Πώς λειτουργούν τα AI Chatbots με απλά λόγια

Δεν χρειάζεται να κατανοείτε τα μαθηματικά για να χρησιμοποιείτε αποτελεσματικά το AI chat, αλλά μια βασική εικόνα του τι συμβαίνει εξηγεί πολλά: γιατί οι απαντήσεις φαίνονται σίγουρες ακόμα κι όταν είναι λανθασμένες, γιατί η ίδια ερώτηση λαμβάνει διαφορετικές απαντήσεις, γιατί το AI χάνει τον ειρμό σε μεγάλες συνομιλίες και γιατί μπορεί να μη γνωρίζει πρόσφατα γεγονότα. Ακολουθεί μια εξήγηση σε απλή γλώσσα, χωρίς περιττή ορολογία.

Εν συντομία

Ένα AI chatbot βασίζεται σε ένα μεγάλο γλωσσικό μοντέλο (LLM): ένα τεράστιο νευρωνικό δίκτυο που εκπαιδεύτηκε σε τεράστιο όγκο κειμένου για να προβλέπει τι ακολουθεί. Όταν στέλνετε ένα μήνυμα, το μοντέλο διαβάζει τη συνομιλία και παράγει μια απάντηση κομμάτι-κομμάτι, επιλέγοντας κάθε φορά ένα πιθανό επόμενο κομμάτι με βάση όλα τα προηγούμενα. Η περαιτέρω εκπαίδευση τού μαθαίνει να ακολουθεί οδηγίες, να διατηρεί μια συζήτηση και να απορρίπτει επιβλαβή αιτήματα.

Δεν υπάρχει κάποια βάση δεδομένων με έτοιμες απαντήσεις που αναζητούνται, ούτε κάποιος άνθρωπος που πληκτρολογεί στο παρασκήνιο. Σχεδόν όλα τα υπόλοιπα σε αυτόν τον οδηγό απορρέουν από αυτό.

Βήμα 1: Το κείμενο γίνεται tokens

Τα μοντέλα δεν διαβάζουν γράμματα ή ολόκληρες λέξεις. Χωρίζουν το κείμενο σε tokens: οι κοινές λέξεις αποτελούν συχνά ένα μόνο token, ενώ οι μεγαλύτερες ή πιο σπάνιες λέξεις χωρίζονται σε κομμάτια. Τα διαστήματα, τα σημεία στίξης και οι αριθμοί γίνονται επίσης tokens. Γι' αυτό το AI μπορεί να δυσκολεύεται σε εργασίες όπως η καταμέτρηση γραμμάτων σε μια λέξη ή η αντιστροφή ενός κειμένου: δεν βλέπει μεμονωμένα γράμματα όπως εσείς.

Το ίδιο νόημα μπορεί να απαιτεί διαφορετικό αριθμό tokens σε διαφορετικές γλώσσες, γεγονός που αποτελεί έναν από τους λόγους για τους οποίους η ποιότητα και τα όρια μήκους μπορεί να διαφέρουν από γλώσσα σε γλώσσα.

Βήμα 2: Προεκπαίδευση σε τεράστιο όγκο κειμένου

Στην πρώτη και μεγαλύτερη φάση, στο μοντέλο παρουσιάζεται ένας τεράστιος όγκος κειμένου —όπως δημόσια διαθέσιμες ιστοσελίδες, βιβλία, κώδικας και άλλες πηγές, ανάλογα με τον δημιουργό— και μαθαίνει να προβλέπει το επόμενο token. Διορθώνεται συνεχώς και σταδιακά προσαρμόζει τους εσωτερικούς του αριθμούς, που ονομάζονται παράμετροι ή βάρη (weights).

Προκειμένου να προβλέπει σωστά το κείμενο, το μοντέλο καταλήγει να αφομοιώνει ένα τεράστιο μέρος της γραμματικής, γεγονότων, μοτίβων συλλογισμού και υφών γραφής. Ωστόσο, δεν διατηρεί αντίγραφο των δεδομένων εκπαίδευσής του όπως μια βιβλιοθήκη. Αποθηκεύει στατιστικά μοτίβα. Γι' αυτό μπορεί να εξηγήσει μια έννοια με απόλυτη ευχέρεια και ταυτόχρονα να κάνει λάθος σε μια συγκεκριμένη ημερομηνία, όνομα ή παράθεση.

Βήμα 3: Το fine-tuning μετατρέπει ένα εργαλείο πρόβλεψης σε βοηθό

Ένα μοντέλο που προβλέπει απλώς κείμενο θα συνέχιζε απλώς το μήνυμά σας αντί να απαντήσει σε αυτό. Επομένως, οι δημιουργοί του το εκπαιδεύουν περαιτέρω με παραδείγματα ποιοτικών διαλόγων και χρησιμοποιούν ανατροφοδότηση —από ανθρώπους και, ολοένα και περισσότερο, από αυτοματοποιημένους ελέγχους και άλλα μοντέλα— για να επιβραβεύουν χρήσιμες, ειλικρινείς και ασφαλείς απαντήσεις. Μια γνωστή μέθοδος είναι η ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση (RLHF).

Αυτή η φάση δίνει στο chatbot τους «τρόπους» του: να ακολουθεί οδηγίες, να χρησιμοποιεί μορφοποίηση, να παραδέχεται την αβεβαιότητα ορισμένες φορές και να απορρίπτει επιβλαβή αιτήματα. Μπορεί επίσης να εισαγάγει ιδιορρυθμίες, όπως μια τάση να συμφωνεί με τον χρήστη ή να ακούγεται πιο βέβαιο απ' όσο θα έπρεπε.

Πολλά πρόσφατα μοντέλα εκπαιδεύονται επίσης στον συλλογισμό (reasoning): επεξεργάζονται ένα πρόβλημα σε ενδιάμεσα βήματα πριν δώσουν την τελική απάντηση. Αυτό βελτιώνει τα αποτελέσματα στα μαθηματικά, στον προγραμματισμό και στον σχεδιασμό, αν και δεν τα καθιστά αλάνθαστα.

Βήμα 4: Η συνομιλία σας και το παράθυρο πλαισίου (context window)

Όταν συνομιλείτε, η εφαρμογή στέλνει στο μοντέλο ένα πακέτο κειμένου: οδηγίες από την υπηρεσία που εσείς δεν βλέπετε (το system prompt), τα προηγούμενα μηνύματα της συνομιλίας και το νέο σας μήνυμα. Το ίδιο το μοντέλο δεν διατηρεί μνήμη μεταξύ των αιτημάτων. «Θυμάται» τη συνομιλία μόνο επειδή του αποστέλλεται ξανά ολόκληρη κάθε φορά.

Σε απλουστευμένη μορφή, το πακέτο για το τρίτο σας μήνυμα σε μια συνομιλία μοιάζει κάπως έτσι:

[system]    Είσαι ένας χρήσιμος βοηθός. Απάντησε με σαφήνεια...
[user]      Ποιο είναι ένα καλό όνομα για έναν φούρνο;
[assistant] Ορίστε μερικές ιδέες: Το Χρυσό Καρβέλι, Ζεστή Γωνιά...
[user]      Κάνε τα να ακούγονται πιο γαλλικά.
[assistant] (το μοντέλο γράφει αυτό το μέρος, token προς token)

Η φράση «Κάνε τα να ακούγονται πιο γαλλικά» βγάζει νόημα μόνο επειδή περιλαμβάνονται τα προηγούμενα μηνύματα. Αν μια εφαρμογή τα παρέλειπε, το μοντέλο δεν θα είχε ιδέα σε τι αναφέρεται το «τα».

Ο όγκος κειμένου που μπορεί να λάβει υπόψη ένα μοντέλο ταυτόχρονα ονομάζεται παράθυρο πλαισίου (context window), και οι εφαρμογές συχνά περικόπτουν τις μεγάλες συνομιλίες για να παραμείνουν εντός των ορίων. Γι' αυτό, σε μια πολύ μεγάλη συζήτηση, το AI μπορεί να χάσει λεπτομέρειες από την αρχή. Η έναρξη μιας νέας συνομιλίας με μια σύντομη περίληψη συνήθως βοηθάει.

Ορισμένες υπηρεσίες προσθέτουν μια ξεχωριστή λειτουργία μνήμης που αποθηκεύει πληροφορίες για εσάς μεταξύ διαφορετικών συνομιλιών. Αυτή είναι μια λειτουργία της εφαρμογής που έχει αναπτυχθεί γύρω από το μοντέλο, όχι κάτι που κάνει το ίδιο το μοντέλο αυτόνομα.

Βήμα 5: Παραγωγή της απάντησης

Για κάθε επόμενο token, το μοντέλο υπολογίζει πιθανότητες για πολλές πιθανές επιλογές. Στη συνέχεια, η εφαρμογή επιλέγει μία, συνήθως με έναν ελεγχόμενο βαθμό τυχαιότητας, ώστε το κείμενο να μην ακούγεται μηχανικό. Αυτό εξηγεί δύο πράγματα που ίσως έχετε παρατηρήσει:

• Η ίδια ερώτηση μπορεί να παράγει διαφορετικές απαντήσεις. Η επαναπαραγωγή (regenerate) είναι ένας γρήγορος τρόπος για να δείτε εναλλακτικές.
• Μια πρόταση με άψογη ροή δεν είναι απαραίτητα αληθής. Το μοντέλο επιλέγει λέξεις που ταιριάζουν στο πλαίσιο· δεν διασταυρώνει τα γεγονότα καθώς γράφει.

Δοκιμάστε το μόνοι σας: ζητήστε από το chat να εξηγήσει τα tokens με ένα παράδειγμα, στη συνέχεια επαναλάβετε την απάντηση και συγκρίνετε τις δύο εκδοχές.

Γιατί το AI επινοεί πράγματα

Όταν ένα μοντέλο παράγει βέβαιες αλλά ψευδείς πληροφορίες, αυτό ονομάζεται παραίσθηση (hallucination). Συμβαίνει επειδή το μοντέλο έχει κατασκευαστεί για να παράγει αληθοφανές κείμενο, και μια αληθοφανής παραπομπή, ένα στατιστικό στοιχείο ή ένα βιογραφικό είναι εύκολο να δημιουργηθούν ακόμα κι όταν τα πραγματικά δεδομένα είναι άγνωστα. Η εκπαίδευση έχει μειώσει αυτό το φαινόμενο, αλλά δεν το έχει εξαλείψει. Τομείς υψηλότερου κινδύνου περιλαμβάνουν:

• Ακριβείς αριθμούς, ημερομηνίες και αποφθέγματα.
• Αναφορές σε βιβλία, επιστημονικά άρθρα, δικαστικές υποθέσεις και ιστοσελίδες.
• Εξειδικευμένα θέματα με λίγα δεδομένα εκπαίδευσης.
• Γεγονότα που συνέβησαν μετά την ολοκλήρωση της εκπαίδευσης του μοντέλου.

Ο οδηγός επαλήθευσης δεδομένων εξηγεί πώς να διασταυρώνετε τις απαντήσεις γρήγορα.

Γιατί το AI μπορεί να μη γνωρίζει πρόσφατα γεγονότα

Οι γνώσεις ενός μοντέλου προέρχονται από δεδομένα που συλλέχθηκαν μέχρι μια συγκεκριμένη ημερομηνία, το όριο γνώσης του (knowledge cutoff). Μετά από αυτό, δεν γνωρίζει τίποτα καινούργιο, εκτός εάν η εφαρμογή τού παρέχει φρέσκες πληροφορίες, για παράδειγμα μέσω ενός εργαλείου αναζήτησης στο διαδίκτυο ή κειμένου που επικολλάτε εσείς. Όταν ένας βοηθός αναζητά στο διαδίκτυο, η απάντησή του είναι τόσο αξιόπιστη όσο οι σελίδες που βρίσκει, επομένως οι πηγές αξίζει πάντα να ελέγχονται. Εάν η ερώτησή σας εξαρτάται από πρόσφατες πληροφορίες, επικολλήστε εσείς το σχετικό κείμενο ή επιβεβαιώστε την απάντηση από μια ενημερωμένη πηγή.

Μοντέλα, δημιουργοί και το μενού μοντέλων

Αρκετές εταιρείες αναπτύσσουν μεγάλα γλωσσικά μοντέλα, όπως οι OpenAI (τα μοντέλα GPT πίσω από το ChatGPT), Anthropic (Claude), Google (Gemini), Meta (Llama), xAI (Grok), DeepSeek, Alibaba (Qwen) και Mistral AI. Ορισμένες δημοσιεύουν τα βάρη των μοντέλων τους, ώστε οποιοσδήποτε να μπορεί να τα κατεβάσει και να τα εκτελέσει· άλλες προσφέρουν τα μοντέλα τους μόνο μέσω των δικών τους εφαρμογών και API. Τα μοντέλα διαφέρουν ως προς το ύφος, τα δυνατά σημεία, την κάλυψη γλωσσών και το πόσο επιφυλακτικά είναι. Οι οδηγοί μοντέλων και οι συγκρίσεις μας, όπως το ChatGPT vs Claude, τα περιγράφουν πιο αναλυτικά.

Στο ChatG, μπορείτε να επιλέξετε το στυλ μοντέλου που προτιμάτε από το μενού ή να το αφήσετε στο ChatG Auto. Το ChatG είναι ένας ανεξάρτητος ιστότοπος και δεν συνδέεται με καμία από αυτές τις εταιρείες.

Συχνές ερωτήσεις

Καταλαβαίνει το AI τι λέει;

Αυτό αποτελεί ακόμη αντικείμενο συζήτησης. Τα μοντέλα σαφώς κατανοούν βαθιά τη δομή της γλώσσας και του κόσμου και μπορούν να επιλύσουν προβλήματα που δεν έχουν ξαναδεί. Όμως δεν έχουν εμπειρίες και μπορούν να κάνουν λάθη με τρόπους που δεν θα έκανε ένας άνθρωπος που κατανοεί το θέμα. Στην πράξη, αντιμετωπίστε το AI ως ένα ικανό εργαλείο, όχι ως αυθεντία.

Μαθαίνει το AI από τη συνομιλία μου;

Όχι κατά τη διάρκεια της συνομιλίας: τα βάρη του μοντέλου δεν αλλάζουν όσο μιλάτε μαζί του. Ορισμένες υπηρεσίες ενδέχεται αργότερα να χρησιμοποιήσουν τις συνομιλίες για την εκπαίδευση μελλοντικών μοντέλων, ανάλογα με την πολιτική τους και τις ρυθμίσεις σας.

Είναι το AI συνδεδεμένο στο διαδίκτυο;

Το ίδιο το μοντέλο δεν είναι. Λειτουργεί με βάση όσα έμαθε κατά την εκπαίδευση συν ό,τι περιέχεται στη συνομιλία. Ορισμένες εφαρμογές προσθέτουν την αναζήτηση στο διαδίκτυο ως ξεχωριστό εργαλείο. Εκτός εάν μια απάντηση εμφανίζει πηγές που αναζητήθηκαν, υποθέστε ότι προέρχεται από δεδομένα εκπαίδευσης που ενδέχεται να είναι παρωχημένα.

Γιατί ορισμένες απαντήσεις είναι καλύτερες στα αγγλικά απ' ό,τι σε άλλες γλώσσες;

Τα μοντέλα συνήθως εκτίθενται σε πολύ περισσότερο αγγλικό κείμενο κατά την εκπαίδευση σε σύγκριση με τις περισσότερες άλλες γλώσσες, ενώ άλλες γλώσσες μπορεί να απαιτούν περισσότερα tokens για να εκφράσουν το ίδιο πράγμα. Οι ευρέως διαδεδομένες γλώσσες γενικά υποστηρίζονται καλά· οι λιγότερο διαδεδομένες μπορεί να έχουν πιο αδύναμα αποτελέσματα.