le Chat sa stáva Vibe. Od 28. mája 2026 je Le Chat teraz Vibe (stále na adrese chat.mistral.ai): jediný agent pre prácu a kód, ktorý si zachováva vaše konverzácie, nastavenia a predplatné. Pôvodné prostredie Le Chat zostáva dostupné v režime Chat; v režime Work sa agenti stali zručnosťami (vyvolávajú sa pomocou
@), pamäte sa zmenili na znalostnú databázu a hĺbkové vyhľadávanie sa stalo zručnosťou Deep Research. Plány sa teraz nazývajú Mistral Free, Pro, Team a Enterprise. Táto lekcia teraz používa názov Vibe; niektoré tu opísané ponuky mohli zmeniť názov alebo umiestnenie.
Osvojenie si základnej slovnej zásoby
Existuje niekoľko termínov, na ktoré narazíš na každom stretnutí, v každej dokumentácii a v každej diskusii s technickým tímom o generatívnej AI: RAG, vektory (embeddings), jemné doladenie (fine-tuning), teplota, halucinácie, ukotvenie (grounding). Táto lekcia ti ich vysvetlí jeden po druhom, nie ako definície zo slovníka, ale ako nástroje, ktoré budeš vedieť použiť v reálnej konverzácii. Keď ti dodávateľ navrhne „RAG chatbota s vektormi Mistral“, budeš presne vedieť, čo ti predáva – a aké otázky mu máš položiť.
RAG – Generovanie rozšírené o vyhľadávanie
RAG (retrieval-augmented generation) je jednou z najrozšírenejších techník na zlepšenie kvality odpovedí veľkých jazykových modelov (LLM). Princíp vychádza z jednoduchého pozorovania: namiesto toho, aby si sa spoliehal výlučne na vnútorné vedomosti modelu, poskytnes mu v čase otázky relevantné informácie extrahované z externej databázy.
Mechanizmus prebieha v štyroch krokoch:
- Používateľ položí otázku
- Vyhľadávací systém identifikuje relevantné dokumenty v znalostnej databáze
- Tieto dokumenty sa vložia do kontextu modelu
- Model vygeneruje svoju odpoveď na základe týchto čerstvých informácií
Prečo je to také dôležité? Pretože RAG rieši základný problém LLM: ich vedomosti sú zmrazené k dátumu ich trénovania. Model vytrénovaný minulý rok nič nevie o tvojom novom katalógu produktov, reorganizácii tvojho oddelenia alebo nariadeniach uverejnených minulý mesiac. Vďaka RAG môže odpovedať na otázky týkajúce sa nedávnych udalostí, údajov interných pre tvoju spoločnosť alebo dokumentov, ktoré mu poskytnes. Predstav si personálne oddelenie, ktoré každý týždeň dostáva rovnaké otázky týkajúce sa kolektívnej zmluvy: asistent RAG pripojený k firemným zmluvám odpovie citovaním správneho článku, namiesto toho, aby improvizoval z pamäte. Toto je technika, ktorá poháňa webové vyhľadávanie vo Vibe a väčšinu podnikových chatbotov.
Vektory (Embeddings) – Vektorové reprezentácie
Vektory (embeddings) sú číselné reprezentácie textu vo forme vektorov, teda zoznamov čísel. Každé slovo, veta alebo dokument sa transformuje na bod vo vysoko-dimenzionálnom matematickom priestore. Kľúčová myšlienka sa zmestí do jednej vety: dva sémanticky blízke texty budú mať vektory, ktoré sú v tomto priestore blízko seba. „Pes“ a „canine“ budú susedia; „pes“ a „tabuľka“ budú veľmi ďaleko od seba, hoci ani jeden z týchto párov nezdieľa významné spoločné písmená.
Táto vlastnosť mení všetko pri vyhľadávaní informácií. Tradičné vyhľadávanie podľa kľúčových slov nenájde dokument o „dohode o rozviazaní pracovného pomeru“, ak hľadáš „priateľské ukončenie zmluvy“; sémantické vyhľadávanie pomocou vektorov áno, pretože obe formulácie smerujú do tej istej oblasti vektorového priestoru. Okrem vyhľadávania sa vektory používajú na automatickú klasifikáciu textov podľa tém, detekciu duplicit alebo podobného obsahu a – ako sme videli v predchádzajúcej lekcii tejto sekcie – na výber relevantných dokumentov v pipeline RAG. Mistral ponúka špecializované modely pre vektory, Mistral Embed a Codestral Embed, ktoré transformujú tvoj text na použiteľné vektory.
Jemné doladenie (Fine-tuning) – Šitá adaptácia
Jemné doladenie (fine-tuning) spočíva v pokračovaní trénovania predtrénovaného modelu s tvojimi vlastnými dátami, aby sa prispôsobil konkrétnej potrebe. Najpresnejším obrazom je všeobecný lekár vyškolený na špecialistu: všeobecné vedomosti už sú tam, ty pridávaš cielenú expertízu.
K tomu sa uchýliš v niekoľkých situáciách. Značka, ktorá chce, aby všetky jej odpovede zákazníkom rešpektovali špecifický tón a štýl, môže jemne doladiť model na svojich najlepších minulých výmenách. Advokátska kancelária alebo zdravotnícke oddelenie môže vniesť do modelu odbornú slovnú zásobu, ktorú všeobecný model zvláda len približne. Tím, ktorý spracováva tisíce e-mailov denne, môže špecializovať model na konkrétnu úlohu, ako je klasifikácia alebo extrakcia entít, s lepšími výsledkami než pri použití všeobecného promptu. Nakoniec, destilácia spočíva v prenose vedomostí z veľkého modelu do malého, aby sa dosiahol podobný výkon pri oveľa nižších nákladoch. V Mistrale je to platforma Forge, ktorá ti umožňuje jemne doladiť otvorené modely: pripravíš dataset párov otázka-odpoveď, spustíš trénovanie a získaš vlastný model nasaditeľný cez API.
Teplota – Posuvník kreativity
Teplota je parameter, ktorý riadi mieru „kreativity“ – technicky povedané náhodnosti – v odpovediach modelu. Pri nízkej teplote (0 až 0,3) model systematicky vyberá najpravdepodobnejšie odpovede: výsledok je predvídateľný, presný a reprodukovateľný, čo vyhovuje faktickým úlohám, extrakcii dát a kódovaniu. Pri strednej teplote (0,4 až 0,7) dosiahneš rovnováhu medzi koherenciou a variabilitou, ktorá vyhovuje väčšine konverzačných použití. Pri vysokej teplote (0,8 až 1,0) model skúma menej zrejmé formulácie: viac kreativity, ale aj viac rizika chýb – toto nastavenie si nechaj na brainstorming a kreatívne písanie.
Vo Vibe sa teplota spravuje automaticky; nemusíš na ňu myslieť. Prostredníctvom API ju však môžeš pre každú požiadavku presne definovať a je to mocná páka: tá istá otázka položená pri teplote 0,1 a pri 0,9 vyprodukuje v jednom prípade odpoveď účtovníka, v druhom odpoveď copywritera.
Halucinácie – Keď si model vymýšľa
Halucinácie sú odpovede, ktoré sa zdajú vierohodné, ale sú fakticky nesprávne. Model si „vymyslí“ informácie a – tu je nebezpečenstvo – robí to s rovnako sebavedomým tónom, ako keď hovorí pravdu. Príčina je štrukturálna: LLM predpovedá pravdepodobné tokeny, nie overené fakty. Môže teda vytvoriť text, ktorý je lingvisticky bezchybný, ale fakticky falošný. Rizikové oblasti sú dobre identifikované: presné dátumy, čísla a štatistiky, citácie pripisované reálnym ľuďom, odkazy na štúdie alebo články a špecifické technické detaily. Ak požiadaš model o bibliografiu málo známeho autora, ochotne ti poskytne názvy kníh, ktoré sú úplne vierohodné… a neexistujú.
Halucinácie neodstrániš, ale obmedzíš ich. RAG ukotvuje odpovede v overených zdrojoch; nízka teplota uprednostňuje najpravdepodobnejšie odpovede; požiadanie modelu o zdroje – a ich následné overenie tebou – odhalí výmysly; ukotvenie (grounding), ktoré uvidíme hneď potom, pripája model k reálnym dátam. A pri akejkoľvek kritickej téme zostáva pravidlo absolútne: nikdy slepo never odpovedi.
Ukotvenie (Grounding) – Kotvenie v realite
Ukotvenie (grounding) označuje všetky techniky, ktoré pripájajú model k spoľahlivým a aktuálnym zdrojom informácií. RAG je jednou z foriem, ale koncept je širší. Webové vyhľadávanie umožňuje modelu overiť si fakty na internete namiesto čerpania zo svojej zmrazenej pamäte. Pripojenie k databázam mu dáva prístup k tvojim interným dátam – tvojmu skutočnému inventáru, tvojim skutočným zákazníkom. Volanie funkcií (function calling) mu napokon umožňuje volať externé API na získanie dát v reálnom čase: počasie, cena akcie, stav systému. Rozdiel je rozhodujúci: ukotvenie posúva asistenta od toho, ktorý „vie veci“, k asistentovi, ktorý „vie veci overiť“.
Prompt – Inštrukcia pre model
Prompt je text, ktorý pošleš modelu: tvoja inštrukcia, tvoja otázka, tvoja požiadavka. Jeho kvalita z veľkej časti určuje kvalitu odpovede – tejto téme je venovaná celá lekcia neskôr v tomto kurze. Teraz si zapamätaj tri pojmy. Systémový prompt zhromažďuje všeobecné inštrukcie dané modelu vopred (tón, rola, obmedzenia), konfigurovateľné cez API. Používateľský prompt je tvoja skutočná správa, otázka alebo úloha, ktorú máš práve pred sebou. A few-shot prompting spočíva v poskytnutí príkladov očakávaných odpovedí na nasmerovanie modelu: ukázať je často lepšie než vysvetľovať.
Kľúčové poznatky
- RAG obohacuje odpovede modelu o čerstvé externé dáta
- Vektory (embeddings) transformujú text na vektory pre sémantické vyhľadávanie
- Jemné doladenie (fine-tuning) prispôsobuje model tvojim špecifickým potrebám cez Forge
- Teplota riadi rovnováhu medzi presnosťou a kreativitou
- Halucinácie sú vierohodné, ale falošné odpovede; ukotvenie (grounding) kotví model v overiteľných dátach, aby ich obmedzilo