Dabiskās valodas ģenerēšana (NLG) ir valodas apstrādes joma, kas no datiem, punktiem vai citas ievades veido saprotamu tekstu. Agrākās NLG sistēmas balstījās uz veidnēm un noteikumiem; mūsdienās vairums izmanto lielos valodas modeļus. Tipisks pielietojums ir laikapstākļu un biržas ziņojumi, produktu apraksti, rādītāju kopsavilkumi un tērzēšanas robotu atbildes. Svarīgi, lai skaitļi un fakti no ievades tiktu pārņemti pareizi un nemainīti.
Ģeneratīvais MI apzīmē MI sistēmas, kas rada jaunu saturu — tekstu, attēlus, audio, video vai programmas kodu —, nevis tikai šķiro vai vērtē esošus datus. Tās balstās uz modeļiem, kas no liela datu apjoma apgūst likumsakarības un izmanto tās, lai radītu ticamus jaunus rezultātus. Uzņēmējdarbībā to izmanto, piemēram, e-pastu, kopsavilkumu, produktu aprakstu vai attēlu ideju melnrakstiem. Rezultāti var saturēt kļūdas, un pirms lietošanas tie jāpārbauda.
Lielais valodas modelis (LLM) ir neironu tīkls, kas apmācīts ar ļoti lieliem teksta apjomiem, tāpēc spēj saprast un ģenerēt valodu. Tas darbojas, soli pa solim aprēķinot visticamāko nākamo tokenu. LLM raksta, apkopo, tulko, atbild uz jautājumiem un ģenerē kodu; plaši zināmi piemēri ir Claude, GPT, Gemini un Llama. Bez piekļuves aktuāliem avotiem tie zina tikai to, kas bija to apmācības datos.
Uzvedne ir ievade, kas MI modelim norāda, kas jādara — jautājums, uzdevums vai norādījums, bieži papildināts ar kontekstu, piemēriem un vēlamo formātu. Atbildes kvalitāte lielā mērā atkarīga no tā, cik skaidra un pilnīga ir uzvedne. Piemēram, nevis „Uzraksti kaut ko par mūsu produktu”, labāk rakstīt „Uzraksti trīs īsas produkta X priekšrocības amatniecības uzņēmumiem lietišķā tonī”.
