Pojmovnik

Granica znanja (knowledge cutoff)

Što je Granica znanja (knowledge cutoff)?

Granica znanja je vremenska točka do koje sežu podaci za učenje jezičnog modela. Model nema vlastito znanje o događajima, cijenama, zakonima ili proizvodima koji su nastali nakon toga i može davati zastarjele informacije ako mu se ne dostave aktualni podaci. To se može riješiti metodama koje u vrijeme izvođenja uključuju vlastite dokumente ili aktualne web-sadržaje.

Kako KI.ordo pomaže

Agenti KI.ordo nadoknađuju tu granicu korištenjem vašeg pohranjenog znanja i dohvaćanjem aktualnih javnih stranica alatom „Čitaj web-stranicu“.

Saznajte više

Teme

LLM
Ažurnost
Osnove

Isprobajte KI.ordo

Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.

Pokrenite demo

← Svi pojmovi

Srodni pojmovi

Veliki jezični model (LLM)

Veliki jezični model (LLM) neuronska je mreža trenirana na vrlo velikim količinama teksta, zahvaljujući čemu može razumjeti i generirati jezik. Radi tako da korak po korak izračunava najvjerojatniji sljedeći token. LLM-ovi pišu, sažimaju, prevode, odgovaraju na pitanja i generiraju kod; poznati primjeri su Claude, GPT, Gemini i Llama. Bez pristupa aktualnim izvorima znaju samo ono što je bilo u njihovim podacima za treniranje.

Jezični modeli
Generativna UI
+1

Halucinacija

Halucinacija je izlaz UI modela koji zvuči uvjerljivo, ali je pogrešan ili potpuno izmišljen – primjerice nepostojeća sudska odluka, netočna brojka ili izmišljen izvor. Uzrok: jezični modeli stvaraju vjerojatne formulacije, a ne provjeravaju automatski činjenice. Rizik se smanjuje kada se odgovori temelje na provjerenim izvorima, navode se dokazi, a ljudi provjeravaju važne rezultate.

Jezični modeli
Pouzdanost
+1

Predložak

Generiranje potpomognuto dohvaćanjem (RAG)

Generiranje potpomognuto dohvaćanjem povezuje pretraživanje i generiranje teksta: prije odgovaranja sustav u zbirci znanja – primjerice priručnicima, pravilnicima ili čestim pitanjima – traži relevantne odlomke i prosljeđuje ih jezičnom modelu kao kontekst. Odgovor se tako temelji na aktualnom sadržaju specifičnom za tvrtku, a ne samo na znanju stečenom treniranjem modela. To smanjuje izmišljene tvrdnje, omogućuje praćenje izvora i dopušta ažuriranja bez ponovnog treniranja.

RAG
pretraživanje znanja
+1

Podaci za učenje

Podaci za učenje su primjeri iz kojih UI model uči uzorke: velike zbirke tekstova za jezične modele, označene slike za modele slika. Njihova kvaliteta, raznolikost i aktualnost uvelike određuju koliko će model biti pouzdan i pošten te koliko će njegovo znanje biti ažurno. Organizacijama je važno i koristi li pružatelj podatke klijenata koje unesu za daljnje treniranje.

Podaci
Training
+1