Sanasto

hienosäätö

Mikä on hienosäätö?

Hienosäätö tarkoittaa jo esikoulutetun tekoälymallin jatkokoulutusta lisädatalla, joka on yleensä tehtäväkohtaista. Sen sisäisiä painoja säädetään, jotta malli hallitsee esimerkiksi tietyn kirjoitustyylin, erikoissanaston tai tulostusmuodon luotettavammin. Hienosäätö vaatii huolellisesti valmisteltua esimerkkidataa, laskentatehoa ja testausta. Moneen käyttötarkoitukseen riittävät hyvin kirjoitetut ohjeet ja liitetty tietämys, ja niitä on helpompi muuttaa.

Miten KI.ordo auttaa

KI.ordo ei kouluta malleja uudelleen; se räätälöi agentit ohjeiden ja oman tietämyksesi avulla, joten muutokset tulevat voimaan heti.

Lue lisää

Aiheet

mallin koulutus
Mukauttaminen
kielimallit

Kokeile KI.ordoa

Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.

Aloita demo

← Kaikki termit

Liittyvät termit

Parametritehokas hienosäätö (PEFT)

Parametritehokas hienosäätö (PEFT, parameter-efficient fine-tuning) kattaa tekniikat, joilla suuri esikoulutettu malli mukautetaan tehtävään opettamalla vain pieni osa sen parametreista tai lisäämällä muutama lisäparametri. Tunnettuja menetelmiä ovat LoRA, QLoRA, adapterit ja prefix tuning. Tämä vähentää huomattavasti laskenta- ja muistivaatimuksia, ja pieniä lisämoduuleja voi tallentaa useita tehtäviä varten kokonaisten mallikopioiden sijaan. Esimerkki: kielimalli mukautetaan sisäisten teknisten asiakirjojen tyyliin.

hienosäätö
koulutus
+1

Instruction Tuning

Ohjeistusviritys (instruction tuning) on hienosäädön muoto, jossa esikoulutettua kielimallia koulutetaan edelleen monilla ohje–toivottu vastaus -pareilla. Tämä opettaa mallin noudattamaan luonnollisella kielellä muotoiltuja tehtäviä sen sijaan, että se vain jatkaisi tekstiä. Se on keskeinen vaihe perusmallin muuttamisessa avustajaksi, ja sitä yhdistetään usein menetelmiin, kuten RLHF. Esimerkki: ”Tiivistä tämä teksti kolmeen lauseeseen” suoritetaan luotettavasti.

hienosäätö
kielimallit
+1

Transfer Learning

Siirto-oppimisessa malli, joka on jo oppinut suuren yleisen tehtävän, toimii lähtökohtana uudelle, erikoistuneelle mallille. Alusta aloittamisen sijaan se mukautetaan, esimerkiksi hienosäädöllä, suhteellisen vähällä omalla datalla. Tämä säästää laskenta-aikaa ja dataa, esimerkiksi kun yleiskuvamallin halutaan oppivan havaitsemaan tuotantovirheitä valokuvista.

Koneoppiminen
Training
+1

Hakuvahvistettu generointi (RAG)

Hakuvahvistettu generointi (retrieval-augmented generation) yhdistää haun ja tekstin tuottamisen: ennen vastaamista järjestelmä hakee tietokokoelmasta – esimerkiksi käsikirjoista, ohjeistuksista tai UKK:sta – asiaankuuluvia kohtia ja välittää ne kielimallille kontekstina. Vastaus perustuu siten ajantasaiseen, yrityskohtaiseen sisältöön eikä pelkästään mallin opetustietoon. Tämä vähentää keksittyjä väitteitä, tekee lähteistä jäljitettäviä ja mahdollistaa päivitykset ilman uudelleenopetusta.

RAG
tietämyshaku
+1