Interaktyvi mokomoji medžiaga · M1-T1-MLC3

Kas yra LLM?

Kaip kalbos modeliai generuoja tekstą – ir kodėl jie haliucinuoja

Autorius: Zsolt LengyeliTStudy Hungary Training and Research Centre
Recenzentė: Mária HartyányiiTStudy Hungary Training and Research Centre

Pagrindiniai didžiojo kalbos modelio kūrimo etapai: interneto tekstų filtravimas, tokenizavimas, mokymas ir pokalbių asistento kūrimas. — Nuo teksto apdorojimo iki pokalbių asistento.

Mokymosi tikslas

Pokalbių robotai, tokie kaip ChatGPT, Claude ar Gemini, atsako sklandžia ir užtikrinta kalba – net tada, kai klysta. Remdamiesi konkrečiais pavyzdžiais sužinosite, kas yra didieji kalbos modeliai, kaip jie generuoja tekstą, kodėl pateikia netikslius ar išgalvotus atsakymus ir kaip tikrinti jų rezultatus.

Baigę šią mokomąją medžiagą gebėsite

apibrėžti didžiojo kalbos modelio ir žetono sąvokas;
paaiškinti kito žetono prognozavimo principą;
atpažinti tipines haliucinacijų formas ir įspėjamuosius ženklus;
taikyti praktines DI rezultatų tikrinimo strategijas ir priemones prieš naudojant turinį pamokoje.

Kodėl svarbu suprasti, kaip tai veikia?

Pokalbių robotai kasdieniame darbe

2022 m. lapkričio 30 d. buvo išleista pirmoji vieša ChatGPT versija; per penkias dienas užsiregistravo milijonas žmonių. Nuo tada didieji kalbos modeliai daugeliui tapo kasdieniais darbo įrankiais.

Jų atsakymai gerai struktūruoti ir užtikrinti. Tačiau klaidingas atsakymas gali atrodyti toks pat įtikinamas kaip teisingas.

Mokytojo požiūris

„Iš kur žinau, kad tai teisinga?“

Nebūtina išmanyti LLM matematikos. Bendras supratimas paaiškina, kodėl modelis taip gerai tvarkosi su kalba, kodėl kartais ką nors išsigalvoja ir kodėl jo rezultatų tikrinimas yra profesinė atsakomybė.

Vien sklandumas ir užtikrintumas nėra teisingumo įrodymas.

Reikia klausti ne „ar tai skamba teisingai?“, o „iš kur žinau, kad tai teisinga?“Pagrindinis DI rezultatų tikrinimo principas

Nuo molinių lentelių iki kalbos modelių

Nuo rašto išradimo žmonija siekė išsaugoti žinias, jas perduoti ir padaryti prieinamas. Kiekviena nauja technologija sumažino vis kitą kliūtį.

Žmonijos žinių išsaugojimas ir prieinamumas: molinės lentelės, knygos, internetas ir didieji kalbos modeliai. — Žmonijos žinių išsaugojimas: nuo molinių lentelių iki kalbos modelių. Vaizdo šaltinis: ChatGPT.

Raštas

Apie 3200 m. pr. Kr. Mezopotamijoje molinės lentelės su dantiraščiu leido žinioms išlikti ilgiau nei žmogaus atmintis. Papirusas ir pergamentas palengvino jų pernešimą, tačiau prieiga vis dar buvo ribota.

Knygos

Viduramžių kodeksai buvo perrašomi ranka, todėl buvo reti ir brangūs. XV a. spaustuvės išradimas, o vėliau bibliotekos, masinis švietimas ir augantis raštingumas padarė tekstus prieinamus daug daugiau žmonių.

Internetas

XX a. pabaigoje skaitmeninimas ir internetas beveik akimirksniu padarė prieinamą milžinišką informacijos kiekį. Vis svarbiau tapo tą informaciją rasti, suprasti ir įvertinti.

LLM

Galime klausti kasdiene kalba, užduoti papildomų klausimų, prašyti pavyzdžių, vertimų ar paaiškinimų, pritaikytų mūsų žinių lygiui. LLM gali sumažinti kalbines, technines ir su paieška susijusias kliūtis suprasti informaciją.

Kaip sukuriamas didysis kalbos modelis?

Didysis kalbos modelis (LLM) – tai DI sistema, apmokyta naudojant milžinišką kiekį teksto. Pagrindinis jos gebėjimas – apdoroti ir generuoti kalbą. Parametrai yra mokymo metu reguliuojami skaičiai; dideli modeliai gali turėti šimtus milijardų parametrų.

Modelio kūrimo procesas nuo interneto tekstų rinkimo ir filtravimo per tokenizavimą ir mokymą iki pokalbių asistento. — Pagrindiniai didžiojo kalbos modelio kūrimo etapai.

01 · Duomenų rinkimas ir filtravimas

Mokymo duomenų parengimas

Kūrėjai surenka didelius tekstų rinkinius, pavyzdžiui, iš viešojo interneto. Pašalina šlamštą, žemos kokybės turinį, dublikatus ir asmens duomenis. Gali likti dešimtys terabaitų teksto.

Informacija, kurios nebuvo mokymo duomenyse arba kuri paskelbta vėliau, automatiškai netampa modelio žiniomis. Mokymo duomenų laiko riba vadinama žinių riba.

02 · Tokenizavimas

Nuo teksto iki skaičių sekos

Tekstas suskaidomas į mažus vienetus, ir kiekvienam priskiriamas identifikacinis numeris. Modelis dirba su šiais žetonų identifikatoriais.

Žetonas gali būti žodžio fragmentas, visas žodis arba skyrybos ženklas. Ilgas lietuviškas žodis dažnai suskaidomas į kelis žetonus.

03 · Išankstinis mokymas

Kito žetono prognozavimas

Modelis gauna žetonų seką ir prognozuoja kitą žetoną. Pagal klaidą koreguojami jo parametrai. Šis procesas kartojamas labai daug kartų.

Rezultatas – sudėtinga teksto tęsimo sistema, kurią dar reikia papildomai mokyti, kad ji taptų asistentu.

04 · Tolesnis mokymas

Naudingo asistento kūrimas

Kruopščiai parašyti klausimų ir atsakymų pavyzdžiai moko modelį atsakyti naudingai, mandagiai ir tinkamu formatu bei atsisakyti netinkamų prašymų.

Žmonės arba vertinimo modeliai reitinguoja alternatyvius atsakymus. Šie vertinimai taip pat formuoja modelio elgesį.

Modelis dirba su žetonais

Kas yra žetonas?

Žetonas (angl. token) – mažas teksto apdorojimo vienetas. Tokenizavimo priemonė suskaido tekstą ir kiekvienam vienetui priskiria unikalų identifikacinį numerį.

Modelio įvestis tampa skaičių seka, pavyzdžiui, [15339, 1917, 264, 3918]. Tikslus skaidymas ir identifikatoriai priklauso nuo naudojamos tokenizavimo priemonės.

Tipiniame žetonų žodyne gali būti apie šimtą tūkstančių elementų. Šaltinio GPT-4 pavyzdyje nurodytas 100 277 elementų žodynas; toks dydis netaikomas kiekvienam modeliui.

Kodėl tai svarbu?

Žetonas nėra tas pats, kas raidė ar žodis

Ilgas žodis gali būti suskaidytas į kelis žetonus. Atskiros jo raidės modeliui nebūtinai yra atskiri vienetai.

Tai gali prisidėti prie klaidų, kai modelio prašoma suskaičiuoti, kiek kartų tam tikra raidė pasikartoja žodyje.

Generuojant atsakymą procesas vyksta atvirkščiai: modelis pateikia žetonus, o programa juos vėl paverčia skaitomu tekstu.

Išbandykite!

Pažiūrėkite, kaip tekstas suskaidomas į žetonus

Atverkite interaktyvią svetainę Tiktokenizer ir pasirinkite tokenizavimo priemonę.
Įveskite trumpą sakinį ir ilgą lietuvišką žodį, pavyzdžiui, „nepriklausomybė“.
Stebėkite žodžių fragmentus, žetonų identifikatorius ir jų skaičių. Palyginkite juos su raidžių ir žodžių skaičiumi.

Skirtingos tokenizavimo priemonės tą patį tekstą gali skaidyti skirtingai. Įrankis atveriamas naujame skirtuke; ši mokomoji medžiaga veikia ir vietiniame kompiuteryje.

Atsakymo generavimas: po vieną žetoną

Išsiuntus žinutę modelis kiekvienam galimam kitam žetonui priskiria tikimybę. Pasirenka vieną, prideda jį prie teksto ir prognozuoja iš naujo pagal išplėstą tekstą.

Tai, kas ekrane atrodo kaip „rašymas“, yra vienas po kito atkeliaujantys žetonai.

Modelis tęsia tekstą remdamasis išmoktais dėsningumais. Nenaudodamas įrankio jis neieško kito sakinio taisyklių rinkinyje.

Kito žetono prognozavimas: modelis įvertina galimus teksto tęsinius ir pasirenka vieną. — Modelis įvertina galimus tęsinius ir vieną iš jų prideda prie teksto.

Aiškinamasis pavyzdys

Kuris tęsinys tinka sakiniui?

„Prieš pjaudami plieninį vamzdį kampiniu šlifuokliu, visada dėvėkite …“

Pasirinkite tęsinį, kad pamatytumėte paaiškinimą.

Tai iš anksto parengtas pavyzdys. Mygtukuose pateikti ištisi žodžiai ar frazės, kurie tikrame modelyje gali būti sudaryti iš kelių žetonų.

Trys pasekmės, kurias verta įsidėmėti

01

Atsakymai gali skirtis

Modelis ne visada pasirenka vienintelį labiausiai tikėtiną žetoną. Į tą patį klausimą galima gauti skirtingus atsakymus.

Skirtumai tarp pakartotinių atsakymų gali būti įspėjamasis ženklas; vien sutapimas neįrodo teisingumo.

02

Tarpiniai žingsniai gali padėti

Išsamus sprendimas suteikia modeliui daugiau žetonų ir tarpinių rezultatų. Tai gali padėti išspręsti sudėtingą uždavinį.

„Mąstantys“ modeliai prieš atsakydami gali atlikti tarpinius skaičiavimus. Ilgesnis paaiškinimas vis tiek negarantuoja teisingumo.

03

Atmintis veikia kitaip

Modelis remiasi išmoktais parametrais ir teksto kontekstu, kurį gauna tuo metu.

Paieška internete, kodo vykdymas ar pridėti failai gali suteikti prieigą prie naujausios informacijos. Pokalbio kontekstas aptariamas M1-T1-MLC5 medžiagoje.

Šaltinio pavyzdyje mašinoms atskirai tam pačiam darbui atlikti reikia 12, 8 ir 6 valandų. Paprašytas pateikti tik rezultatą modelis atsakė 3,43 valandos; spręsdamas žingsnis po žingsnio gavo teisingą rezultatą. Darant prielaidą, kad darbo našumas pastovus ir sumuojamas, bendras per valandą atliekamo darbo kiekis yra: 1/12 + 1/8 + 1/6 = 3/8. Reikalingas laikas yra 8/3 valandos, arba 2 valandos 40 minučių. Tai tik vienas pavyzdys; samprotavimą ir skaičiavimą vis tiek reikia atskirai patikrinti.

Kodėl DI haliucinuoja?

Haliucinacija – tai DI sugeneruotas turinys, kuris atrodo sklandus, nuoseklus ir tikėtinas, tačiau yra faktiškai neteisingas arba nepagrįstas patikimais įrodymais.

Modelis generuoja tekstą pagal išmoktus statistinius dėsningumus. Vien generavimas nereiškia, kad kiekvienas teiginys tikrinamas pagal tikrovę.

Mokymo pavyzdžiuose po klausimų dažnai eina užtikrinti atsakymai. Todėl modelis gali pateikti atsakymą primenantį tekstą net neturėdamas patikimos informacijos.

Šaltinio medžiagos iliustracija, vaizduojanti haliucinacijos idėją. — Žmogaus haliucinacijų iliustracija. DI atveju pats procesas yra kitoks. Vaizdo šaltinis: ChatGPT.

Kodėl posakis „DI meluoja“ klaidina?

Klaidingas tekstas nereiškia žmogiško ketinimo ar noro apgauti. Modelis kuria tikėtinus atsakymus pagal išmoktus dėsningumus; haliucinacija čia nėra žmogaus vaizduotės patyrimas.

Netikrumo pripažinimas

Spėliojimas gali būti skatinamas

Kalai ir kolegų (2025) teigimu, įprasti mokymo ir vertinimo metodai gali skatinti spėlioti, užuot pripažinus netikrumą.

Naujesni modeliai gali dažniau pripažinti neturintys informacijos, tačiau problema neišnyko.

Tikėtina, bet klaidinga: tipiniai pavyzdžiai

Haliucinuoto atsakymo tonas ir formatas gali būti tokie pat kaip teisingo. Klaida ne visada akivaizdi.

Išgalvotas teisės aktas gali turėti tikėtiną numerį, datą ir punktą. Klaidinga techninė vertė gali patekti į įprastą intervalą. Trūkstamas saugos žingsnis gali likti nepastebėtas.

Iliustracija, vaizduojanti išgalvotų DI atsakymų, kurie atrodo oficialūs ir išsamūs, riziką. — Atsakymas gali atrodyti oficialus – kol kas nors nepatikrina už jo slypinčio šaltinio.

Kada klaidos labiau tikėtinos?

01

Retos, vietinės ar naujos temos

Nacionaliniai teisės aktai, įmonės procedūros, praėjusio mėnesio pokyčiai ar retos profesinės detalės. Reikiamos informacijos mokymo duomenyse gali nebūti.

02

Tikslių duomenų prašymai

Net mažas skirtumas svarbus, kai prašoma skaičiaus, pavadinimo, citatos, nuorodos ar nustatytos vertės. Tikėtinas intervalas nepaverčia vertės patikima.

03

Klaidingos prielaidos

Klausimas gali remtis neegzistuojančiu faktu. Modelis gali priimti tokią prielaidą ir aplink ją sukurti nuoseklų atsakymą.

Užduokite pokalbių robotui šį klausimą!

Kur reikia tikrinti atidžiausiai?

Sugrupuok pagrindines sritis ir užduočių tipus pagal tai, kiek patikimi paprastai būna ChatGPT atsakymai. Sudaryk lentelę, kurioje būtų nurodytas apytikslis patikimumo intervalas, pagrindinė klaidos rizika ir reikiamas tikrinimo lygis. Procentus pateik kaip išmatuotus rezultatus tik tada, kai juos pagrindžia patikimi tyrimai; kitu atveju aiškiai pažymėk, kad tai įverčiai.

Klaidų aptikimas ir rezultatų tikrinimas

Tikrinant nustatoma, ar atsakymas teisingas, pagrįstas įrodymais ir tinkamas užduočiai.

Pirmiausia pažymėkite faktus, skaičius, pavadinimus, nuorodas ir saugos nurodymus. Kiekvieną jų reikia patikrinti.

DI gali parengti juodraštį; turinį patikrina mokytojas.

DI atsakymų tikrinimas naudojant šaltinius, papildomus klausimus ir įrankius. — Patikrinkite šaltinį, užduokite papildomų klausimų ir naudokite įrankius – ir tik tada naudokite turinį pamokoje.

01 · Šaltiniai

Atverkite nuorodą!

Ar dokumentas egzistuoja? Ar jame iš tiesų teigiama tai, ką teigia DI? Palyginkite atsakymą su gamintojo instrukcija, standartu, vadovėliu ar mokymo programa.

02 · Papildomi klausimai

Atskleiskite netikrumą!

„Dėl kurių dalių nesi tikras?“ „Iš kur gauta ši vertė?“ „Kas pasikeistų, jei…?“ Paklauskite dar kartą naujame pokalbyje ar naudodami kitą modelį. Nenuoseklumas yra įspėjamasis ženklas; sutapimas nėra įrodymas.

03 · Įrankiai

Paprašykite paieškos ar kodo vykdymo!

Naujausiems faktams prašykite paieškos internete; skaičiavimams – kodo ir jo vykdymo, jei programa tai palaiko. Taip pat patikrinkite naudotus šaltinius, įvesties duomenis ir prielaidas.

04 · Savi šaltiniai

Pateikite patikimą dokumentą!

Pridėkite vadovėlio skyrių ar techninių duomenų lapą: „Atsakyk tik remdamasis pridėtu dokumentu; jei atsakymo jame nėra, taip ir pasakyk.“ Tada palyginkite rezultatą su dokumentu.

05 · Profesinis vertinimas

Patikrinkite prieš naudodami pamokoje!

Pasitelkite savo ar kolegos profesines žinias ir patikrinkite kiekvieną svarbų faktą, skaičių ir saugos nurodymą mokiniams parengtoje medžiagoje.

Penki patikrinimai prieš naudojant pamokoje

Jūsų kontrolinis sąrašas

Pažymėkite kiekvieną patikrinimą, kurį atlikote vertindami konkretų DI atsakymą.

Kurie teiginiai yra faktai, skaičiai, pavadinimai ar nuorodos – ir ar kiekvieną iš jų patikrinau? Ar yra kas nors, kas svarbu saugai? Ar tai atitinka gamintojo duomenis ir galiojančias taisykles? Ko trūksta: apsaugos priemonių, išankstinių sąlygų ar išimčių? Ar lygis, terminija ir kontekstas tinka mano mokiniams? Ar pasirašyčiau po šia medžiaga savo vardu?

Pedagoginė ir etinė atsakomybė

Atsakomybė tenka mokytojui

Mokiniai gali laikyti užduočių lapą neklaidingu, nes jis remiasi mokytojo autoritetu. Pradedantieji dažnai patys nepastebi klaidų.

Dirbtuvėse klaidinga vertė ar praleistas saugos žingsnis gali baigtis sugadinta įranga ar sužalojimu. Mokinių įsimintų klaidų sunku atsikratyti.

Mokykite mokinius taip pat tikrinti šaltinius. DI laikykite atspirties tašku mąstymui. Kritinis tikrinimas yra DI ir informacinio raštingumo dalis, aprašyta DigComp 3.0.

Praktikuokite tikrinimą savo dalyke!

Mokytojo savarankiška užduotis · 35–40 minučių

Haliucinacijų medžioklė mano dalyke

Parašykite penkis rizikingus klausimus: apie teisės aktą ar standartą, tikslią techninę vertę, vieną skaičiavimą, retą profesinį terminą ir neseniai įvykusį pokytį.

Paklauskite DI neįjungę paieškos internete.
Pažymėkite ir patikrinkite faktinius atsakymų teiginius.
Užrašykite: teiginys – teisingas / klaidingas / neįmanoma patikrinti – šaltinis.
Išbandykite papildomus klausimus, paiešką, kodo vykdymą ar savo šaltinį. Užsirašykite, kas pasikeitė.
Sudarykite savo penkių punktų profesinį kontrolinį sąrašą.

Grupinė užduotis klasėje · 45 minutės

Faktų tikrintojai dirbtuvėse

3–4 mokinių grupės nagrinėja DI sugeneruotą darbo nurodymą, kurį mokytojas iš anksto parengė ir patikrino, su keliomis klaidomis ar praleidimais.

Trumpai parodykite, kodėl DI gali klysti.
Paprašykite grupių pažymėti įtartinus teiginius ir praleistus žingsnius.
Remdamiesi vadovėliu ar instrukcija patikrinkite ir ištaisykite tekstą.
Palyginkite rezultatus ir parenkite taisyklių kortelę „Kaip mes tikriname DI“.

Turėkite patikrintą atsakymų raktą. Mokiniai neturi vykdyti analizei pateikto klaidingo nurodymo.

Atsisiųsti abi praktines užduotisM1-T1-MLC3-EXC-LT.pdf

Pagrindinės išvados mokytojams

01

Supraskite, kaip tai veikia!

LLM generuoja tekstą žetonas po žetono, rinkdamasis tikėtinus tęsinius pagal mokymo duomenyse esančius dėsningumus.

Sklandus ir užtikrintas atsakymas vis tiek gali būti klaidingas.

02

Atpažinkite riziką!

Patikimas šaltinis ypač svarbus tikrinant tikslius skaičius, pavadinimus, nuorodas, teisės aktus, retus terminus ir naują ar vietinę informaciją.

Ieškokite praleistų saugos žingsnių, ne tik klaidingų verčių.

03

Tikrinkite ir mokykite!

Atverkite šaltinį, užduokite papildomų klausimų, naudokite paiešką ar kodą ir pateikite savo dokumentus.

Patikrinkite prieš naudodami pamokoje. Mokykite mokinius taip pat tikrinti DI rezultatus.

DI gali parengti juodraštį, tačiau jį patikrina mokytojas.Profesinė atsakomybė neperduodama pokalbių robotui.

Žinių patikrinimas

Pasitikrinkite, ką išmokote!

Kiekvienam klausimui pasirinkite vieną atsakymą. Pateikę atsakymus pamatysite rezultatą ir paaiškinimus.

1Kas yra žetonas? Visada visas žodis. Mažas teksto vienetas, kuriam tokenizavimo priemonė priskiria identifikacinį numerį. Modelio naudotojų skaičius.

2Kaip LLM generuoja tekstą? Kiekvieną sakinį nepakeistą nukopijuoja iš vadovėlio. Prieš atsakydamas automatiškai patikrina kiekvieną teiginį. Pagal iki šiol pateiktą tekstą prognozuoja ir pasirenka vienas po kito einančius žetonus.

3Ką reiškia DI haliucinacija? Tikėtinai suformuluotas turinys, kuris yra klaidingas arba nepagrįstas patikimais įrodymais. Tik sąmoningą žmogaus apgaulę. Lėtai pasirodantį atsakymą.

4Modelis nurodo teisės aktą su tiksliu numeriu ir data. Ką turėtumėte daryti? Priimti atsakymą, nes formatas tikslus. Rasti originalų dokumentą ir patikrinti, ar jis egzistuoja ir ar jame iš tiesų teigiama tai, kas nurodyta. Patikrinti tik atsakymo rašybą.

5Du skirtingi modeliai pateikia tą pačią techninę vertę. Ką tai įrodo? Vertė tikrai atitinka gamintojo reikalavimus. Mokytojas gali atsisakyti tikrinimo. Sutapimas yra naudingas ženklas, tačiau vertę vis tiek reikia patikrinti pagal patikimą profesinį šaltinį.

6Kas atsakingas už pamokoje naudojamos DI sugeneruotos medžiagos tikrinimą? Mokytojas, kuris profesionaliai įvertina juodraštį ir moko mokinius jį tikrinti. Tik pokalbių robotas. Tik pradedantieji mokiniai.

Literatūra ir tolesnis tyrinėjimas

Šaltiniai ir naudingos nuorodos

Literatūra

Kalai, A. T., Nachum, O., Vempala, S. S. & Zhang, E. (2025): Why Language Models Hallucinate. arXiv:2509.04664.
Huang, L. ir kt. (2024): A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions. ACM Transactions on Information Systems.
Mata v. Avianca, Inc., 678 F. Supp. 3d 443 (S.D.N.Y. 2023).
Cosgrove, J. & Cachia, R. (2025): DigComp 3.0 – European Digital Competence Framework. 5-asis leid., Publications Office of the European Union.
Lengyel, Zs. (2026): Introduction to the concepts of artificial intelligence; Concrete applications for content generation. VITA mokymų pristatymai.

Išbandykite ir tyrinėkite!

Tiktokenizer – pažiūrėkite, kaip tekstas suskaidomas į žetonus.
Interaktyvi trimatė LLM vizualizacija – tyrinėkite modelį žingsnis po žingsnio.
Andrej Karpathy: Deep Dive into LLMs like ChatGPT – išsamus aiškinamasis vaizdo įrašas anglų kalba.

Išoriniai įrankiai ir šaltiniai atveriami naujame skirtuke; jiems reikia interneto ryšio.

Rengėjai ir priedai

Rengėjai ir autorių teisės

Autorius: Zsolt LengyeliTStudy Hungary Training and Research Centre
Recenzentė: Mária HartyányiiTStudy Hungary Training and Research Centre
Projektas: 2025-1-LT01-KA220-VET-000362456
Mokomoji medžiaga: M1-T1-MLC3

Priedai

Atsisiųsti lietuvišką šaltinio medžiagąM1-T1-MLC3-TEXT-LT.pdf Atsisiųsti praktines užduotisM1-T1-MLC3-EXC-LT.pdf

Creative Commons Priskyrimo — Analogiško platinimo logotipas

Šia medžiaga galima dalintis ir ją adaptuoti pagal Creative Commons Priskyrimo — Analogiško platinimo 4.0 tarptautinės licencijos (CC BY-SA 4.0) sąlygas.

Finansuojama Europos Sąjungos. Išsakytos nuomonės priklauso tik autoriui(-iams) ir nebūtinai atspindi Europos Sąjungos ar Nacionalinės agentūros nuomonę.