Fogalomtár

Tudáshatár (knowledge cutoff)

Mi a(z) Tudáshatár (knowledge cutoff)?

A tudáshatár az az időpont, ameddig egy nyelvi modell tanítóadatai terjednek. A modellnek nincs eleve tudása az ezután történt eseményekről, árakról, törvényekről vagy termékekről, és elavult információkat adhat, hacsak nem kap aktuális adatokat. Ezt olyan módszerekkel lehet kezelni, amelyek futásidőben saját dokumentumokat vagy aktuális webes tartalmakat vonnak be.

Így segít a KI.ordo

A KI.ordo ügynökei a tudáshatárt a tárolt tudás használatával és az aktuális nyilvános oldalak „Weboldal olvasása” eszközzel történő lekérésével ellensúlyozzák.

További információ

Témák

LLM
Naprakészség
Alapok

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

Nagy nyelvi modell (LLM)

A nagy nyelvi modell (LLM) egy nagyon nagy szövegmennyiségen betanított neurális háló, amely képes a nyelv megértésére és előállítására. Úgy működik, hogy lépésről lépésre kiszámítja a legvalószínűbb következő tokent. Az LLM-ek írnak, összefoglalnak, fordítanak, kérdésekre válaszolnak és kódot generálnak; ismert példák a Claude, a GPT, a Gemini és a Llama. Aktuális források elérése nélkül csak azt tudják, ami a tanítóadataikban szerepelt.

nyelvi modellek
generatív MI
+1

Hallucináció

A hallucináció egy MI-modell meggyőzően hangzó, de téves vagy teljesen kitalált kimenete – például egy nem létező bírósági ítélet, egy hibás szám vagy egy kitalált forrás. Az ok: a nyelvi modellek valószínű megfogalmazásokat állítanak elő, nem keresnek fel automatikusan tényeket. A kockázat csökken, ha a válaszok ellenőrzött forrásokon alapulnak, bizonyítékokat hivatkoznak, és emberek ellenőrzik a fontos eredményeket.

nyelvi modellek
megbízhatóság
+1

Sablon

Visszakeresésalapú generálás (RAG)

A visszakeresésalapú generálás a keresést a szöveggeneráláshoz kapcsolja: a válasz előtt a rendszer egy tudásgyűjteményben – például kézikönyvekben, irányelvekben vagy GYIK-ekben – releváns részleteket keres, és ezeket kontextusként átadja a nyelvi modellnek. A válasz így naprakész, vállalatspecifikus tartalmakon alapul, nem csak a modell tanítási tudásán. Ez csökkenti a kitalált állításokat, nyomon követhetővé teszi a forrásokat, és újratanítás nélküli frissítést tesz lehetővé.

RAG
tudáskeresés
+1

Tanítóadatok

A tanítóadatok azok a példák, amelyekből egy MI-modell mintákat tanul: nagy szöveggyűjtemények a nyelvi modellekhez, címkézett képek a képi modellekhez. Minőségük, sokféleségük és aktualitásuk nagyban meghatározza, mennyire megbízható és igazságos egy modell, és mennyire naprakész a tudása. A szervezetek számára az is számít, hogy a szolgáltató a megadott ügyféladatokat felhasználja-e további tanításhoz.

Adatok
Training
+1