Miten tekoälychatbot toimii? Tekniikka selkokielellä

ChatGPT keräsi arviolta 100 miljoonaa käyttäjää noin kahdessa kuukaudessa julkaisustaan, ja Reutersin helmikuussa 2023 raportoiman analyysin mukaan siitä tuli siihen mennessä nopeimmin kasvanut kuluttajasovellus. Silti harva osaa selittää, mitä konepellin alla tapahtuu sillä hetkellä, kun kirjoitat kysymyksen ja saat sekunnissa sujuvan vastauksen.

Tässä artikkelissa avataan tekoälychatbotin toiminta vaihe vaiheelta ilman raskasta matematiikkaa. Käymme läpi, mikä kielimalli on, miten viestisi muuttuu sanoiksi koneen ymmärtämään muotoon, mitä transformer-arkkitehtuuri tekee ja miksi botti välillä keksii asioita. Jos haluat ensin kerrata peruskäsitteet, lue aloittelijan opas tekoälychatboteista.

Lyhyt vastaus: näin tekoälychatbot toimii

Tekoälychatbot ei hae vastauksia tietokannasta kuten hakukone. Sen sijaan se ennustaa todennäköisimmän seuraavan tekstinpätkän sen perusteella, mitä olet kirjoittanut ja mitä se on oppinut valtavasta tekstimassasta koulutuksen aikana. Botti pilkkoo viestisi pieniksi yksiköiksi, muuttaa ne numeroiksi, laskee niiden välisiä suhteita ja tuottaa vastauksen sana kerrallaan.

Koko taika perustuu tilastolliseen kuvioiden tunnistukseen. Malli on nähnyt miljardeja lauseita ja oppinut, mitkä sanat seuraavat toisiaan tyypillisesti. Kun pyydät reseptin, se ei muista yhtä tiettyä reseptiä vaan rakentaa uskottavan vastauksen oppimiensa kuvioiden pohjalta. Juuri siksi vastaus tuntuu luonnolliselta mutta voi joskus olla virheellinen.

Mistä tekoälychatbotit syntyivät? Lyhyt historia

Keskustelevien ohjelmien juuret ulottuvat 1960-luvulle, jolloin MIT:n tutkija Joseph Weizenbaum rakensi ELIZA-ohjelman, joka jäljitteli psykoterapeutin puhetapaa yksinkertaisilla säännöillä. Wikipedian chatbot-artikkelin mukaan tämä oli ensimmäisiä esimerkkejä siitä, miten kone voi ylläpitää keskustelua. Tuolloin vastaukset perustuivat kuitenkin käsin kirjoitettuihin sääntöihin, eivät oppimiseen.

Ratkaiseva käänne tapahtui vuonna 2017, kun Googlen tutkijat julkaisivat tutkimusartikkelin "Attention Is All You Need". Se esitteli transformer-arkkitehtuurin, joka mahdollisti aiempaa suurempien ja tehokkaampien kielimallien rakentamisen. Tämä työ loi pohjan kaikille nykyisille chatboteille.

Kehitys kiihtyi nopeasti. Vuonna 2020 OpenAI julkaisi GPT-3-mallin, jossa oli 175 miljardia parametria, ja se osoitti, että riittävän suuri malli pystyy moniin tehtäviin ilman erillistä opetusta. Marraskuussa 2022 julkaistu ChatGPT toi tämän teknologian tavallisten ihmisten ulottuville helppokäyttöisen keskustelukäyttöliittymän kautta. Halutessasi voit syventyä taustaan generatiivisen tekoälyn oppaassa.

Kielimalli on chatbotin moottori

Jokaisen tekoälychatbotin ytimessä on suuri kielimalli, englanniksi large language model eli LLM. Wikipedian määritelmän mukaan kyseessä on neuroverkkomalli, joka on koulutettu valtavalla tekstimäärällä ennustamaan tekstiä. Malli ei sisällä erillistä tietopankkia, vaan sen osaaminen on tallennettu verkon parametreihin, eli numeroihin, joita säädetään koulutuksen aikana.

Parametrien määrä antaa karkean kuvan mallin koosta. Mitä enemmän parametreja, sitä hienovaraisempia kuvioita malli voi periaatteessa oppia, mutta samalla koulutus ja käyttö vaativat enemmän laskentatehoa. Käytännössä laatu riippuu myös koulutusaineiston laadusta ja hienosäädöstä, ei pelkästä koosta.

Chatbot on kielimallin ympärille rakennettu sovellus. Se ottaa vastaan viestisi, lisää siihen taustaohjeita, lähettää kokonaisuuden mallille ja näyttää tuloksen sinulle. Eri palvelut käyttävät eri malleja, ja niiden eroja vertaillaan ChatGPT:n, Clauden, Geminin ja Copilotin vertailussa.

Näin viestisi muuttuu vastaukseksi vaihe vaiheelta

Kun painat lähetä-nappia, viestisi käy läpi useita vaiheita murto-osassa sekuntia. Ymmärrät botin käytöksen paremmin, kun tunnet nämä askelmat. Seuraava taulukko tiivistää koko ketjun yhdellä silmäyksellä.

Tokenisointi tarkoittaa tekstin pilkkomista paloiksi. Token voi olla kokonainen sana, sanan osa tai välimerkki. Tämä on tärkeää, koska malli ei käsittele kirjaimia vaan näitä yksiköitä, ja niiden määrä vaikuttaa suoraan käytön hintaan ja nopeuteen.

Upotusvaiheessa jokainen token saa numeerisen esityksen, joka sijoittaa sanan moniulotteiseen avaruuteen. Lähekkäin sijaitsevat vektorit kuvaavat merkitykseltään läheisiä sanoja, joten esimerkiksi "kuningas" ja "kuningatar" asettuvat lähelle toisiaan. Tämä antaa mallille tavan käsitellä merkitystä matematiikan keinoin.

Lopuksi malli ennustaa seuraavan tokenin todennäköisyyksien perusteella ja toistaa tämän kierroksen yhä uudelleen, kunnes vastaus on valmis. Koska valintaan liittyy hallittua satunnaisuutta, sama kysymys voi tuottaa hieman eri vastauksia eri kerroilla.

Mikä on transformer ja miksi se mullisti alan

Transformer on neuroverkkoarkkitehtuuri, jonka tärkein keksintö on itsetarkkailumekanismi, englanniksi self-attention. Sen avulla malli pystyy punnitsemaan, kuinka paljon kukin sana lauseessa vaikuttaa toisten sanojen tulkintaan. Aiemmat mallit lukivat tekstiä sana kerrallaan järjestyksessä, mikä teki pitkien yhteyksien hahmottamisesta hidasta ja vaikeaa.

Otetaan lause "Nostin kirjan pöydältä, koska se oli pölyinen". Itsetarkkailu auttaa mallia päättelemään, viittaako sana "se" kirjaan vai pöytään. Tällainen kontekstin hahmottaminen on syy, miksi nykychatbotit pärjäävät selvästi paremmin kuin vanhat sääntöpohjaiset ohjelmat.

Toinen etu on rinnakkaisuus. Koska transformer käsittelee koko syötteen kerralla eikä yksi sana kerrallaan, sitä voidaan kouluttaa tehokkaasti suurilla näytönohjainklustereilla. Juuri tämä teki valtavien mallien kouluttamisesta käytännössä mahdollista ja käynnisti viime vuosien nopean kehityksen, kuten alkuperäinen tutkimusartikkeli osoitti.

Koulutus, hienosäätö ja palaute: miten malli oppii

Kielimallin oppiminen jakautuu yleensä kolmeen vaiheeseen. Ensimmäinen on esikoulutus, jossa malli lukee valtavan määrän tekstiä internetistä, kirjoista ja muista lähteistä ja opettelee ennustamaan seuraavan tokenin. Tässä vaiheessa se omaksuu kieliopin, faktoja ja kirjoitustyylejä, mutta ei vielä osaa noudattaa ohjeita kovin hyvin.

Toinen vaihe on hienosäätö, jossa mallia opetetaan tarkemmilla esimerkeillä toimimaan halutulla tavalla. Kolmas vaihe on ihmispalautteeseen perustuva vahvistusoppiminen, englanniksi reinforcement learning from human feedback eli RLHF. Siinä ihmiset arvioivat mallin vastauksia, ja malli oppii suosimaan hyödyllisiä ja turvallisia vastauksia.

Juuri RLHF on syy, miksi chatbotit tuntuvat kohteliailta ja avuliailta. Koulutusaineistolla on kuitenkin aikaraja, joten malli ei lähtökohtaisesti tiedä tapahtumista, jotka sattuivat sen koulutuksen päättymisen jälkeen. Tämän puutteen korjaamiseksi monet palvelut yhdistävät malliin reaaliaikaisen verkkohaun. Eri työkalujen ominaisuuksia esitellään suomenkielisten tekoälytyökalujen koosteessa.

Miksi chatbot välillä erehtyy

Tekoälychatbotit tuottavat joskus itsevarmalta kuulostavia mutta virheellisiä vastauksia. Ilmiötä kutsutaan hallusinaatioksi. Syy löytyy mallin perusluonteesta: se ennustaa todennäköisiä sanoja eikä tarkista faktoja erillisestä lähteestä. Kun oikeaa tietoa ei ole opittu riittävän tarkasti, malli täydentää aukon uskottavalta vaikuttavalla arvauksella.

Riskien hallintaan on kehitetty kehyksiä. Yhdysvaltain standardisointivirasto julkaisi vuonna 2023 tekoälyn riskienhallintakehyksen, joka ohjaa organisaatioita arvioimaan ja vähentämään tekoälyn haittoja. Käytännön neuvo käyttäjälle on yksinkertainen: tarkista tärkeät faktat luotettavasta lähteestä, varsinkin jos kyse on terveydestä, taloudesta tai lakiasioista.

Hallusinaatioita voi vähentää myös hyvällä kysymyksen muotoilulla. Tarkka ja rajattu pyyntö ohjaa mallia paremmin kuin epämääräinen kysymys. Lisäksi mallin pyytäminen perustelemaan vastauksensa tai listaamaan lähteensä paljastaa usein, kuinka varmalla pohjalla vastaus on.

Tärkeimmät kielimallit ja niiden mittakaava

Alan kehitystä on helpoin hahmottaa muutaman virstanpylvään kautta. Seuraava taulukko kokoaa keskeiset käännekohdat, jotka veivät tekniikan ELIZAsta nykyisiin chatboteihin.

Parametrimäärät kasvoivat pitkään vuosi vuodelta, mutta viime aikoina huomio on siirtynyt pelkän koon kasvattamisesta tehokkuuteen ja laatuun. Stanfordin yliopiston AI Index -raportti seuraa näitä kehityssuuntia vuosittain ja tarjoaa neutraalia mittaritietoa alan etenemisestä.

Sääntely ja turvallisuus 2026

Tekoälyn yleistyessä myös sääntely on kiristynyt. Euroopan unionin tekoälyasetus, englanniksi AI Act, tuli voimaan elokuussa 2024, ja sen velvoitteet astuvat asteittain voimaan seuraavien vuosien aikana. Euroopan komission mukaan kyseessä on maailman ensimmäinen laaja tekoälyä koskeva lakikokonaisuus, joka luokittelee järjestelmät riskin mukaan.

Kansainvälisellä tasolla myös UNESCO on julkaissut suosituksen tekoälyn etiikasta, jonka jäsenvaltiot hyväksyivät vuonna 2021. Se korostaa ihmisoikeuksia, läpinäkyvyyttä ja vastuullisuutta. Käyttäjän näkökulmasta nämä säännöt tähtäävät siihen, että chatbotit kertovat avoimemmin, milloin sisältö on tekoälyn tuottamaa.

Tietosuoja on toinen tärkeä kysymys. Monet palvelut käyttävät keskusteluja mallien kehittämiseen, ellet erikseen kiellä sitä asetuksista. Arkaluonteisia tietoja, kuten henkilötunnuksia tai liikesalaisuuksia, kannattaa siksi välttää syöttämästä chatbotille.

Näin kirjoitat kehotteen, joka tuottaa paremman vastauksen

Vastauksen laatu riippuu valtaosin siitä, miten kysymys eli kehote (prompt) on muotoiltu. OpenAI:n oma kehoteopas (OpenAI Help Center, päivitetty 2025) korostaa kolmea asiaa: anna konteksti, määrittele muoto ja rajaa tehtävä. Sama periaate toistuu Anthropicin Claude-dokumentaatiossa (Anthropic Docs 2025), jossa selkeää roolitusta ja esimerkkejä suositellaan systemaattisesti.

Käytännössä toimiva kehote rakentuu neljästä osasta. Ensin kerrot roolin tai näkökulman, esimerkiksi "toimi kokeneena verovirkailijana". Toiseksi annat taustatiedot, kuten että kyse on suomalaisen toiminimen arvonlisäverosta. Kolmanneksi kerrot tarkan tehtävän ja neljänneksi haluamasi muodon, esimerkiksi "vastaa enintään viidellä virkkeellä ja listaa lähteet".

• Anna esimerkki: yksi tai kaksi malliesimerkkiä ohjaa mallia tehokkaammin kuin pelkkä ohje. Tätä kutsutaan few-shot-kehottamiseksi.
• Pilko tehtävä: monivaiheinen pyyntö kannattaa jakaa peräkkäisiin viesteihin, jolloin malli pysyy paremmin asiassa.
• Pyydä perustelut: "selitä päättelysi vaihe vaiheelta" parantaa vastauksen tarkkuutta monimutkaisissa tehtävissä.
• Korjaa iteroiden: ensimmäistä vastausta ei kannata pitää lopullisena, vaan tarkentaa "lyhyemmin", "lähteet mukaan" tai "konkreettisemmin".

Hyvä esimerkki erosta: pelkkä "kerro markkinoinnista" tuottaa pintapuolisen yleiskatsauksen. Tarkennettu "Olet pienyrityksen markkinointikonsultti. Asiakas myy käsintehtyjä kynttilöitä netissä, budjetti 200 euroa kuukaudessa. Ehdota kolme konkreettista markkinointitoimea ja arvioi kunkin hinta" antaa heti käyttökelpoisen suunnitelman.

Muista myös rajoitteet. Kielimalli ei tunne reaaliaikaisia tietoja ellei sillä ole hakutyökalua, joten päivämääriä ja lukuja kannattaa pyytää erikseen tarkistettaviksi. Kun annat mallille mahdollisuuden sanoa "en tiedä", vähennät virheellisten vastausten eli hallusinaatioiden todennäköisyyttä. Selkeä kehote ei ole temppu vaan tärkein yksittäinen tapa parantaa lopputulosta.

Suosituimmat tekoälychatbotit ja niiden hinnat vertailussa

Vuonna 2026 markkinoita hallitsee neljä isoa toimijaa, joilla on omat vahvuutensa ja hinnoittelunsa. Kuluttajalle tarjotaan tyypillisesti ilmainen perustaso ja noin 20 dollarin kuukausimaksu laajemmasta käytöstä. Seuraava taulukko kokoaa keskeiset erot palveluntarjoajien omien hinnastojen mukaan (OpenAI, Google, Anthropic ja Microsoft, hinnastot 2026).

Hinnoittelu jakautuu kahteen logiikkaan. Kuluttajatilaus on kiinteä kuukausimaksu, kun taas yrityskäytössä veloitetaan usein käytön mukaan eli prosessoitujen tokenien perusteella. Esimerkiksi OpenAI:n ja Anthropicin rajapintahinnat ilmoitetaan dollareina miljoonaa tokenia kohden (OpenAI API -hinnasto 2026), jolloin kustannus skaalautuu suoraan käyttömäärän mukaan.

Valintaan kannattaa vaikuttaa kolme tekijää. Ensinnäkin se, mihin järjestelmiin chatbot pitää kytkeä: Microsoft 365 -talossa Copilot istuu luontevasti, kun taas Google Workspacessa Gemini on lähimpänä. Toiseksi tehtävän luonne, sillä pitkien sopimusten tai koodin käsittelyssä Claude ja GPT pärjäävät tyypillisesti hyvin. Kolmanneksi tietosuoja: yritystason sopimuksissa toimittajat lupaavat, ettei syötteitä käytetä mallien kouluttamiseen, mikä on olennaista arkaluonteisen datan kanssa.

Ilmainen taso riittää useimpiin satunnaisiin kysymyksiin. Maksullinen tilaus kannattaa vasta, kun käytät chatbotia päivittäin tai tarvitset tehokkaimman mallin, suuremmat käyttörajat ja kuvien tai tiedostojen käsittelyn. Suomalaiselle käyttäjälle kannattaa myös varmistaa, että palvelu tukee suomea sujuvasti, sillä erot pienten kielten osaamisessa ovat edelleen mallikohtaisia.

Yleisimmät virheet chatbotin käytössä ja miten vältät ne

Tekoälychatbot on tehokas apuväline, mutta sen väärinkäyttö johtaa virheellisiin tai jopa vaarallisiin lopputuloksiin. Euroopan kuluttajajärjestö BEUC on varoittanut (BEUC 2024), että käyttäjät luottavat chatbottien antamiin tietoihin liikaa ilman tarkistusta. Alla on yleisimmät sudenkuopat ja konkreettiset tavat välttää ne.

• Vastausten tarkistamatta jättäminen. Kielimalli voi tuottaa itsevarmalta kuulostavaa mutta virheellistä tietoa. Tarkista aina nimet, päivämäärät, lukuarvot ja lakitiedot alkuperäisestä lähteestä.
• Arkaluonteisten tietojen syöttäminen. Älä liitä keskusteluun henkilötunnuksia, salasanoja tai liikesalaisuuksia, sillä kuluttajaversioissa syötteitä voidaan käyttää mallin kehittämiseen. Tietosuojavaltuutetun toimisto on Suomessa muistuttanut tästä riskistä (Tietosuojavaltuutettu 2025).
• Lähteiden sokea luottaminen. Chatbot saattaa keksiä viitteitä, joita ei ole olemassa. Tätä kutsutaan lähdehallusinaatioksi, ja jokainen viite tulee avata ja todentaa itse.
• Vanhentuneeseen tietoon nojaaminen. Ilman hakutyökalua malli tuntee vain koulutusdatansa ajankohtaan asti, joten ajankohtaisia hintoja tai uutisia ei kannata kysyä ilman lähdeyhteyttä.

Käytännön esimerkki näyttää riskin selvästi. Yhdysvaltalainen asianajaja sai 5 000 dollarin sakot, kun hän jätti oikeudelle chatbotin keksimiä, olemattomia ennakkotapauksia (Mata v. Avianca, U.S. District Court 2023). Tapaus on noussut alan vakiovaroitukseksi siitä, mitä tarkistamaton käyttö voi maksaa ammattilaiselle.

Hyvä työtapa on käyttää chatbotia luonnostelijana, ei lopullisena auktoriteettina. Pyydä malli perustelemaan vastauksensa, kysy sama asia kahdella eri tavalla ja vertaa tuloksia. Anna mallille lupa myöntää epävarmuus, sillä "en ole varma" on usein arvokkaampi kuin sujuva mutta väärä vastaus. Näin yhdistät tekoälyn nopeuden ihmisen harkintaan ja vältät tyypillisimmät virheet.

Tokenit, konteksti-ikkuna ja API-kustannukset: näin hinta todella muodostuu

Kun käytät chatbotia rajapinnan (API) kautta, et maksa kysymyksistä vaan tokeneista. Tokeni on sanan pala: OpenAIn tokenisaattorin mukaan englannissa yksi tokeni vastaa noin 0,75 sanaa, mutta suomi pilkkoutuu tehottomammin, koska yhdyssanat ja taivutuspäätteet kasvattavat token-määrää. Käytännössä suomenkielinen teksti kuluttaa OpenAIn cl100k-tokenisaattorilla noin 1,5 kertaa enemmän tokeneita kuin sama asia englanniksi. Tämä nostaa suomenkielisen sovelluksen laskua suoraan.

Lasku jakautuu kahteen osaan: syötetokeneihin (kehote ja konteksti) ja vastaustokeneihin. Vastaustokenit ovat tyypillisesti 3-5 kertaa kalliimpia. Konteksti-ikkuna määrää, kuinka paljon tekstiä malli pitää kerralla muistissa. Anthropicin dokumentaation (2026) mukaan Claude-mallien ikkuna on 200 000 tokenia, OpenAIn GPT-4o-malli kattaa 128 000 tokenia, ja Google ilmoittaa Gemini 1.5 Pro -mallille jopa 2 miljoonan tokenin ikkunan. Mitä enemmän kontekstia syötät, sitä enemmän maksat jokaisesta kierroksesta.

Käytännön laskuesimerkki: jos asiakaspalvelubotti käsittelee 10 000 keskustelua kuussa, ja jokainen kuluttaa 1 500 syöte- ja 400 vastaustokenia, GPT-4o-mallilla kuukausilasku on noin 77,5 dollaria (15 miljoonaa syötetokenia 2,50 dollarilla ja 4 miljoonaa vastaustokenia 10 dollarilla per miljoona). Kustannusta voi leikata kahdella keinolla: lyhentämällä järjestelmäkehotetta ja hyödyntämällä välimuistia (prompt caching), joka Anthropicin mukaan voi laskea toistuvan kontekstin hintaa jopa 90 prosenttia.

Käytännön esimerkki: rakenna omaan dataan perustuva chatbot RAG-menetelmällä

Yleisin tapa saada chatbot vastaamaan oman organisaation tiedoilla on RAG (Retrieval-Augmented Generation eli hakuavusteinen generointi). Siinä kielimalli ei opettele tietojasi, vaan hakee oikean tekstinpätkän tietokannasta ja liittää sen kehotteeseen vastaushetkellä. Tämä vähentää virheellisiä vastauksia, koska malli vastaa annetun lähteen pohjalta. Otetaan esimerkiksi suomalainen verkkokauppa, joka haluaa botin vastaavan toimitusehdoista ja palautuskäytännöistä.

1. Pilko dokumentit. Jaa toimitusehdot ja UKK-sivut noin 500 sanan paloihin. Pienemmät palat osuvat hakuun tarkemmin.
2. Luo upotukset (embeddings). Muunna jokainen pala vektoriksi esimerkiksi OpenAIn text-embedding-3-small-mallilla, jonka hinta on OpenAIn hinnaston (2026) mukaan 0,02 dollaria miljoonalta tokenilta.
3. Tallenna vektoritietokantaan. Suosittuja vaihtoehtoja ovat Pinecone, Weaviate ja avoimen lähdekoodin pgvector PostgreSQLin päällä.
4. Hae ja vastaa. Käyttäjän kysyessä järjestelmä hakee 3-5 osuvinta palaa ja liittää ne kehotteeseen, jonka kielimalli muotoilee vastaukseksi.
5. Lisää lähdeviittaukset. Pyydä mallia mainitsemaan, mistä dokumentista vastaus tuli, jotta käyttäjä voi tarkistaa tiedon.

Menetelmän hyöty on mitattava. Gartnerin ennusteen (2024) mukaan vuoteen 2026 mennessä 30 prosenttia yrityksistä on ottanut käyttöön generatiivisen tekoälyn asiakaspalvelussa, ja hyvin viritetty botti voi hoitaa itsenäisesti merkittävän osan rutiinikysymyksistä. Tärkein laatumittari on osumatarkkuus: tarkista säännöllisesti, palauttaako haku oikeat dokumenttipalat. Jos botti antaa väärän vastauksen, ongelma on lähes aina haussa, ei kielimallissa. Aloita kapealla aihealueella, mittaa onnistuneiden vastausten osuus ja laajenna dataa vasta, kun tarkkuus on vakaa.

Usein kysytyt kysymykset

Ymmärtääkö tekoälychatbot oikeasti, mitä se sanoo?

Ei samalla tavalla kuin ihminen. Chatbot ei ole tietoinen eikä koe merkityksiä, vaan se laskee tilastollisesti todennäköisimmän jatkon tekstille. Vaikutelma ymmärryksestä syntyy siitä, että malli on oppinut valtavasta tekstimäärästä, miten sanat ja käsitteet liittyvät toisiinsa. Se osaa siis käyttää kieltä uskottavasti ja yhdistellä tietoa, mutta sillä ei ole aikomuksia, tunteita eikä omaa kokemusta maailmasta. Tämän eron muistaminen auttaa suhtautumaan vastauksiin terveen kriittisesti ja tarkistamaan tärkeät tiedot erikseen.

Mistä chatbot saa tietonsa?

Tieto on peräisin koulutusaineistosta, joka sisältää tyypillisesti verkkosivuja, kirjoja, artikkeleita ja muuta julkista tekstiä. Malli ei tallenna näitä lähteitä sellaisinaan vaan oppii niistä kuvioita, jotka tallentuvat sen parametreihin. Tämän vuoksi se ei pysty siteeraamaan alkuperäistä lähdettä luotettavasti, ellei siihen ole liitetty erillistä hakutoimintoa. Monet nykyiset palvelut yhdistävät malliin reaaliaikaisen verkkohaun, jolloin botti voi noutaa tuoretta tietoa ja merkitä lähteet. Ilman tällaista hakua mallin tiedot rajoittuvat koulutuksen päättymishetkeen.

Miksi sama kysymys voi tuottaa eri vastauksia?

Vastauksen muodostamiseen liittyy hallittua satunnaisuutta. Malli laskee jokaiselle mahdolliselle seuraavalle tokenille todennäköisyyden, mutta se ei aina valitse kaikkein todennäköisintä vaihtoehtoa. Tätä satunnaisuuden määrää säädetään parametrilla, jota kutsutaan usein lämpötilaksi. Korkeampi arvo tuottaa luovempia ja vaihtelevampia vastauksia, matalampi taas tasaisempia ja ennustettavampia. Lisäksi palvelut päivittävät mallejaan ajan myötä, joten vastaus voi muuttua myös siksi, että taustalla oleva versio on vaihtunut. Vaihtelu on siis suunniteltu ominaisuus, ei vika.

Mitä tarkoittaa hallusinaatio?

Hallusinaatiolla tarkoitetaan tilannetta, jossa chatbot tuottaa itsevarmalta kuulostavaa mutta virheellistä tai keksittyä tietoa. Koska malli ennustaa todennäköisiä sanoja eikä tarkista faktoja erillisestä tietokannasta, se voi täydentää aukot uskottavalta vaikuttavilla mutta vääriltä yksityiskohdilla. Tyypillisiä esimerkkejä ovat keksityt lähdeviitteet, väärät päivämäärät tai olemattomat tutkimukset. Riski on suurin silloin, kun kysymys koskee tarkkoja faktoja, joista mallilla on niukasti tietoa. Tärkeät tiedot kannattaa siksi aina varmistaa luotettavasta lähteestä ennen päätöksentekoa.

Ovatko keskusteluni yksityisiä?

Se riippuu palvelusta ja asetuksistasi. Monet chatbotit voivat oletuksena käyttää keskusteluja mallien kehittämiseen, vaikka tarjoavat usein mahdollisuuden kieltää tämän asetuksista. Joissakin yritysversioissa tietoja ei käytetä koulutukseen lainkaan. Yleisenä ohjeena kannattaa olettaa, että kaikki kirjoittamasi voi tulla ihmisen tarkasteltavaksi laadunvalvonnan yhteydessä. Arkaluonteisia tietoja, kuten henkilötunnuksia, salasanoja tai liikesalaisuuksia, ei pidä syöttää chatbotille. Lue palvelun tietosuojaseloste, jos haluat varmistua siitä, miten tietojasi käsitellään ja kuinka kauan niitä säilytetään.

Voiko chatbot oppia keskustelun aikana?

Yksittäisen keskustelun aikana malli ei pysyvästi opi mitään uutta. Se kykenee muistamaan saman keskustelun aiemmat viestit niin sanotun konteksti-ikkunan rajoissa, mutta tämä muisti nollautuu, kun aloitat uuden keskustelun. Pysyvä oppiminen tapahtuu vasta, kun mallin kehittäjät kouluttavat sen uudelleen uudella aineistolla. Jotkin palvelut tarjoavat erillisen muistitoiminnon, joka tallentaa valittuja tietoja eri keskustelujen välille, mutta sekään ei muuta itse mallia. Käytännössä botti siis vaikuttaa oppivan keskustelun kuluessa, mutta vaikutus rajoittuu kyseiseen istuntoon.

Miksi chatbotilla on tietojen aikaraja?

Kielimalli koulutetaan tietyllä aineistolla, joka on kerätty johonkin tiettyyn ajankohtaan asti. Tätä kutsutaan tiedon raja-ajaksi. Malli ei lähtökohtaisesti tiedä mitään tapahtumista, jotka sattuivat tämän ajankohdan jälkeen, koska niitä ei ollut koulutusaineistossa. Uudelleenkouluttaminen on kallista ja aikaa vievää, joten sitä ei tehdä jatkuvasti. Tämän rajoituksen kiertämiseksi monet palvelut liittävät malliin reaaliaikaisen verkkohaun, jolloin botti voi noutaa ajantasaista tietoa vastauksiinsa. Ilman tällaista hakua kannattaa muistaa, että botin tiedot voivat olla vanhentuneita tuoreissa aiheissa.

Lähteet

• Vaswani ym., "Attention Is All You Need", tutkimusartikkeli transformer-arkkitehtuurista, 2017 – https://arxiv.org/abs/1706.03762
• Wikipedia, suuria kielimalleja käsittelevä artikkeli (Large language model) – https://en.wikipedia.org/wiki/Large_language_model
• Wikipedia, chatbotteja käsittelevä artikkeli (Chatbot) – https://en.wikipedia.org/wiki/Chatbot
• Reuters, uutinen ChatGPT:n käyttäjämäärän kasvusta, 2023 – https://www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/
• Euroopan komissio, tekoälyn sääntelykehys (AI Act) – https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
• NIST, tekoälyn riskienhallintakehys (AI Risk Management Framework) – https://www.nist.gov/itl/ai-risk-management-framework
• Stanford HAI, vuosittainen AI Index -raportti – https://hai.stanford.edu/ai-index
• UNESCO, suositus tekoälyn etiikasta – https://www.unesco.org/en/artificial-intelligence/recommendation-ethics