Fine-tuning (Finomhangolás)
Egy már meglévő, általános tudású mesterséges intelligencia modell továbbképzése specifikus, saját adatok és példák betanításával.
Analógia
Olyan, mint amikor egy kiválóan felkészült, diplomás orvost elküldünk egy speciális továbbképzésre, hogy a szívsebészet egy apró részterületének elismert szakértője legyen.
Miért fontos?
Lehetővé teszi, hogy az AI a cég saját hangvételében írjon, vagy egy nagyon speciális iparág (például orvosi vagy jogi) nyelvezetét és szabályait is tökéletesen alkalmazza. Ha az alapmodell nem elég precíz egy adott feladatra, ezzel a módszerrel céges szakértőt faraghatunk belőle.
Hogyan működik?
A fine-tuning során egy már előtanított modell paramétereit további, gondosan összeállított példákon módosítják. A példák megmutathatják, hogyan kezeljen egy meghatározott feladattípust, milyen formában adjon választ, vagy milyen nyelvi mintákat kövessen. A tanítás eredménye egy módosított modellváltozat, amely bizonyos feladatoknál következetesebben viselkedhet. Az eredmény minőségét az adatok lefedettsége, pontossága és a tanítás beállítása is alakítja.
A használatban akkor kerülhet szóba, ha sok hasonló feladatra kell azonos szerkezetű, stílusú vagy címkézésű kimenetet kapni, és a példákkal történő irányítás nem elég következetes. Nem ez a legegyszerűbb módja annak, hogy egy modell naprakész dokumentumokat ismerjen: változó tényeknél a kereshető tudásforrás célszerűbb lehet. A finomhangolás előtt érdemes a kívánt viselkedést példákkal kipróbálni, és összevetni az eredményt egy változatlan modellel. A tanítóadatok minőségét és adatvédelmi jogosultságát is ellenőrizni kell.
Példa
Egy ügyfélszolgálati csapat sok korábbi, megfelelően anonimizált kérdés-válasz párból tanít finomhangolt modellt, hogy az új válaszok a belső jegykezelő által elvárt mezőket töltsék ki.
Gyakori tévhit
A finomhangolás nem egyszerű dokumentumfeltöltés, és nem garantálja, hogy a modell minden új tényt pontosan megjegyez.