Perkeliamajame mokyme jau išmokęs didelę bendrą užduotį modelis tampa atspirties tašku naujam, specializuotam modeliui. Užuot pradėjus nuo nulio, jis pritaikomas, pavyzdžiui, tikslinant, naudojant palyginti nedaug savų duomenų. Tai taupo skaičiavimo laiką ir duomenis, pavyzdžiui, kai bendrą vaizdų modelį norima išmokyti aptikti gamybos defektus nuotraukose.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąTikslinis derinimas (fine-tuning) reiškia jau iš anksto apmokyto DI modelio tolesnį mokymą papildomais, paprastai konkrečiai užduočiai skirtais duomenimis. Koreguojami jo vidiniai svoriai, kad modelis patikimiau tvarkytų, pavyzdžiui, tam tikrą rašymo stilių, specialią leksiką ar išvesties formatą. Tikslinis derinimas reikalauja kruopščiai paruoštų pavyzdinių duomenų, skaičiavimo galios ir testavimo. Daugeliui taikymų pakanka gerai parašytų nurodymų ir prijungtų žinių, ir juos lengviau keisti.
Bazinis modelis (angl. foundation model) – tai didelis DI modelis, iš anksto apmokytas labai plačiais, įvairiais duomenimis, kurį vėliau galima naudoti daugeliui skirtingų užduočių. Terminą 2021 m. sukūrė Stanfordo universitetas. Gerai žinomi pavyzdžiai yra dideli kalbos modeliai, tokie kaip „Claude“ ar GPT, taip pat vaizdų modeliai. Įmonės savo taikomąsias programas paprastai kuria remdamosi tokiais modeliais, o ne apmoko savo nuo nulio; ES dirbtinio intelekto akte kalbama apie bendrosios paskirties DI modelius.
Parametrų požiūriu efektyvus tikslinimas (PEFT) apima metodus, kurie pritaiko didelį iš anksto apmokytą modelį užduočiai, mokydami tik nedidelę jo parametrų dalį arba pridėdami keletą papildomų. Žinomi metodai: LoRA, QLoRA, adapteriai ir prefiksų tikslinimas. Tai labai sumažina skaičiavimo ir atminties poreikį, o vietoje pilnų modelio kopijų galima saugoti mažus priedinius modulius kelioms užduotims. Pavyzdys: kalbos modelis pritaikomas vidinių techninių dokumentų stiliui.
