Finjustering

Vad är Finjustering?

Fine-tuning är som att lära en kock som redan är duktig på att laga många rätter att bli expert på en specifik typ av mat. Man tar en AI-modell som redan kan mycket och tränar den sedan med en mindre mängd specifik data för att den ska bli riktigt bra på en avgränsad uppgift.

Skillnaden mot att styra modellen med en prompt är var förändringen sitter. En prompt ger instruktioner för stunden och gäller bara i det samtalet. Finjustering ändrar själva modellen, så beteendet sitter kvar utan att du behöver beskriva det varje gång. Ett exempel är en kundtjänstmodell som tränats på ett företags tidigare svar, så att den alltid svarar i rätt ton och format.

Finjustering kräver exempeldata, träning och underhåll, och arbetet behöver ofta göras om när underlaget ändras eller en ny grundmodell kommer. Det lönar sig främst när samma uppgift görs i stor skala. För de flesta räcker det att börja med bra prompter, egna instruktioner eller RAG, där modellen får läsa rätt dokument i stället för att tränas på dem.

Ursprung och källa

Allmänt använd sedan utvecklingen av djupinlärning

Se även

• Djupinlärning
• Förträning
• Prompt engineering
• RAG

Läs mer

• Google: LLMs: Fine-tuning, distillation, and prompt engineering
• IBM: What is fine-tuning?