Słownik pojęć

Granica wiedzy modelu (knowledge cutoff)

Czym jest Granica wiedzy modelu (knowledge cutoff)?

Granica wiedzy (knowledge cutoff) to moment, do którego sięgają dane treningowe modelu językowego. Model nie ma wrodzonej wiedzy o wydarzeniach, cenach, przepisach ani produktach, które pojawiły się później, i może podawać nieaktualne informacje, jeśli nie zostanie zasilony bieżącymi danymi. Można temu zaradzić metodami, które w czasie działania wprowadzają własne dokumenty lub aktualne treści z sieci.

Jak pomaga KI.ordo

Agenci KI.ordo kompensują granicę wiedzy, korzystając z Państwa zapisanej wiedzy i pobierając aktualne strony publiczne za pomocą narzędzia „Odczyt strony internetowej”.

Dowiedz się więcej

Tematy

LLM
Aktualność
Podstawy

Wypróbuj KI.ordo

Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.

Uruchom demo

← Wszystkie pojęcia

Powiązane pojęcia

Duży model językowy (LLM)

Duży model językowy (LLM) to sieć neuronowa wytrenowana na bardzo dużych ilościach tekstu, dzięki czemu potrafi rozumieć i generować język. Działa, obliczając krok po kroku najbardziej prawdopodobny kolejny token. LLM-y piszą, streszczają, tłumaczą, odpowiadają na pytania i generują kod; znane przykłady to Claude, GPT, Gemini i Llama. Bez dostępu do aktualnych źródeł wiedzą tylko to, co znajdowało się w ich danych treningowych.

modele językowe
generatywna AI
+1

Halucynacja

Halucynacja to wynik modelu AI, który brzmi przekonująco, ale jest błędny lub całkowicie zmyślony – na przykład nieistniejący wyrok sądu, błędna liczba czy wymyślone źródło. Przyczyna: modele językowe tworzą prawdopodobne sformułowania, a nie sprawdzają automatycznie faktów. Ryzyko maleje, gdy odpowiedzi opierają się na zweryfikowanych źródłach, podawane są dowody, a ważne wyniki sprawdzają ludzie.

modele językowe
niezawodność
+1

Szablon

Generowanie wspomagane wyszukiwaniem (RAG)

Generowanie wspomagane wyszukiwaniem łączy wyszukiwanie z generowaniem tekstu: przed udzieleniem odpowiedzi system przeszukuje zbiór wiedzy – na przykład instrukcje, regulaminy wewnętrzne lub FAQ – w poszukiwaniu istotnych fragmentów i przekazuje je modelowi językowemu jako kontekst. Odpowiedź opiera się więc na aktualnych treściach specyficznych dla firmy, a nie wyłącznie na wiedzy treningowej modelu. Ogranicza to zmyślone stwierdzenia, umożliwia prześledzenie źródeł i pozwala na aktualizacje bez ponownego trenowania.

RAG
wyszukiwanie wiedzy
+1

Dane treningowe

Dane treningowe to przykłady, z których model AI uczy się wzorców: duże zbiory tekstów dla modeli językowych, obrazy z etykietami dla modeli obrazowych. Ich jakość, różnorodność i aktualność w dużej mierze decydują o tym, jak niezawodny i sprawiedliwy jest model oraz jak aktualna jest jego wiedza. Dla organizacji ma też znaczenie, czy dostawca wykorzystuje wprowadzane przez klientów dane do dalszego trenowania.

Dane
Training
+1