Czym jest Zapytanie (Query)?
Zapytanie, często zapisywane po angielsku jako query, to sformułowana przez człowieka lub system prośba o uzyskanie odpowiedzi bądź wygenerowanie treści przez model sztucznej inteligencji. W najprostszej postaci przyjmuje ono postać ciągu znaków, jednak w praktyce może zawierać także instrukcje formatowania, przykładowe dane wejściowe lub parametry dodatkowe dostosowujące sposób działania modelu. W przeciwieństwie do klasycznych zapytań bazodanowych SQL, które opisują precyzyjne operacje logiczne na uporządkowanych tabelach, zapytanie kierowane do modelu uczenia maszynowego uruchamia proces probabilistycznego wnioskowania w przestrzeni reprezentacji wektorowych.
Jak dokładnie działa Zapytanie (Query)
Po otrzymaniu zapytania model językowy lub inny system AI koduje jego treść do reprezentacji liczbowe-wektorowej. Następnie sieć neuronowa odnosi tę reprezentację do setek milionów wyuczonych wzorców, aby wygenerować najbardziej prawdopodobną odpowiedź. W architekturach opartych na transformatorach cały kontekst zapytania trafia do mechanizmu uwagi, który dynamicznie przypisuje wagi poszczególnym fragmentom tekstu, co pozwala modelowi zachować spójność logiczną. Przy bardziej złożonych zadaniach zapytanie może zawierać prompt engineering, czyli dokładnie opracowane instrukcje, które kierują modelem ku określonemu stylowi lub formatowi odpowiedzi.
Geneza pojęcia i rozwój koncepcji
Termin query pojawił się na długo przed sztuczną inteligencją w dziedzinie wyszukiwarek i baz danych. W kontekście AI zaczął zyskiwać nowe znaczenie wraz z popularyzacją modeli sekwencyjnych w latach 2014–2017, gdy zespoły badawcze Google Brain i OpenAI publikowały pierwsze prace nad samonadzorowanym uczeniem języka. W artykule „Attention Is All You Need” (2017) zespół kierowany przez A. Vaswaniego użył terminu query w opisie mechanizmu uwagi jako trzeciego elementu obok key i value.
Zastosowania w praktyce
W asystentach językowych, takich jak ChatGPT, pojedyncze zapytanie o podsumowanie raportu finansowego uruchamia natychmiastową analizę i syntezę treści. W systemach wyszukiwawczych wspomaganych przez modele wektorowe (np. ElasticSearch z wtyczką k-NN) zapytanie w postaci krótkiego opisu problemu bywa zamieniane na wektor i porównywane z indeksami semantycznymi dokumentów. W dziedzinie computer vision zapytanie może zawierać maskę lub współrzędne określające, które obszary obrazu mają zostać rozpoznane.
Zalety i ograniczenia
Zapytanie w AI pozwala w naturalny sposób komunikować złożone potrzeby, dzięki czemu bariera wejścia dla użytkowników znacząco maleje w porównaniu z regułami zapytań SQL czy z językami zapytań logicznych. Wymaga jednak starannego sformułowania; niejednoznaczność i brak kontekstu mogą skłonić model do wygenerowania halucynacji, czyli treści nieodzwierciedlających faktów.
Na co uważać?
Nadmiar poleceń w jednym zapytaniu potrafi przeciążyć kontekst modelu, zwłaszcza gdy rozmiar okna wejściowego jest ograniczony. Dodatkowo wrażliwe dane umieszczone w zapytaniu mogą zostać zarejestrowane przez dostawcę usługi, dlatego w środowiskach korporacyjnych wprowadza się procedury anonimizacji. Ważne jest także testowanie różnych wariantów zapytania, aby ocenić stabilność wyników i unikać niepożądanych stronniczości modelu.
Subtelne porównanie z klasycznymi rozwiązaniami
Zapytanie SQL oczekuje jednoznacznego sformułowania relacji między tabelami i zwraca zawsze tę samą krotkę wyników przy identycznych danych, co czyni je deterministycznym. Zapytanie kierowane do modelu AI działa stochastycznie, uwzględniając temperaturę i inne parametry generacji, przez co ta sama prośba może zakończyć się nieco inną odpowiedzią. Pozwala to na elastyczność, lecz komplikuje weryfikację i debugowanie.
Dodatkowe źródła
Więcej informacji można znaleźć w artykule Attention Is All You Need opisującym pierwotną definicję query w mechanizmie uwagi, a także w opracowaniu na Wikipedii dotyczącym zapytań w informatyce. Praktyczne aspekty formułowania zapytań w modelach językowych omawia OpenAI w dokumentacji API Completion.
