Kaikki käyttävät tekoälyä. Harva kuitenkaan ymmärtää, mitä konepellin alla tapahtuu.

Se näkyy arjessa. ChatGPT:ltä kysytään faktoja kuin hakukoneelta. Claudeen liitetään 100-sivuinen PDF ja oletetaan, että malli muistaa kaiken täydellisesti. Cursorin annetaan muokata koodia ymmärtämättä, missä kohtaa agentti oikeasti tekee päätöksiä. Midjourneyltä odotetaan täsmällistä sommittelua, vaikka kuvamalli toimii aivan eri tavalla kuin ihminen.

Tässä oppaassa avataan 20 käsitettä, jotka tekevät nykyisestä tekoälystä ymmärrettävää: neuroverkot, tokenit, embeddingit, attention, transformerit, kielimallit, konteksti-ikkunat, temperature, hallusinaatiot, promptaus, transfer learning, fine-tuning, RLHF, LoRA, kvantisointi, RAG, vektorikannat, agentit, chain of thought ja diffuusiomallit.

Kun nämä ymmärtää, AI-uutiset eivät kuulosta enää taikuudelta. Eivätkä myyntipuheet mene yhtä helposti läpi.👇

Tekoälystä puhutaan usein kuin yhdestä asiasta. Todellisuudessa nykyinen AI on kerroksia kerrosten päällä.

Alimpana on matematiikka: neuroverkot, painot, vektorit ja todennäköisyydet. Sen päällä on arkkitehtuuri: transformer, attention ja muut tavat käsitellä dataa. Sen päällä on tuote: chat, hakubotti, koodausagentti tai kuvageneraattori.

Aloitetaan pohjalta.

Neuroverkko on laskentaputki.

Data menee sisään. Se kulkee kerrosten läpi. Lopulta ulos tulee ennuste, luokitus, sana, kuva, ääni tai jokin muu tulos.

Nimi johtaa vähän harhaan. Neuroverkko ei ole digitaaliset aivot pienoiskoossa. "Neuroni" on tässä analogia. Käytännössä neuroverkko on valtava määrä lukuja ja matriisilaskentaa.

Yksinkertainen putki näyttää tältä:

Jokaisen yhteyden välissä on paino. Paino on pieni luku, joka kertoo, kuinka paljon jokin piirre vaikuttaa seuraavaan vaiheeseen.

Koulutus tarkoittaa painojen säätämistä.

Jos malli ennustaa väärin, painoja korjataan vähän. Tätä toistetaan valtavalla määrällä esimerkkejä. Lopputuloksena syntyy malli, joka osaa tehdä hyödyllisiä ennusteita uusista syötteistä.

Tässä kohtaa moni kysyy: "Missä mallin tieto sitten on?"

Se on painoissa. Ei tietokantariveinä, ei muistiinpanoina, ei hakemistona, vaan opittuina lukuarvoina. Siksi kielimalli voi osata selittää Suomen historiaa ilman, että sen sisällä on erillistä tiedostoa nimeltä suomen-historia.txt.

Tämä selittää myös AI:n oudot virheet. Malli ei nouda vastausta varastosta. Se laskee todennäköisen vastauksen syötteen ja opittujen painojen perusteella.

Tärkeä varoitus: mallin koko ei yksin kerro laatua.

Parametrimääristä puhutaan paljon, mutta kaikkia lukuja ei ole julkaistu virallisesti. GPT-4:n tai Claude-mallien tarkkoja parametrimääriä ei kannata käsitellä varmoina faktoina, ellei mallin tekijä ole ne itse vahvistanut. Lisäksi data, arkkitehtuuri, koulutusmenetelmä ja jälkikoulutus vaikuttavat vähintään yhtä paljon.

Nyrkkisääntö: neuroverkko on opittu muunnos syötteestä ulostuloksi. Se ei ajattele kuten ihminen. Se laskee.

Kielimalli ei lue tekstiä sanoina.

Ensin teksti pilkotaan tokeneiksi. Tokeni voi olla sana, sanan osa, kirjainyhdistelmä tai joskus yksittäinen merkki.

Esimerkiksi englannissa:

Tarkka pilkkominen riippuu mallin tokenisaattorista. GPT, Claude, Gemini ja avoimet Llama-mallit voivat pilkkoa saman tekstin eri tavalla.

Miksi tällä on väliä?

Koska tokenit ovat AI:n käytännön mittayksikkö. Niillä mitataan:

Kun mallin konteksti on esimerkiksi 128 000 tokenia, se ei tarkoita 128 000 sanaa. Karkea englanninkielinen sääntö on, että yksi token on noin 0,75 sanaa tai 3–4 merkkiä. Suomen kielessä arvio voi heittää, koska meillä on taivutuksia, pitkiä yhdyssanoja ja erilainen sanarakenteen rytmi.

Sama koskee koodia, taulukoita ja dokumentteja. Lyhytkin tiedosto voi viedä paljon tokeneita, jos siinä on paljon erikoismerkkejä, JSON-rakennetta tai taulukkomuotoista dataa.

Nyrkkisääntö: tokeni on mallin tekstiyksikkö. Se ei ole sama asia kuin sana.

Kun teksti on pilkottu tokeneiksi, se pitää muuttaa numeroiksi.

Embedding on tällainen numeroesitys. Se on vektori eli pitkä numerosarja, joka kuvaa sanan, lauseen, dokumentin, kuvan tai muun sisällön merkitystä.

Hyvä vertaus on kartta.

Kartalla Helsinki ja Espoo ovat lähempänä toisiaan kuin Helsinki ja Tokio. Embedding-avaruudessa "lääkäri" ja "sairaanhoitaja" ovat lähempänä toisiaan kuin "lääkäri" ja "pizza". Kyse ei ole fyysisestä etäisyydestä, vaan merkityksen etäisyydestä.

Tämä on tärkeä idea: malli ei ymmärrä sanoja ihmisen tavoin. Se käsittelee etäisyyksiä ja suuntia moniulotteisessa avaruudessa.

Embeddingit mahdollistavat monta asiaa, joita käytät jo arjessa:

Semanttinen haku tarkoittaa, että haku löytää merkityksen, vaikka sanat eivät täsmää.

Kysyt sisäiseltä AI-botilta:

Dokumentissa ei välttämättä ole täsmälleen tuota lausetta. Siellä voi lukea "koeaikapurku", "palvelussuhteen päättäminen" tai "työsopimuksen purkaminen". Avainsanahaku voi epäonnistua. Embedding-haku löytää samankaltaisen merkityksen.

Tässä on myös riski. Merkityksen läheisyys ei ole sama asia kuin oikea vastaus. Jos dokumentit ovat huonosti nimetyt, vanhentuneet tai ristiriitaiset, embedding voi löytää lähimmän huonon vastauksen.

Embedding ei siis ratkaise tietotyötä yksin. Se tekee tiedosta haettavaa merkityksen perusteella.

Nyrkkisääntö: embedding on tekstin tai muun sisällön koordinaatti merkityskartalla.

Sana "Apple" tarkoittaa eri asioita eri lauseissa.

Suomeksi esimerkki on vähemmän hämäävä, koska omena ja Apple eroavat sanoina. Englanniksi sama sana voi tarkoittaa hedelmää tai yhtiötä. Sama ilmiö näkyy silti kaikkialla: "malli", "pankki", "verkko", "agentti" ja "solu" vaihtavat merkitystä kontekstin mukaan.

Embedding yksin ei riitä ratkaisemaan tätä. Sana tarvitsee ympäristön.

Attention on mekanismi, jolla malli katsoo muita tokeneita ja päättää, mitkä niistä ovat olennaisia juuri nyt.

Self-attentionissa jokainen token voi suhteuttaa itseään muihin tokeneihin. Jos lauseessa lukee "Apple julkaisi tuloksensa", malli painottaa sanoja "julkaisi" ja "tuloksensa". Jos lauseessa lukee "Apple maistui makealta", painotus muuttuu.

Attention ei ole ihmisen tietoista huomiota. Se on matemaattinen painotusjärjestelmä.

Silti se muutti kaiken.

Ennen transformer-aikaa monet mallit käsittelivät tekstiä vahvemmin järjestyksessä. Pitkät riippuvuudet olivat vaikeita. Attention auttoi mallia yhdistämään kaukana toisistaan olevia asioita ja kouluttamaan malleja tehokkaammin rinnakkain.

Käytännön merkitys näkyy promptauksessa. Jos annat mallille sekavan tehtävänannon, se voi painottaa vääriä kohtia. Jos annat selkeän tavoitteen, esimerkit ja rajoitteet, malli saa paremman kartan siitä, mihin sen pitää kiinnittää huomiota.

Huono prompti:

Parempi prompti:

Toisessa tapauksessa mallilla on paljon selkeämpi konteksti.

Nyrkkisääntö: attention auttaa mallia painottamaan oikeita osia kontekstista.

Transformer on arkkitehtuuri, jonka päälle moderni kieli-AI pitkälti rakentuu.

Se tuli tunnetuksi vuonna 2017 julkaistusta paperista "Attention Is All You Need". Paperin idea oli kova: sekvenssejä voidaan käsitellä attentionin avulla ilman perinteistä toistuvaa rakennetta, joka etenee askel kerrallaan.

Yksinkertaistettu transformer-putki:

GPT, Claude, Gemini, Llama ja Mistral ovat kaikki transformer-perheen malleja. Niiden yksityiskohdat eroavat, mutta perusajatus on sama: paljon kerroksia, paljon attentionia, paljon opittuja painoja.

Transformerin vahvuus on skaalautuvuus. Sitä voi kouluttaa valtavilla datamäärillä, ja se hyödyntää rinnakkaista laskentaa hyvin.

Tämä ei tarkoita, että kaikki AI olisi transformer-pohjaista. Kuvamalleissa, videossa, äänessä, robotiikassa ja uusissa hybridiarkkitehtuureissa käytetään muitakin menetelmiä. Silti kielimallien kannalta transformer on se iso perusidea.

Nyrkkisääntö: transformer on tehokas tapa käsitellä kontekstia attentionin avulla.

Nyt peruspalikat ovat kasassa. Seuraavaksi katsotaan, mitä tapahtuu, kun avaat ChatGPT:n, Clauden tai Geminin ja kirjoitat viestin.

Tässä kohtaa moni väärinkäsitys syntyy. Kielimalli näyttää keskustelukumppanilta, mutta taustalla se toimii todennäköisyyksien, kontekstin ja generoinnin varassa.

LLM tarkoittaa large language modelia eli suurta kielimallia.

Se on yleensä transformer-pohjainen malli, joka on koulutettu valtavalla määrällä tekstiä: verkkosivuja, kirjoja, koodia, artikkeleita, dokumentaatiota, keskusteluja ja muuta ihmisten tuottamaa sisältöä.

Koulutustehtävä kuulostaa melkein liian yksinkertaiselta:

Siinä se.

Malli saa tekstin alun ja yrittää ennustaa, mikä token tulee seuraavaksi. Jos ennuste on väärä, painoja säädetään. Tätä toistetaan biljoonilla tokeneilla.

Kun malli oppii ennustamaan tekstiä suuressa mittakaavassa, se oppii samalla paljon tekstissä näkyvistä tavoista ajatella, selittää, ohjelmoida, perustella ja ratkaista.

Tämä ei tee mallista tietoista. Se tekee siitä hämmästyttävän hyvän tekstin ja rakenteiden jatkajan.

Kun pyydät mallia kirjoittamaan SQL-kyselyn, se ei "muista" yhtä tiettyä Stack Overflow -vastausta. Se tuottaa todennäköisen ratkaisun, joka muistuttaa monia koulutusdatassa nähtyjä rakenteita.

Kun pyydät sitä selittämään RAGin, se tuottaa selityksen, joka sopii kysymykseen, sävyyn ja kontekstiin.

Tässä on LLM:n voima ja ongelma samassa paketissa.

Se on erinomainen luonnostelija, muuntaja, tiivistäjä, keskustelija ja koodin apuri. Mutta se ei ole hakukone, totuusmoottori tai tietokanta.

Nyrkkisääntö: LLM ennustaa seuraavaa tokenia niin hyvin, että se näyttää usein ymmärrykseltä.

Konteksti-ikkuna on mallin hetkellinen työpöytä.

Se kertoo, kuinka monta tokenia malli voi nähdä yhdellä kertaa. Mukana ovat järjestelmäohjeet, keskusteluhistoria, käyttäjän viesti, liitetyt dokumentit, haetut lähteet, työkalujen tulokset ja mallin oma vastaus.

Kun konteksti täyttyy, jotain pitää jättää pois, tiivistää tai hakea uudelleen.

Tämä on tärkeä ero: konteksti ei ole pysyvä muisti.

Pitkä konteksti on silti hyödyllinen. Se mahdollistaa laajemmat analyysit, pitkät koodipohjat, monen dokumentin vertailun ja syvemmät keskustelut. Se vaan ei ole täydellinen muisti.

Käytännön vinkki:

Kun annat pitkän aineiston, kerro mallille mitä etsit.

Huono:

Parempi:

Nyrkkisääntö: konteksti-ikkuna on mallin työpöytä. Hyvä työpöytäjärjestys auttaa.

Kun malli tuottaa tekstiä, se ei näe vain yhtä mahdollista seuraavaa tokenia. Se näkee joukon vaihtoehtoja ja niiden todennäköisyyksiä.

Temperature säätää, kuinka rohkeasti malli valitsee näistä vaihtoehdoista.

Matala temperature tekee vastauksesta konservatiivisemman. Malli valitsee todennäköisemmän ja turvallisemman jatkon. Korkeampi temperature lisää vaihtelua. Vastaus voi olla luovempi, mutta myös epätasaisempi.

Karkeasti:

Kaikki työkalut eivät näytä temperature-säädintä. Kuluttajatuotteissa se on usein piilossa. Silti sama ajatus näkyy promptauksessa.

Jos vastaus on tylsä, pyydä lisää vaihtelua:

Jos vastaus harhailee, kiristä tehtävää:

Temperature ei tee mallista älykkäämpää. Se säätää riskinottoa.

Nyrkkisääntö: matala temperature on kurinalainen, korkea temperature kokeilevampi.

AI voi olla väärässä tavalla, joka kuulostaa ärsyttävän varmalta.

Se voi keksiä tutkimuspaperin, jota ei ole olemassa. Se voi antaa API-funktion, jota kirjasto ei tue. Se voi muistaa henkilön tittelin väärin. Se voi siteerata lakia uskottavasti mutta epätarkasti.

Tätä kutsutaan hallusinaatioksi.

Sana on vähän huono, mutta ilmiö on todellinen. Malli ei välttämättä hae totuutta. Se tuottaa todennäköiseltä kuulostavaa jatkoa kontekstille.

Jos kysyt:

Malli voi tuottaa kolme lähdeviitettä, koska lähdeviitteiden muoto on sille tuttu. Se ei välttämättä tarkista, että lähteet ovat oikeita.

Hallusinaatiot näkyvät erityisesti kohdissa, joissa muoto on helppo mutta totuus vaikea:

Korjaus ei ole "älä käytä AI:ta". Korjaus on käyttää sitä oikein.

Faktatyössä kannattaa vaatia lähteet, käyttää hakua, tarkistaa viralliset dokumentit ja testata tekniset väitteet. RAG auttaa, koska malli saa lähteitä kontekstiin. Mutta sekään ei poista virheitä kokonaan. Jos haku tuo väärän dokumentin, malli voi vastata väärään lähteeseen nojaten.

Prompt engineering kuulostaa hienolta. Usein se tarkoittaa vain selkeää työpyyntöä.

Sama malli voi antaa huonon tai hyvän vastauksen sen mukaan, miten tehtävä annetaan.

Huono prompti:

Parempi prompti:

Jälkimmäinen toimii paremmin, koska malli tietää:

Hyvä prompti sisältää yleensä viisi asiaa:

Promptaus ei ole taikasanojen keräilyä. "Act as..." voi auttaa, mutta se ei tee mallista oikeaa juristia tai lääkäriä. "Think step by step" voi auttaa, mutta pitkä päättelyketju voi silti olla väärä.

Parempi tapa ajatella promptausta on työn suunnittelu.

Jos tehtävä on iso, älä pyydä kaikkea yhdellä kertaa. Pyydä ensin suunnitelma, sitten luonnos, sitten kritiikki, sitten viimeistely.

Nyrkkisääntö: promptaus on käyttöliittymä mallin kykyihin.

Raaka kielimalli ei ole sama asia kuin hyvä tuote.

Jotta malli tuntuu hyödylliseltä, sitä muokataan, ohjataan, tiivistetään, hienosäädetään ja pakataan. Tässä kohtaa tulevat käsitteet, jotka selittävät, miksi yksi malli on hyvä koodissa, toinen asiakaspalvelussa ja kolmas pyörii läppärillä.

Mallin kouluttaminen tyhjästä on kallista.

Tarvitaan dataa, laskentaa, osaamista, infraa, arviointia ja aikaa. Frontier-mallien tasolla puhutaan valtavista kustannuksista.

Transfer learning muuttaa pelin.

Sen idea on yksinkertainen: otetaan malli, joka on jo oppinut suuren yleisen tehtävän, ja mukautetaan se uuteen tehtävään.

Ihmisvertaus:

Jos osaat ajaa polkupyörää, moottoripyörän oppiminen on helpompaa kuin jos et olisi koskaan tasapainoillut kahdella pyörällä. Kaikkea ei tarvitse oppia alusta.

AI:ssa tämä tarkoittaa, että perusmalli on jo oppinut kieltä, käsitteitä, koodin rakennetta ja yleisiä vastausmuotoja. Sovellus rakentaa sen päälle.

Siksi useimmat yritykset eivät kouluta omaa mallia tyhjästä. Ne käyttävät valmista foundation-mallia ja lisäävät päälle:

Tämä on hyvä kysymys jokaiselle AI-tuotteelle:

Jos tuote on vain ohut käyttöliittymä ChatGPT:n päällä, sen kilpailuetu voi olla heikko. Jos se yhdistää mallin hyvään dataan, työnkulkuun ja arviointiin, arvo voi olla todellinen.

Nyrkkisääntö: transfer learning antaa pienen tiimin seistä suuren mallin hartioilla.

Fine-tuning tarkoittaa mallin jatkokouluttamista kohdennetulla datalla.

Perusmalli osaa jo kieltä. Fine-tuning opettaa sille tarkemman tavan vastata.

Se voi opettaa esimerkiksi:

Esimerkki:

Asiakastukitiimi haluaa, että malli vastaa aina samalla rakenteella:

Jos tästä on tuhansia hyviä esimerkkejä, fine-tuning voi parantaa laatua ja vähentää pitkien promptien tarvetta.

Huono fine-tuning-data tekee mallista huonomman. Se voi opettaa virheitä, huonoa tyyliä tai vanhentuneita käytäntöjä. Siksi data ja arviointi ovat tärkeämpiä kuin itse menetelmä.

Käytännön kysymys:

Jos vastaus on "uutta tietoa", katso ensin RAGia. Jos vastaus on "uusi tapa toimia", fine-tuning voi olla järkevä.

Nyrkkisääntö: fine-tuning muokkaa mallin käyttäytymistä.

Raaka kielimalli jatkaa tekstiä.

Assistenttimalli yrittää auttaa.

Tuo ero syntyy pitkälti jälkikoulutuksesta. Yksi tärkeä menetelmä on RLHF eli reinforcement learning from human feedback.

Perusidea:

OpenAI:n InstructGPT-paperi teki tämän lähestymistavan tunnetuksi. Siinä näytettiin, että ihmispalautteella hienosäädetty pienempi malli voi olla käyttäjien mielestä parempi kuin paljon suurempi raakamalli.

RLHF opettaa mallille, millainen vastaus tuntuu ihmisestä hyvältä:

Tämä on syy, miksi ChatGPT ja Claude tuntuvat keskustelukumppaneilta. Ne eivät vain jatka tekstiä. Ne yrittävät vastata roolissaan.

Nyrkkisääntö: RLHF tekee mallista käyttökelpoisemman assistentin, mutta ei totuuden mittaria.

Fine-tuning voi olla kallista, jos koko mallin painoja muutetaan.

LoRA eli Low-Rank Adaptation ratkaisee tätä ongelmaa. Sen idea on pitää perusmalli jäädytettynä ja kouluttaa pieniä lisäosia mallin kylkeen.

Ajattele perusmallia isona koneena. LoRA on vaihdettava lisäosa, joka säätää koneen toimintaa tiettyyn tehtävään.

Tämä auttaa kolmella tavalla:

Avoimen mallin yhteisössä LoRA on ollut iso juttu. Se teki erikoismallien kokeilusta halvempaa. Yksi perusmalli voi saada adapterin suomenkieliseen asiakaspalveluun, toisen lääketieteelliseen tekstiluokitteluun ja kolmannen pelihahmon dialogiin.

LoRA ei kuitenkaan poista vaikeinta osaa: dataa.

Jos koulutusdata on huonoa, adapteri oppii huonon tavan. Jos arviointi puuttuu, et tiedä paransiko hienosäätö mitään. Jos tehtävä vaatii ajantasaista faktatietoa, LoRA ei välttämättä ole oikea ratkaisu.

Käytännön kysymys:

Nyrkkisääntö: LoRA on kevyt tapa erikoistaa mallia ilman koko mallin uudelleenkoulutusta.

Suuret mallit vievät paljon muistia.

Painot tallennetaan numeroina. Mitä tarkempia numeroita käytetään, sitä enemmän muistia tarvitaan. Perinteisesti painot voivat olla 32- tai 16-bittisiä. Kvantisointi pienentää tarkkuutta esimerkiksi 8- tai 4-bittiseksi.

Kuulostaa vaaralliselta. Eikö tarkkuus romahda?

Joskus heikkenee. Usein yllättävän vähän.

Kaikki desimaalit eivät ole yhtä tärkeitä mallin toiminnan kannalta. Kun kvantisointi tehdään fiksusti, malli voi säilyttää suuren osan laadustaan mutta mahtua paljon pienempään muistiin.

Tämä on yksi syy, miksi ns. paikallinen AI on noussut.

Kvantisoitu avoin malli voi pyöriä Macilla, kuluttaja-GPU:lla tai joissain tapauksissa puhelimessa. Täystarkkuudella sama malli vaatisi paljon enemmän muistia.

QLoRA yhdistää kaksi ajatusta: 4-bittinen kvantisointi ja LoRA-adapterit. Näin mallia voidaan hienosäätää paljon pienemmillä muistivaatimuksilla.

Nyrkkisääntö: kvantisointi pakkaa mallin niin, että sitä voi ajaa halvemmalla ja lähempänä käyttäjää.

Pelkkä kielimalli ei vielä tee hyvää AI-tuotetta.

Tuotannossa tarvitaan tietoa, hakua, työkaluja, muistia, rajoja, valvontaa ja käyttöliittymä. Tässä kohtaa tulevat RAG, vektorikannat ja agentit.

LLM vastaa helposti muistinsa varassa. RAG antaa sille kirjan auki pöydälle.

RAG tarkoittaa retrieval-augmented generationia. Suomeksi: hakuavusteinen generointi.

Perusputki:

Tämä on yritys-AI:n tärkeimpiä perusmalleja.

RAGin hyödyt:

Mutta RAG ei ole taikatemppu.

Huono RAG on yllättävän yleinen. Dokumentit pilkotaan väärin. Vanhoja versioita jää mukaan. Haku löytää semanttisesti läheisen mutta juridisesti väärän kohdan. Malli ei kerro epävarmuutta. Lähdeviitteet puuttuvat.

Hyvä RAG vaatii:

Jos tieto muuttuu usein, RAG on yleensä parempi kuin fine-tuning. Tuotehinnat, ohjeet, sopimusehdot ja sisäiset prosessit kannattaa pitää haettavana tietona.

Nyrkkisääntö: RAG tekee kielimallista avoimen kirjan kokeen suorittajan.

RAG tarvitsee hyvän haun.

Mutta miten haetaan miljoonista dokumenttipaloista merkityksen perusteella?

Vektorikanta on yksi vastaus.

Perusprosessi:

Työkaluja ovat esimerkiksi Pinecone, Qdrant, Weaviate ja pgvector.

Vektorihaku eroaa avainsanahausta. Avainsanahaku etsii samoja sanoja. Vektorihaku etsii samankaltaista merkitystä.

Esimerkki:

Kysymys:

Dokumentissa:

Avainsanahaku voi missata tämän. Vektorihaku voi löytää sen, koska merkitys on lähellä.

Tuotannossa paras haku on usein hybridi. Vektorihaku löytää merkityksen, avainsanahaku löytää täsmälliset termit, metadata rajaa oikean maan, tuotteen tai version, ja reranker järjestää tulokset uudelleen.

Vektorikanta ei myöskään korjaa sotkuista tietoa. Jos kansiossa on kolme vanhaa henkilöstöohjetta ja yksi uusi, haku voi löytää väärän version. Siksi AI-projektin tylsin osa on usein tärkein: dokumenttien siivous.

Nyrkkisääntö: vektorikanta on RAG-järjestelmän merkityspohjainen hakumuisti.

Chatbot vastaa.

Agentti tekee.

Tämä on yksinkertaistus, mutta hyödyllinen.

AI-agentti yhdistää kielimallin tavoitteeseen, työkaluihin ja palautesilmukkaan. Se ei vain kirjoita vastausta. Se voi suunnitella, hakea tietoa, kutsua API:a, muokata tiedostoa, ajaa testin, tarkistaa tuloksen ja yrittää uudelleen.

Agenttisilmukka näyttää tältä:

Koodausagentti on hyvä esimerkki.

Käyttäjä antaa bugin. Agentti lukee kuvauksen, etsii oikeat tiedostot, avaa testit, muokkaa koodia, ajaa testit, katsoo virheilmoituksen, tekee uuden korjauksen ja raportoi mitä muutti.

Tässä mallissa LLM on aivot. Työkalut ovat kädet.

Työkaluja voivat olla:

Agentti kuulostaa helposti taialta. Tuotannossa se on myös riski.

Jos agentti saa lähettää sähköposteja, poistaa tiedostoja tai muuttaa asiakasdataa, se tarvitsee rajat. Tarvitaan oikeudet, hyväksynnät, lokit, budjetit, testit ja virheenkäsittely.

Hyvä agentti ei ole malli, jolle annetaan vapaat kädet. Hyvä agentti on tarkasti rajattu työnkulku, jossa malli saa tehdä hyödyllisiä asioita turvallisesti.

Nyrkkisääntö: agentti on LLM plus tavoite, työkalut ja palautesilmukka.

Joskus malli epäonnistuu, koska se hyppää vastaukseen liian nopeasti.

Chain of Thought eli vaiheittainen päättely auttaa monivaiheisissa tehtävissä. Tutkimuksessa on nähty, että suuret kielimallit suoriutuvat paremmin tietyissä matematiikan, logiikan ja päättelyn tehtävissä, kun niille annetaan esimerkkejä välivaiheista.

Käytännön tasolla idea on yksinkertainen:

Älä pyydä vain lopputulosta. Pyydä mallia jäsentämään tehtävä.

Huono:

Parempi:

Vuonna 2026 tähän liittyy tärkeä tarkennus. Moni malli ei näytä käyttäjälle varsinaista sisäistä päättelyketjuaan. Se voi silti tehdä sisäistä päättelyä ja antaa ulos tiivistetyn perustelun.

Siksi käyttäjän kannattaa pyytää tarkistettavia välivaiheita, ei mallin "salaista ajattelua".

Hyviä pyyntöjä:

Vaiheittainen päättely ei takaa oikeaa vastausta. Malli voi rakentaa siistin mutta väärän perustelun. Siksi monivaiheiseen työhön kannattaa lisätä tarkistusvaihe:

Nyrkkisääntö: anna mallille työtila, mutta älä usko jokaista välivaihetta ilman tarkistusta.

Kaikki tähän asti on pyörinyt tekstin ympärillä. Kuvamallit toimivat usein eri tavalla.

Diffuusiomalli oppii tuottamaan kuvaa opettelemalla ensin rikkomaan kuvia.

Koulutuksessa prosessi menee näin:

Generoinnissa aloitetaan kohinasta. Malli poistaa kohinaa vaiheittain ja ohjaa prosessia tekstikehotteen perusteella. Vähitellen satunnaisesta kohinasta alkaa muodostua kuva.

Tämä selittää monta kuvamallien piirrettä.

Sama prompti voi tuottaa eri kuvan, koska lähtökohina vaihtelee. Kuvan yksityiskohdat voivat olla vaikeita, koska malli ei rakenna kuvaa ihmisen tavoin esine esineeltä. Teksti kuvassa voi mennä pieleen, koska malli tuottaa visuaalista rakennetta, ei tekstinkäsittelyä.

Käyttäjän kannalta tärkein oppi on tämä: kuvamalli ei "piirrä" pyytämääsi asiaa kuten graafikko. Se jalostaa kohinasta kuvan, joka sopii promptiin ja opittuun dataan.

Siksi hyvä kuvaprompti ei kerro vain aihetta. Se kertoo myös sommittelun, tyylin, valaistuksen, rajauksen, värimaailman ja sen, mitä kuvassa ei saa olla.

Nyrkkisääntö: diffuusiomalli tekee kuvasta vähitellen vähemmän kohinaa ja enemmän rakennetta.

Ensimmäinen sääntö: älä kohtele LLM:ää hakukoneena.

Kielimalli osaa selittää, luonnostella, muuntaa, tiivistää ja auttaa ajattelussa. Faktatyössä se tarvitsee lähteet. Jos väite on tärkeä, tarkista se.

Toinen sääntö: rakenna AI-työ tietovirran ympärille.

Hyvä AI-työnkulku ei ole vain "kysy parempi prompti". Usein tarvitaan oikeat dokumentit, hyvä haku, rajattu konteksti, lähdeviitteet ja arviointi. RAG, vektorikannat ja agenttityökalut ovat siksi käytännön asioita, eivät vain teknisiä termejä.

Kolmas sääntö: erota kyky, käyttöliittymä ja valvonta.

Malli voi osata asian. Tuote voi silti toteuttaa sen huonosti. Agentti voi tehdä työn. Se voi silti tarvita hyväksynnän ennen kuin se lähettää sähköpostin, muuttaa tietokantaa tai julkaisee kampanjan.

Tämä on AI:n aikuisempi vaihe. Vähemmän taikuutta. Enemmän järjestelmäajattelua.

Tekoäly voi olla voimakas työkalu, ja näiden aloittelijaystävällisten vaihtoehtojen avulla voit hyödyntää sitä omissa projekteissasi – olipa kyseessä sisällöntuotanto, ohjelmointi, markkinointi tai oppiminen.

Jos kaipaat koulutusta tekoäly-työkalujen käyttöön, nappaa tästä sitoumukseton etäkahvitteluaika ja jutellaan tarpeistasi 👇