<div class="xblock xblock-public_view xblock-public_view-vertical" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="VerticalStudentView" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="vertical" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@vertical+block@01f1c879e0474a1f908245e7fd724e56" data-request-token="73e706e032b711f08f77425bf9429af2" data-graded="False" data-has-score="False"> <div class="vert-mod"> <div class="vert vert-0" data-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@edbb4f7a4a9d40f395f7b1cc3cdccd49"> <div class="xblock xblock-public_view xblock-public_view-html xmodule_display xmodule_HtmlBlock" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="XBlockToXModuleShim" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="html" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@edbb4f7a4a9d40f395f7b1cc3cdccd49" data-request-token="73e706e032b711f08f77425bf9429af2" data-graded="False" data-has-score="False"> <script type="json/xblock-args" class="xblock-json-init-args"> {"xmodule-type": "HTMLModule"} </script> <p style="text-align: justify;">Великі мовні моделі (LLMs), такі як GPT-4 (OpenAI), Gemini (Google), Claude (Anthropic) і LLaMA (Meta), є передовими моделями ШІ, створеними для складних мовних завдань. Вони називаються "великими", оскільки мають мільярди параметрів, що дозволяє їм навчатися складним мовним шаблонам і виконувати різноманітні завдання.</p> <h3 style="text-align: justify;"><span style="color: #004984; font-weight: bold; font-size: 110%;">Як працюють параметри</span></h3> <h3 style="text-align: justify;">1.<span style="white-space: pre;"> </span>Початкове налаштування</h3> <p style="text-align: justify;">Коли модель створюється, її параметри – регульовані налаштування – є випадковими та беззмістовними. На початковому етапі модель функціонує без знань або здатності обробляти текст.</p> <h3 style="text-align: justify;">2.<span style="white-space: pre;"> </span>Навчання на даних</h3> <p style="text-align: justify;">Модель навчається на великих текстових масивах даних (книги, статті, вебконтент), щоб вивчити мовні шаблони. Під час навчання вона прогнозує, яке слово буде наступним у реченні, і після кожної помилки коригує параметри для підвищення точності. Наприклад, якщо модель бачить "Дитина біжить..." і прогнозує "на майданчик", вона оновлює параметри, щоб краще пов’язати слова "дитина", "біжить" і "майданчик."</p> <h3 style="text-align: justify;">3.<span style="white-space: pre;"> </span>Набуті знання</h3> <p style="text-align: justify;">Після навчання параметри моделі зберігають усі її "знання", наприклад, асоціювання "дитини" з "грою" або "зими" з "холодною порою року." Це дозволяє моделі ефективно розуміти та прогнозувати семантику тексту.</p> <p style="text-align: center;"><img height="auto" width="780" src="/assets/courseware/v1/18ea4ce6de0c2a5b0db603e243619895/asset-v1:Profosvita+CM-R042-OEP+2025+type@asset+block/1_17.png" alt="" /></p> <h3 style="text-align: justify;"><strong>Універсальність великих мовних моделей</strong></h3> <p style="text-align: justify;">Завдяки величезному масиву навчальних даних і вдосконаленим методам, великі мовні моделі можуть обробляти широкий текстовий контекст, наприклад, аналізуючи речення чи абзаци разом. Вони не обмежуються одним завданням:</p> <p style="text-align: justify; padding-left: 30px;">●<span style="white-space: pre;"> </span>Можуть узагальнювати тексти, відповідати на запитання, аналізувати емоції.</p> <p style="text-align: justify; padding-left: 30px;">●<span style="white-space: pre;"> </span>Генерують контент із різних тем без специфічного програмування.</p> <p style="text-align: justify;"></p> <p style="text-align: center;"></p> <h3 style="text-align: left;"><strong>Візуальне представлення описаного процесу:</strong></h3> <p style="text-align: justify; padding-left: 30px;">●<span style="white-space: pre;"> </span>Ліворуч – великий обсяг даних, використаних для навчання.</p> <p style="text-align: justify; padding-left: 30px;">●<span style="white-space: pre;"> </span>Дані обробляються через алгоритми та машинне навчання, перетворюючись у параметри великої мовної моделі в центрі.</p> <p style="text-align: justify; padding-left: 30px;">●<span style="white-space: pre;"> </span>Мовна модель використовується додатками (застосунками) для виконання завдань.</p> <p style="padding-left: 30px; text-align: center;"><img height="auto" width="680" src="/assets/courseware/v1/ceca6bb592c86c412692419923e5da88/asset-v1:Profosvita+CM-R042-OEP+2025+type@asset+block/1_Chapter_6_1.png" alt="" /></p> <p style="padding-left: 30px; text-align: left;"></p> </div> </div> </div> <script type="text/javascript"> (function (require) { require(['/static/js/dateutil_factory.762fd6ff462b.js?raw'], function () { require(['js/dateutil_factory'], function (DateUtilFactory) { DateUtilFactory.transform('.localized-datetime'); }); }); }).call(this, require || RequireJS.require); </script> <script> function emit_event(message) { parent.postMessage(message, '*'); } </script> </div>

<div class="xblock xblock-public_view xblock-public_view-vertical" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="VerticalStudentView" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="vertical" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@vertical+block@2304cc81d9384fa0b8a73fbdea8154d3" data-request-token="73e706e032b711f08f77425bf9429af2" data-graded="False" data-has-score="False"> <div class="vert-mod"> <div class="vert vert-0" data-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@c5c6891a570b4705bf5d60b93a24593f"> <div class="xblock xblock-public_view xblock-public_view-html xmodule_display xmodule_HtmlBlock" data-course-id="course-v1:Profosvita+CM-R042-OEP+2025" data-init="XBlockToXModuleShim" data-runtime-class="LmsRuntime" data-runtime-version="1" data-block-type="html" data-usage-id="block-v1:Profosvita+CM-R042-OEP+2025+type@html+block@c5c6891a570b4705bf5d60b93a24593f" data-request-token="73e706e032b711f08f77425bf9429af2" data-graded="False" data-has-score="False"> <script type="json/xblock-args" class="xblock-json-init-args"> {"xmodule-type": "HTMLModule"} </script> <p style="text-align: justify;">Уявіть сценарій, коли чат-бот на основі великої мовної моделі отримує просте запитання: "Де біжить дитина?" (“Where is the child running?”)</p> <h3 style="text-align: justify;"><strong><span style="color: #156082;">1. Перетворення запитання у формат, зрозумілий для моделі</span></strong></h3> <p style="text-align: justify; padding-left: 30px;">Чат-бот або модель не розуміє текст у його початковій формі.</p> <p style="text-align: justify; padding-left: 30px;">Коли текст вводиться в інтерфейс чат-бота, він розбивається на менші частини, які модель може обробити. Ці частини називаються "токенами". Токени можуть бути цілими словами, частинами слів або навіть окремими символами.</p> <p style="text-align: justify; padding-left: 30px;">Приклад: Інструмент Tokenizer від OpenAI розбиває текст на "токени". Наприклад, текст з 16 символів – розділений на 7 частин. Цей процес не стискає чи скорочує текст, а лише змінює його структуру для моделі.</p> <p style="text-align: center;"><img height="auto" width="644" src="/assets/courseware/v1/68a5701bdc249d2d6cfec6fafd7b7142/asset-v1:Profosvita+CM-R042-OEP+2025+type@asset+block/1_Copy_of_Chapter_6_2.png" alt="" /></p> <p><strong>Коли токени передаються в модель, вони перетворюються на числове представлення (математичні значення). Це дозволяє моделі математично обробляти значення тексту, навіть якщо він початково був у текстовій формі.</strong></p> <p></p> <h3><strong><span style="color: #156082;">2. Порівняння запитання з параметрами моделі</span></strong></h3> <p style="padding-left: 30px;">Модель має величезну кількість параметрів (мільярди), які були вивчені під час навчання.</p> <p style="padding-left: 30px;">Нагадаємо: параметри – це правила та налаштування, які визначають, як слова і значення пов’язані між собою.</p> <p style="padding-left: 30px;">Коли токени (числові значення) потрапляють у модель, параметри допомагають їй розрахувати, що ці слова можуть означати разом. Параметри підказують моделі, наприклад, що слова "дитина" і "біжить" пов’язані, а слово "де" вказує на місце.</p> <p></p> <h3><strong><span style="color: #156082;">3. Прогнозування – формування відповіді</span></strong></h3> <p style="padding-left: 30px;">За допомогою параметрів модель "робить висновок" про значення слів разом і визначає найвірогіднішу відповідь за допомогою ймовірностей. Таким чином, модель обирає найбільш адекватну відповідь на запитання.</p> <p style="padding-left: 30px;">У цьому випадку модель може "зрозуміти", що запитують про місце, де перебуває дитина, і запропонувати відповіді на кшталт:</p> <p style="padding-left: 30px;">●<span style="white-space: pre;"> </span>"дитина біжить на подвір'ї";</p> <p style="padding-left: 30px;">●<span style="white-space: pre;"> </span>"дитина знаходиться на ігровому майданчику".</p> <p></p> <h3><strong><span style="color: #156082;">4. Перетворення відповіді знову у текст</span></strong></h3> <p style="padding-left: 30px;">Усередині моделі відповіді залишаються в числовій формі, тому їх потрібно перетворити знову в  слова, щоб відповідь була зрозумілою користувачеві.</p> <p style="padding-left: 30px;">Цього разу модель також надає розширену відповідь. Теоретично, з такої відповіді можна зробити висновок про те, чого навчилася модель і як вона була навчена.</p> <p style="text-align: center;"><img height="auto" width="804" src="/assets/courseware/v1/b887fc5568e068c6cb5d72d6cbc2e73e/asset-v1:Profosvita+CM-R042-OEP+2025+type@asset+block/1_Copy_of_Chapter_6_3.png" alt="" /></p> <p></p> <p></p> <p></p> <p></p> <p></p> <div id="gtx-trans" style="position: absolute; left: 10px; top: 1588.92px;"> <div class="gtx-trans-icon"></div> </div> </div> </div> </div> <script type="text/javascript"> (function (require) { require(['/static/js/dateutil_factory.762fd6ff462b.js?raw'], function () { require(['js/dateutil_factory'], function (DateUtilFactory) { DateUtilFactory.transform('.localized-datetime'); }); }); }).call(this, require || RequireJS.require); </script> <script> function emit_event(message) { parent.postMessage(message, '*'); } </script> </div>