Ordliste

Finjustering

Hvad er Finjustering?

Finjustering (fine-tuning) betyder at videretræne en allerede fortrænet AI-model på yderligere, som regel opgavespecifikke data. Dens interne vægte justeres, så modellen f.eks. håndterer en bestemt skrivestil, fagterminologi eller outputformat mere pålideligt. Finjustering kræver omhyggeligt forberedte eksempeldata, regnekraft og test. Til mange anvendelser er velskrevne instruktioner og tilknyttet viden tilstrækkeligt og lettere at ændre.

Sådan hjælper KI.ordo

KI.ordo omtræner ikke modeller; den tilpasser agenter gennem instruktioner og din egen viden, så ændringer får virkning med det samme.

Læs mere

Emner

Modeltræning
Tilpasning
Sprogmodeller

Prøv KI.ordo

Agenter, flows og skabeloner i ét arbejdsområde – gratis demo i 24 timer.

Start demo

← Alle begreber

Relaterede begreber

Parameter-efficient fine-tuning (PEFT)

Parameter-efficient fine-tuning (PEFT) omfatter teknikker, der tilpasser en stor fortrænet model til en opgave ved kun at træne en lille del af dens parametre eller tilføje nogle få ekstra. Kendte metoder er LoRA, QLoRA, adaptere og prefix tuning. Det reducerer beregnings- og hukommelsesbehovet kraftigt, og små tillægsmoduler kan gemmes til flere opgaver i stedet for fulde modelkopier. Eksempel: en sprogmodel tilpasses stilen i interne tekniske dokumenter.

fine-tuning
træning
+1

Instruction Tuning

Instruktionstuning (instruction tuning) er en form for finjustering, hvor en fortrænet sprogmodel trænes videre på mange par af instruktioner og ønskede svar. Det lærer modellen at følge opgaver formuleret i naturligt sprog i stedet for blot at fortsætte tekst. Det er et vigtigt trin i at gøre en basismodel til en assistent og kombineres ofte med metoder som RLHF. Eksempel: 'Opsummér denne tekst i tre sætninger' udføres pålideligt.

Finjustering
Sprogmodeller
+1

Transfer Learning

Ved transfer learning bruges en model, der allerede har lært en stor generel opgave, som udgangspunkt for en ny, specialiseret opgave. I stedet for at starte fra bunden tilpasses den, f.eks. gennem fine-tuning, med forholdsvis få egne data. Det sparer beregningstid og data, f.eks. når en generel billedmodel skal lære at opdage produktionsfejl på fotos.

Maskinlæring
Training
+1

Retrieval-augmented generation (RAG)

Retrieval-augmented generation kombinerer søgning med tekstgenerering: før svaret søger systemet i en vidensamling – f.eks. manualer, politikker eller FAQ'er – efter relevante passager og giver dem til sprogmodellen som kontekst. Svaret bygger dermed på aktuelt, virksomhedsspecifikt indhold og ikke kun på modellens træningsviden. Det reducerer opfundne udsagn, gør kilder sporbare og muliggør opdateringer uden gentræning.

RAG
vidensøgning
+1