https://peda.net/id/d5138f209a2 2025-09-25T19:13:18+03:00 https://peda.net/:static/533/peda.net.logo.bg.svg <div class="license">Tämän sivun lisenssi <a rel="license" href="https://peda.net/info">Peda.net-yleislisenssi</a></div> https://peda.net/id/4376111c9c7 2025-09-28T16:44:37+03:00 <a href="https://peda.net/p/JarkkoSoini/chatgpt-n-peruskaytto2/moduuli-18-kustomoidun-tekoalyn-toteutusta-van-valinta-kehit/teksti/screenshot-20250928-164345-adobe-acrobat.jpg#top" title="Screenshot_20250928_164345_Adobe Acrobat.jpg"><img src="https://peda.net/p/JarkkoSoini/chatgpt-n-peruskaytto2/moduuli-18-kustomoidun-tekoalyn-toteutusta-van-valinta-kehit/teksti/screenshot-20250928-164345-adobe-acrobat.jpg:file/photo/2ce5db62e4c666630a07506acb852d5a15844830/Screenshot_20250928_164345_Adobe%20Acrobat.jpg" alt="" title="Screenshot_20250928_164345_Adobe Acrobat.jpg" class="inline" loading="lazy"/></a><br/> <br/> Opinnäytetyö, joka käsittelee kustomoidun tekoälyn toteutustavan valintaa, kehittämistä ja käyttöönottoa. Lue täältä: <br/> <br/> <a href="https://www.theseus.fi/handle/10024/895525" rel="nofollow ugc noopener">https://www.theseus.fi/handle/10024/895525</a> 2025-09-28T16:44:32+03:00 https://peda.net/id/b904af1c9a2 2025-10-12T16:56:36+03:00 <!--filtered tag: <article--><!--filtered attribute: id="uuid-1d424124-9a2c-11f0-a63a-6e9f894da45d"--><!--filtered attribute: class="link document uuid-1d424124-9a2c-11f0-a63a-6e9f894da45d enclose"--><!--filtered attribute: data-id="1d424124-9a2c-11f0-a63a-6e9f894da45d"--><!--filtered attribute: data-draft-type="published"--><!--&gt;--><!--filtered tag: <header--><!--&gt;--><h1><!--filtered attribute: class="link"--><a href="https://www.youtube.com/watch?v=6xEqa-VJ_7Q" title="https://www.youtube.com/watch?v=6xEqa-VJ_7Q" rel="nofollow ugc noopener">Custom GPTs in ChatGPT – Quick Demo</a></h1> <!--filtered end tag: </header>--><div class="main"><div class="description">Video esittelee Custom GPT -funktion ChatGPT:ssä (englanniksi)</div> </div> <!--filtered tag: <footer--><!--&gt;--><!--filtered end tag: </footer>--><!--filtered end tag: </article>--> <!--filtered tag: <article--><!--filtered attribute: id="uuid-0220ee2c-9a2c-11f0-ad92-428e09909083"--><!--filtered attribute: class="link document uuid-0220ee2c-9a2c-11f0-ad92-428e09909083 enclose"--><!--filtered attribute: data-id="0220ee2c-9a2c-11f0-ad92-428e09909083"--><!--filtered attribute: data-draft-type="published"--><!--&gt;--><!--filtered tag: <header--><!--&gt;--><h1><!--filtered attribute: class="link"--><a href="https://www.youtube.com/watch?v=Kx9O4x2zqBk" title="https://www.youtube.com/watch?v=Kx9O4x2zqBk (avautuu uuteen ikkunaan)" target="_blank" rel="nofollow ugc noopener">How to Write Effective Prompts – OpenAI</a></h1> <!--filtered end tag: </header>--><div class="main"><div class="description">Video OpenAI:lta tehokkaiden kehotteiden kirjoittamisesta (englanniksi).</div> </div> <!--filtered tag: <footer--><!--&gt;--><!--filtered end tag: </footer>--><!--filtered end tag: </article>--> <!--filtered tag: <article--><!--filtered attribute: id="uuid-d52cc80a-9a2b-11f0-9cfd-0a80e88c6005"--><!--filtered attribute: class="link document uuid-d52cc80a-9a2b-11f0-9cfd-0a80e88c6005 enclose"--><!--filtered attribute: data-id="d52cc80a-9a2b-11f0-9cfd-0a80e88c6005"--><!--filtered attribute: data-draft-type="published"--><!--&gt;--><!--filtered tag: <header--><!--&gt;--><h1><!--filtered attribute: class="link"--><a href="https://www.youtube.com/watch?v=dOxUroR57xs" title="https://www.youtube.com/watch?v=dOxUroR57xs (avautuu uuteen ikkunaan)" target="_blank" rel="nofollow ugc noopener">Prompt Engineering for Beginners – Introduction to OpenAI API</a></h1> <!--filtered end tag: </header>--><div class="main"><div class="description">Tutoriaali prompt engineeringin perusteista (englanniksi).</div> </div> <!--filtered tag: <footer--><!--&gt;--><!--filtered end tag: </footer>--><!--filtered end tag: </article>--> 2025-09-25T19:21:42+03:00 https://peda.net/id/d2ddce9c9a2 2025-09-25T18:39:29+03:00 Kustomoitua tekoälyä kehitetään, jotta tekoälyratkaisut voivat mukautua organisaatioiden ja yksittäisten käyttäjien tarpeisiin. Tekoäly viittaa koneelliseen kykyyn suorittaa tehtäviä, jotka edellyttävät ihmismäistä ajattelua. Sen nopea kehitys on mahdollistanut sovellukset lähes kaikilla aloilla. Insinöörityössä tutkittiin neljää pääasiallista toteutustapaa: kustomoidut kehotteet, GPT:t, API‑pohjaiset sovellukset sekä omat kielimallit. Jokaisella lähestymistavalla on omat etunsa ja käyttökohteensa.<br/> <br/> Kehotesuunnittelu on helpoin tapa kustomoida tekoäly. Käyttäjä määrittelee luonnollisella kielellä, mitä tehtävää tekoälyn tulee suorittaa ja millaisella sävyllä se vastaa. Hyvä kehote sisältää tehtävän, toivotun sävyn, roolikuvauksen, toimintatavan, keskeiset tietolähteet ja tarvittavat rajoitukset. Taitava kehotesuunnittelu edellyttää selkeyttä ja kontekstin huomioimista; pienetkin muutokset ohjeen muotoilussa voivat johtaa hyvin erilaisiin tuloksiin. Kehotesuunnittelun perustekniikoita ovat zero‑shot, one‑shot ja few‑shot ohjeistaminen, joissa käyttäjä antaa mallille vaihtelevan määrän esimerkkejä ja taustatietoa.<br/> <br/> Kustomoidut GPT:t toteutetaan ChatGPT‑palvelun Developer Platformissa. GPT:n rakentaminen vaatii ChatGPT Plus ‑tilauksen. Kehittäjä luo oman GPT:n määrittelemällä sen tehtävän, nimen, ulkoasun ja tietoperustan vaiheittaisessa prosessissa. GPT:t ovat käyttäjän viesteihin reagoivia avustajia, jotka eivät toimi itsenäisesti; ne käynnistyvät aina käyttäjän syötteestä. GPT:t soveltuvat monenlaisiin tehtäviin arjen apureista yritysten asiakaspalvelubotteihin.<br/> <br/> API‑pohjaiset ratkaisut ja agentit tarjoavat enemmän autonomiaa ja laajennettavuutta kuin pelkät GPT:t. Esimerkiksi OpenAI:n ja MistralAI:n kehittäjille suunnatut alustat mahdollistavat agenttien rakentamisen, jotka pystyvät suunnittelemaan tehtäviä, käyttämään työkaluja ja suorittamaan työvaiheita itsenäisesti. Agentit voivat myös kutsua toisia agentteja ja toteuttaa monivaiheisia työnkulkua, mikä tekee niistä hyödyllisiä monimutkaisissa prosesseissa. MistralAI:n konsolissa agentin luonti on suoraviivaista ja testikäyttö on maksutonta; käyttäjä valitsee sopivan mallin (esimerkiksi Mistral Nemo, Medium, Large, Small, Codestral tai Pixtral) ja antaa agentille ohjeet ja esimerkit. Mallin valinta riippuu käyttötarpeesta: kevyissä tehtävissä riittää Mistral Small, kun taas vaativampi analyysi hyötyy Large‑malleista.<br/> <br/> Oman kielimallin toteuttaminen on vaativin vaihtoehto, sillä se edellyttää omaa palvelinympäristöä ja koulutusdataa. Omalla mallilla voidaan kuitenkin hallita täysin mallin toimintaa ja tietosuojaa, mikä sopii erityisesti organisaatioille, joilla on spesifisiä vaatimuksia. Fine‑tuning eli esikoulutetun mallin hienosäätö omalla datalla parantaa mallin tarkkuutta tietyissä tehtävissä.<br/> <br/> Yhteenvetona voidaan todeta, että kustomoidun tekoälyn toteuttamiseen on useita polkuja. Yksinkertaisissa tapauksissa riittää huolellisesti suunniteltu kehote; laajemmat sovellukset vaativat GPT‑rakentamista tai agenttien ja API‑integraatioiden hyödyntämistä. Vaativin vaihtoehto on oman kielimallin kehittäminen, joka antaa täyden hallinnan malliin ja sen tuottamaan tietoon. 2025-09-25T18:39:29+03:00