Glosář

jemné doladění

Co je jemné doladění?

Jemné doladění (fine-tuning) znamená další trénování již předtrénovaného modelu AI na dodatečných, obvykle úlohově specifických datech. Upravují se jeho vnitřní váhy, aby model spolehlivěji zvládal například určitý styl psaní, odbornou slovní zásobu nebo výstupní formát. Fine-tuning vyžaduje pečlivě připravená vzorová data, výpočetní výkon a testování. Pro mnoho aplikací stačí dobře napsané pokyny a připojené znalosti, které se snáze mění.

Jak pomáhá KI.ordo

KI.ordo modely znovu netrénuje; agenty přizpůsobuje pomocí pokynů a vlastních znalostí, takže změny se projeví okamžitě.

Zjistit více

Témata

trénování modelů
přizpůsobení
jazykové modely

Vyzkoušet KI.ordo

Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.

Spustit demo

← Všechny pojmy

Související pojmy

Parametricky efektivní dolaďování (PEFT)

Parametricky efektivní dolaďování (PEFT) zahrnuje techniky, které velký předtrénovaný model přizpůsobí úkolu tím, že trénují jen malou část jeho parametrů nebo přidají několik dalších. Známé metody jsou LoRA, QLoRA, adaptéry a prefix tuning. Výrazně to snižuje nároky na výpočetní výkon a paměť a místo úplných kopií modelu lze pro více úkolů uložit malé doplňkové moduly. Příklad: jazykový model se přizpůsobí stylu interní technické dokumentace.

dolaďování
trénování
+1

Instruction Tuning

Ladění na pokyny (instruction tuning) je forma jemného doladění, při níž se předtrénovaný jazykový model dále trénuje na mnoha dvojicích pokynů a požadovaných odpovědí. Model se tak naučí plnit úlohy formulované přirozeným jazykem, místo aby jen pokračoval v textu. Je to klíčový krok při přeměně základního modelu na asistenta a často se kombinuje s metodami, jako je RLHF. Příklad: pokyn „Shrň tento text do tří vět“ se spolehlivě provede.

jemné doladění
jazykové modely
+1

Transfer Learning

Při transferovém učení slouží jako výchozí bod pro nový, specializovaný model model, který se již naučil rozsáhlý obecný úkol. Místo začínání od nuly se přizpůsobí, například dolaďováním, s použitím poměrně malého množství vlastních dat. Šetří to výpočetní čas i data, například když se obecný obrazový model má naučit odhalovat výrobní vady na fotografiích.

Strojové učení
Training
+1

Retrieval-augmented generation (RAG)

Retrieval-augmented generation kombinuje vyhledávání s generováním textu: před odpovědí systém prohledá sbírku znalostí – například příručky, směrnice nebo časté dotazy – a relevantní pasáže předá jazykovému modelu jako kontext. Odpověď je tak založena na aktuálním obsahu specifickém pro firmu, a nikoli jen na znalostech z trénování modelu. Snižuje to vymyšlená tvrzení, zdroje jsou dohledatelné a aktualizace nevyžadují opakované trénování.

RAG
vyhledávání ve znalostech
+1