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.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA 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.
Az alapmodell (foundation model) egy nagyon kiterjedt, sokrétű adatokon előre betanított nagy MI-modell, amely aztán sokféle feladatra felhasználható. A kifejezést a Stanford Egyetemen alkották 2021-ben. Ismert példák a nagy nyelvi modellek, mint a Claude vagy a GPT, valamint a képmodellek. A vállalkozások alkalmazásaikat általában ilyen modellekre építik, ahelyett hogy a nulláról saját modellt tanítanának; az EU MI-rendelete az általános célú MI-modellekre hivatkozik.
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.
