Glosar

fine-tuning

Ce este fine-tuning?

Fine-tuning înseamnă continuarea antrenării unui model IA deja pre-antrenat cu date suplimentare, de obicei specifice unei sarcini. Ponderile sale interne sunt ajustate astfel încât modelul să gestioneze mai fiabil, de exemplu, un anumit stil de scriere, un vocabular de specialitate sau un format de ieșire. Fine-tuning-ul necesită date de exemplu pregătite cu grijă, putere de calcul și testare. Pentru multe aplicații, instrucțiunile bine scrise și cunoștințele conectate sunt suficiente și mai ușor de modificat.

Cum ajută KI.ordo

KI.ordo nu reantrenează modele; adaptează agenții prin instrucțiuni și prin propriile dumneavoastră cunoștințe, astfel încât modificările au efect imediat.

Aflați mai multe

Subiecte

antrenarea modelelor
personalizare
modele lingvistice

Încercați KI.ordo

Agenți, fluxuri și șabloane într-un singur spațiu de lucru – demo gratuit de 24 de ore.

Porniți demo-ul

← Toți termenii

Termeni înrudiți

Reglajul fin eficient din punct de vedere al parametrilor (PEFT)

Reglajul fin eficient din punct de vedere al parametrilor (PEFT) cuprinde tehnici care adaptează un model mare preantrenat la o sarcină antrenând doar o mică parte din parametrii săi sau adăugând câțiva parametri suplimentari. Metodele cunoscute includ LoRA, QLoRA, adaptoarele și prefix tuning. Acest lucru reduce considerabil cerințele de calcul și de memorie, iar modulele mici suplimentare pot fi salvate pentru mai multe sarcini, în locul copiilor complete ale modelului. Exemplu: un model lingvistic este adaptat la stilul documentației tehnice interne.

reglaj fin (fine-tuning)
antrenare
+1

Instruction Tuning

Instruction tuning este o formă de fine-tuning în care un model lingvistic pre-antrenat este antrenat în continuare pe multe perechi de instrucțiuni și răspunsuri dorite. Aceasta îl învață pe model să urmeze sarcini formulate în limbaj natural, nu doar să continue textul. Este un pas esențial în transformarea unui model de bază într-un asistent și este adesea combinat cu metode precum RLHF. Exemplu: „Rezumă acest text în trei propoziții” este executat fiabil.

fine-tuning
modele lingvistice
+1

Transfer Learning

În învățarea prin transfer, un model care a învățat deja o sarcină generală amplă servește drept punct de pornire pentru unul nou, specializat. În loc să înceapă de la zero, este adaptat, de exemplu prin reglaj fin, folosind relativ puține date proprii. Aceasta economisește timp de calcul și date, de exemplu atunci când un model general de imagini trebuie să învețe să depisteze defecte de fabricație în fotografii.

Învățare automată
Training
+1

Generare augmentată prin regăsire (RAG)

Generarea augmentată prin regăsire combină căutarea cu generarea de text: înainte de a răspunde, sistemul caută într-o colecție de cunoștințe – de exemplu manuale, regulamente sau FAQ-uri – pasajele relevante și le transmite modelului lingvistic drept context. Răspunsul se bazează astfel pe conținut actual, specific companiei, și nu doar pe cunoștințele de antrenare ale modelului. Aceasta reduce afirmațiile inventate, face sursele verificabile și permite actualizări fără reantrenare.

RAG
căutare în cunoștințe
+1