Fogalomtár

finomhangolás

Mi a(z) finomhangolás?

A finomhangolás egy már előre betanított MI-modell további tanítását jelenti kiegészítő, általában feladatspecifikus adatokkal. Belső súlyait úgy módosítják, hogy a modell például egy bizonyos írásstílust, szaknyelvet vagy kimeneti formátumot megbízhatóbban kezeljen. A finomhangolás gondosan előkészített példaadatokat, számítási teljesítményt és tesztelést igényel. Sok alkalmazáshoz jól megírt utasítások és csatlakoztatott tudás is elegendő, és könnyebben módosíthatók.

Így segít a KI.ordo

A KI.ordo nem tanít újra modelleket; az ügynököket utasításokkal és a saját tudásával szabja testre, így a módosítások azonnal érvénybe lépnek.

További információ

Témák

modelltanítás
testreszabás
nyelvi modellek

Próbálja ki a KI.ordót

Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.

Demó indítása

← Minden fogalom

Kapcsolódó fogalmak

Paraméterhatékony finomhangolás (PEFT)

A paraméterhatékony finomhangolás (PEFT) olyan technikákat foglal magában, amelyek egy nagy, előtanított modellt úgy igazítanak egy feladathoz, hogy csak paramétereinek kis részét tanítják, vagy néhány további paramétert adnak hozzá. Ismert módszerek a LoRA, a QLoRA, az adapterek és a prefix tuning. Ez jelentősen csökkenti a számítási és memóriaigényt, és a teljes modellmásolatok helyett kis kiegészítő modulok tárolhatók több feladathoz. Példa: egy nyelvi modellt a belső műszaki dokumentumok stílusához igazítanak.

finomhangolás
tanítás
+1

Instruction Tuning

Az utasításhangolás (instruction tuning) a finomhangolás egy formája, amelyben egy előre betanított nyelvi modellt további, sok utasítás–kívánt válasz párral tanítanak tovább. Ezzel a modell megtanulja követni a természetes nyelven megfogalmazott feladatokat ahelyett, hogy csupán folytatná a szöveget. Kulcsfontosságú lépés abban, hogy egy alapmodellből asszisztens legyen, és gyakran kombinálják olyan módszerekkel, mint az RLHF. Példa: a „Foglald össze ezt a szöveget három mondatban” utasítást megbízhatóan végrehajtja.

finomhangolás
nyelvi modellek
+1

Transfer Learning

A transzferalapú tanulás (transfer learning) során egy olyan modell szolgál kiindulópontként egy új, specializált modellhez, amely már megtanult egy nagy, általános feladatot. A nulláról indulás helyett igazítják, például finomhangolással, viszonylag kevés saját adat felhasználásával. Ez számítási időt és adatot takarít meg, például amikor egy általános képi modellnek meg kell tanulnia a gyártási hibák felismerését fényképeken.

Gépi tanulás
Training
+1

Visszakeresésalapú generálás (RAG)

A visszakeresésalapú generálás a keresést a szöveggeneráláshoz kapcsolja: a válasz előtt a rendszer egy tudásgyűjteményben – például kézikönyvekben, irányelvekben vagy GYIK-ekben – releváns részleteket keres, és ezeket kontextusként átadja a nyelvi modellnek. A válasz így naprakész, vállalatspecifikus tartalmakon alapul, nem csak a modell tanítási tudásán. Ez csökkenti a kitalált állításokat, nyomon követhetővé teszi a forrásokat, és újratanítás nélküli frissítést tesz lehetővé.

RAG
tudáskeresés
+1