Tilpasning av en ferdigtrent AI-modell til en spesifikk oppgave ved å trene videre på et mindre, spesialisert datasett.
Fine-tuning er prosessen med å tilpasse en ferdigtrent språkmodell til en spesifikk oppgave eller et spesifikt domene. I stedet for å trene en modell fra bunnen av, tar man en eksisterende modell og trener den videre på et mindre, spesialisert datasett.
Man starter med en pre-trent modell og eksponerer den for eksempler som viser ønsket atferd — for eksempel kundeservicedialoger, medisinske journaler eller juridiske dokumenter. Modellen justerer sine vekter for å bli bedre på akkurat denne typen oppgaver. Variasjoner inkluderer LoRA (Low-Rank Adaptation) som kun oppdaterer en liten andel av vektene, noe som gjør prosessen raskere og billigere.
Fine-tuning har blitt mer tilgjengelig men også mindre nødvendig. Frontier-modeller med store kontekstvinduer kan ofte løse spesifikke oppgaver gjennom RAG og prompt engineering alene. Fine-tuning brukes nå primært for å redusere inferenskostnader, forbedre responstid og oppnå konsistent output i produksjonssystemer.