Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Ključni koncepti generativne umetne inteligence

Lekcija 12 od 16 Posodobljeno 2. november 2026 Začetnik
Na tej strani
  1. Obvladovanje bistvenega besedišča
  2. RAG — Generiranje, podprto z iskanjem
  3. Vgraditve (Embeddings) — Vektorske predstavitve
  4. Fino uglaševanje (Fine-tuning) — Prilagojena adaptacija
  5. Temperatura — Drsnik ustvarjalnosti
  6. Halucinacije — Ko model izmišljuje
  7. Uzemljitev (Grounding) — Sidranje v realnosti
  8. Poziv (Prompt) — Navodilo modelu
  9. Ključne ugotovitve

Posodobljeno 2. novembra 2026 — Le Chat postane Vibe. Od 28. maja 2026 je Le Chat zdaj Vibe (še vedno na chat.mistral.ai): en sam agent za delo in kodo, ki ohranja tvoja pogovora, nastavitve in naročnine. Stara izkušnja Le Chat ostaja dostopna v načinu Chat; v načinu Work so agenti zdaj veščine (priklicane z @), spomini so postali baza znanja, globoko iskanje pa veščina Deep Research. Načrti se zdaj imenujejo Mistral Free, Pro, Team in Enterprise. Ta lekcija zdaj uporablja ime Vibe; nekateri meniji, opisani tukaj, so morda spremenili ime ali lokacijo.

Obvladovanje bistvenega besedišča

Obstaja peščica izrazov, na katere boš naletel na vsakem sestanku, v vsaki dokumentaciji in v vsakem pogovoru s tehnično ekipo o generativni umetni inteligenci: RAG, vgraditve (embeddings), fino uglaševanje (fine-tuning), temperatura, halucinacije, uzemljitev (grounding). Ta lekcija jih razlaga enega za drugim, ne kot slovarske definicije, temveč kot orodja, ki jih boš znal uporabiti v stvarnem pogovoru. Ko ti ponudnik predlaga “klepetalnega bota RAG z vgraditvami Mistral”, boš točno vedel, kaj ti prodajajo – in katera vprašanja moraš postaviti.

RAG — Generiranje, podprto z iskanjem

RAG (retrieval-augmented generation) je ena najbolj razširjenih tehnik za izboljšanje kakovosti odgovorov velikega jezikovnega modela (LLM). Načelo izhaja iz preprostega opažanja: namesto da se zanašaš izključno na notranje znanje modela, mu ob času vprašanja zagotoviš ustrezne informacije, izvlečene iz zunanje baze podatkov.

Mehanizem poteka v štirih korakih:

  1. Uporabnik postavi vprašanje
  2. Iskalni sistem identificira ustrezne dokumente v bazi znanja
  3. Ti dokumenti se vbrizgajo v kontekst modela
  4. Model na podlagi teh svežih informacij ustvari svoj odgovor

Zakaj je to tako pomembno? Ker RAG rešuje temeljno težavo LLM: njihovo znanje je zamrznjeno na datum njihovega usposabljanja. Model, usposobljen lani, ne ve ničesar o tvojem novem katalogu izdelkov, reorganizaciji tvojega oddelka ali predpisih, objavljenih prejšnji mesec. Z RAG lahko odgovarja na vprašanja o nedavnih dogodkih, o podatkih, interno lastnih tvoji družbi, ali o dokumentih, ki jih priskrbiš. Predstavljaj si kadrovski oddelek, ki vsak teden prejema enaka vprašanja o kolektivni pogodbi: asistent RAG, povezan s podjetniškimi pogodbami, odgovori z navedbo pravilnega člena, namesto da bi improviziral iz spomina. To je tehnika, ki poganja spletno iskanje v Vibeu in večino podjetniških klepetalnih botov.

Vgraditve (Embeddings) — Vektorske predstavitve

Vgraditve so številčne predstavitve besedila v obliki vektorjev, kar pomeni sezname števil. Vsaka beseda, stavek ali dokument se pretvori v točko v matematičnem prostoru z visoko dimenzionalnostjo. Ključna ideja se shrne v en stavek: dva semantično bližnja besedila bosta imela vgraditvi, ki sta si v tem prostoru blizu. “Pes” in “canine” bosta soseda; “pes” in “preglednica” bosta zelo narazen, čeprav noben od teh parov ne deli pomembnih skupnih črk.

Ta lastnost spremeni vse pri pridobivanju informacij. Tradicionalno iskanje po ključnih besedah ne bo našlo dokumenta o “sporazumni prekinitvi”, če iščeš “prijateljsko končanje pogodbe”; semantično iskanje z vgraditvami pa bo, ker obe formulaciji kažeta na isto območje vektorskega prostora. Poleg iskanja se vgraditve uporabljajo za samodejno razvrščanje besedil po temah, odkrivanje dvojnikov ali podobnih vsebin in – kot smo videli v prejšnji lekciji tega razdelka – za izbiro ustreznih dokumentov v cevovodu RAG. Mistral ponuja namenske modele za vgraditve, Mistral Embed in Codestral Embed, ki tvoje besedilo pretvorijo v uporabne vektorje.

Fino uglaševanje (Fine-tuning) — Prilagojena adaptacija

Fino uglaševanje obsega nadaljevanje usposabljanja predhodno usposobljenega modela s tvojimi lastnimi podatki, da ga prilagodiš specifični potrebi. Najbolj natančna podoba je zdravnik splošne medicine, usposobljen za specialista: splošno znanje je že tam, dodaš pa poudarjeno strokovnost.

Zatečeš se mu v več situacijah. Blagovna znamka, ki želi, da vsi njeni odgovori strankam spoštujejo določen ton in slog, lahko fino uglasti model na svojih najboljših preteklih izmenjavah. Odvetniška pisarna ali medicinski oddelek lahko vsadita besedišče, specifično za panogo, s katerim se splošni model le težko spopada. Ekipa, ki dnevno obdela na tisoče e-poštnih sporočil, lahko specializira model za določeno nalogo, kot je razvrščanje ali ekstrakcija entitet, z boljšimi rezultati kot pri splošnem pozivu. Končno, destilacija obsega prenos znanja z velikega modela na majhnega, da se doseže podobna zmogljivost pri bistveno nižjih stroških. Pri Mistralu je to platforma Forge, ki ti omogoča fino uglaševanje odprtih modelov: pripraviš nabor podatkov parov vprašanje-odgovor, zaženeš usposabljanje in dobiš prilagojen model, ki ga lahko uvedeš prek API-ja.

Temperatura — Drsnik ustvarjalnosti

Temperatura je parameter, ki nadzira stopnjo “ustvarjalnosti” – tehnično gledano naključnosti – v odgovorih modela. Pri nizki temperaturi (0 do 0,3) model sistematično izbere najbolj verjetne odgovore: rezultat je predvidljiv, natančen in ponovljiv, kar ustreza faktografskim nalogam, ekstrakciji podatkov in kodi. Pri srednji temperaturi (0,4 do 0,7) dobiš ravnovesje med koherenco in raznolikostjo, ki ustreza večini konverzacijskih uporab. Pri visoki temperaturi (0,8 do 1,0) model raziskuje manj očitne formulacije: več ustvarjalnosti, a tudi več tveganja za napake – nastavitev, ki jo rezerviraj za možganske nevihte in kreativno pisanje.

V Vibeu je temperatura upravljana samodejno; o njej ti ni treba razmišljati. Prek API-ja pa jo lahko za vsako zahtevo natančno določiš in je močno orodje: isto vprašanje, zastavljeno pri 0,1 in pri 0,9, bo v enem primeru proizvedlo odgovor računovodje, v drugem pa odgovor kopirajterja.

Halucinacije — Ko model izmišljuje

Halucinacije so odgovori, ki se zdijo verjetni, a so dejansko napačni. Model “izumi” informacije in – tu je nevarnost – to stori z enakim samozavestnim tonom, kot ko govori resnico. Vzrok je strukturen: LLM napoveduje verjetne žetone, ne preverjenih dejstev. Zato lahko ustvari besedilo, ki je jezikovno brezhibno, a dejansko lažno. Območja tveganja so dobro identificirana: natančni datumi, številke in statistike, citati, pripisani realnim ljudem, sklici na študije ali članke ter specifične tehnične podrobnosti. Vprašaj model za bibliografijo malo znanega avtorja: z veseljem ti bo priskrbel naslove knjig, ki so popolnoma verodostojni … a ne obstajajo.

Halucinacij ne moreš odpraviti, lahko jih le omejiš. RAG sidra odgovore v preverjene vire; nizka temperatura favorizira najbolj verjetne odgovore; zahteva, da model navede vire – in jih nato sam preveriš – razkrije izmišljotine; uzemljitev, ki jo bomo videli takoj zatem, poveže model z realnimi podatki. In pri vsaki kritični temi ostaja pravilo absolutno: nikoli slepo ne zaupaj odgovoru.

Uzemljitev (Grounding) — Sidranje v realnosti

Uzemljitev se nanaša na vse tehnike, ki povežejo model z zanesljivimi in posodobljenimi viri informacij. RAG je ena oblika, a je koncept širši. Spletno iskanje omogoča modelu, da preveri dejstva na internetu, namesto da črpa iz svojega zamrznjenega spomina. Povezava z bazami podatkov mu daje dostop do tvojih internih podatkov – tvojega dejanskega inventarja, tvojih dejanskih strank. Klicanje funkcij (function calling) mu končno omogoča klicanje zunanjih API-jev za pridobivanje podatkov v realnem času: vreme, cena delnice, status sistema. Razlika je odločilna: uzemljitev premakne asistenta, ki “ve stvari”, v asistenta, ki “lahko preveri stvari”.

Poziv (Prompt) — Navodilo modelu

Poziv je besedilo, ki ga pošlješ modelu: tvoje navodilo, tvoje vprašanje, tvoja zahteva. Njegova kakovost v veliki meri določa kakovost odgovora – to je tema celotne lekcije kasneje v tem tečaju. Zdaj imej v mislih tri pojme. Sistemski poziv združuje splošna navodila, dana modelu vnaprej (ton, vloga, omejitve), konfigurabilna prek API-ja. Uporabniški poziv je tvoje dejansko sporočilo, vprašanje ali naloga, ki je predmet obravnave. In poziv z nekaj primeri (few-shot prompting) obsega zagotavljanje primerov pričakovanih odgovorov za vodenje modela: pokazati je pogosto bolje kot razlagati.

Ključne ugotovitve

  • RAG obogati odgovore modela s svežimi zunanjimi podatki
  • Vgraditve pretvorijo besedilo v vektorje za semantično iskanje
  • Fino uglaševanje prilagodi model tvojim specifičnim potrebam prek platforme Forge
  • Temperatura nadzira ravnovesje med natančnostjo in ustvarjalnostjo
  • Halucinacije so verjetni, a napačni odgovori; uzemljitev sidra model v preverljive podatke, da jih omeji