Woordenlijst

Fine-tuning

Wat is Fine-tuning?

Fine-tuning betekent het verder trainen van een reeds vooraf getraind AI-model op aanvullende, meestal taakspecifieke data. De interne gewichten worden zo bijgesteld dat het model bijvoorbeeld een bepaalde schrijfstijl, vakjargon of uitvoerformaat betrouwbaarder beheerst. Fine-tuning vereist zorgvuldig voorbereide voorbeelddata, rekenkracht en tests. Voor veel toepassingen volstaan goed geschreven instructies en gekoppelde kennis, en die zijn makkelijker aan te passen.

Hoe KI.ordo helpt

KI.ordo traint modellen niet opnieuw; het stemt agents af via instructies en uw eigen kennis, zodat wijzigingen direct van kracht zijn.

Meer informatie

Onderwerpen

Modeltraining
Maatwerk
Taalmodellen

KI.ordo uitproberen

Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.

Demo starten

← Alle begrippen

Verwante begrippen

Parameter-efficient fine-tuning (PEFT)

Parameter-efficient fine-tuning (PEFT) omvat technieken waarmee een groot, vooraf getraind model aan een taak wordt aangepast door slechts een klein deel van de parameters te trainen of een paar extra parameters toe te voegen. Bekende methoden zijn LoRA, QLoRA, adapters en prefix tuning. Dit verlaagt de reken- en geheugenbehoefte sterk, en kleine aanvullende modules kunnen voor meerdere taken worden opgeslagen in plaats van volledige modelkopieën. Voorbeeld: een taalmodel wordt aangepast aan de stijl van interne technische documentatie.

finetuning
training
+1

Instruction Tuning

Instruction tuning is een vorm van fine-tuning waarbij een vooraf getraind taalmodel verder wordt getraind op veel paren van instructies en gewenste antwoorden. Zo leert het model in natuurlijke taal geformuleerde opdrachten uit te voeren in plaats van alleen tekst voort te zetten. Het is een belangrijke stap om van een basismodel een assistent te maken en wordt vaak gecombineerd met methoden zoals RLHF. Voorbeeld: ‘Vat deze tekst samen in drie zinnen’ wordt betrouwbaar uitgevoerd.

Fine-tuning
Taalmodellen
+1

Transfer Learning

Bij transfer learning dient een model dat al een grote algemene taak heeft geleerd als uitgangspunt voor een nieuw, gespecialiseerd model. In plaats van helemaal opnieuw te beginnen, wordt het aangepast, bijvoorbeeld door finetuning, met relatief weinig eigen gegevens. Dat bespaart rekentijd en gegevens, bijvoorbeeld wanneer een algemeen beeldmodel productiefouten op foto’s moet leren herkennen.

Machine learning
Training
+1

Retrieval-augmented generation (RAG)

Retrieval-augmented generation combineert zoeken met tekstgeneratie: voordat het antwoordt, doorzoekt het systeem een kennisverzameling – zoals handleidingen, richtlijnen of veelgestelde vragen – op relevante passages en geeft die als context aan het taalmodel. Het antwoord is daardoor gebaseerd op actuele, bedrijfsspecifieke inhoud en niet alleen op de trainingskennis van het model. Dit vermindert verzonnen beweringen, maakt bronnen controleerbaar en maakt updates mogelijk zonder opnieuw te trainen.

RAG
kennis zoeken
+1