Fine-tuning
Også kendt som: Finetuning
At tilpasse en pretrænet model til en specifik opgave ved at træne den videre på mindre, målrettede datasæt.
Fine-tuning tager en eksisterende foundation model og fortsætter træningen på et mindre datasæt der er specifikt for din use case. Det kan være interne dokumenter, kunde-samtaler, eller eksempler på "ideelt output" for en given opgave.
Resultatet er en model der er bedre til netop dén opgave end den generiske foundation model — men ofte dårligere til alt andet. Det er en præcisions-knivsegg: får din opgaves performance op, men ofrer fleksibilitet.
Vigtigt: før du fine-tuner, prøv altid hård prompt engineering + RAG først. Fine-tuning er dyrere, langsommere at iterere på, og kan blive forældet når modellen opdateres. For 80% af use cases er prompt + RAG en bedre løsning.