Mallin tietosisältö

Generatiivisen tekoälyn mallit, kuten suuret kielimallit (LLM), eivät lähtökohtaisesti tiedä mitään opetusmateriaalinsa ulkopuolelta. Ne ovat "lukeneet" valtavan määrän dataa koulutusvaiheessa, mutta niiden tieto pysyy kiinteänä sen jälkeen – eli mallin "muisti" ei päivity automaattisesti.

Tämä tarkoittaa esimerkiksi sitä, että jos malli on koulutettu vuonna 2023, se ei tiedä mitään sen jälkeen tapahtuneista asioista. Se ei myöskään pääse käsiksi käyttäjän omaan sisältöön ellei sille erikseen anneta tätä tietoa.

Miten mallin tietosisältöä voidaan täydentää?

Tämän rajoituksen ratkaisemiseksi on kehitetty erilaisia menetelmiä, joiden avulla mallille voidaan tarjota ajankohtaista, tilannekohtaista tai räätälöityä tietoa vastauksia varten. Näitä menetelmiä käytetään erityisesti silloin, kun halutaan hyödyntää tekoälyä organisaation sisäisessä tiedonhausta, asiakaspalvelussa tai muussa tehtävässä, jossa tarvitaan tarkkaa ja ajantasaista sisältöä.

Eri menetelmiä esitellään tämän osion alisivuilla:

RAG (Retrieval-Augmented Generation)
CAG (Context-Augmented Generation)
Embeddings

Näiden menetelmien avulla generatiivisesta tekoälystä voidaan tehdä älykkäämpi ja hyödyllisempi ilman uudelleenopetusta.

Mihin tätä tarvitaan?

Ilman näitä täydennystapoja malli voi antaa vastauksia, jotka ovat yleisluonteisia, vanhentuneita tai epätarkkoja. Kun taas tietosisältöä tuodaan ulkopuolelta mukaan, malli pystyy:

Antamaan vastauksia ajankohtaisiin kysymyksiin
Hyödyntämään organisaation omaa tietoa (kuten ohjeita, tuotteita, politiikkoja)
Ymmärtämään käyttäjän kontekstin ja räätälöimään vastauksensa sen mukaan

Tämä mahdollistaa tehokkaamman, hyödyllisemmän ja kohdennetumman tekoälyn käytön eri ympäristöissä.