Slovar pojmov

Fino uravnavanje

Kaj je Fino uravnavanje?

Fino uravnavanje (fine-tuning) pomeni nadaljnje učenje že vnaprej naučenega modela UI na dodatnih, običajno nalogi prilagojenih podatkih. Njegove notranje uteži se prilagodijo, tako da model zanesljiveje obvlada na primer določen slog pisanja, strokovno besedišče ali obliko izpisa. Fino uravnavanje zahteva skrbno pripravljene vzorčne podatke, računsko moč in preizkušanje. Za številne aplikacije zadostujejo dobro napisana navodila in povezano znanje, ki ju je tudi laže spreminjati.

Kako pomaga KI.ordo

KI.ordo modelov ne uči znova; agente prilagaja z navodili in vašim znanjem, zato spremembe veljajo takoj.

Več o tem

Teme

Učenje modela
Prilagajanje
Jezikovni modeli

Preizkusite KI.ordo

Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.

Začni predstavitev

← Vsi pojmi

Sorodni pojmi

Parametrsko učinkovito natančno uravnavanje (PEFT)

Parametrsko učinkovito natančno uravnavanje (PEFT) zajema tehnike, ki velik vnaprej naučen model prilagodijo nalogi tako, da učijo le majhen del njegovih parametrov ali dodajo nekaj dodatnih. Znane metode so LoRA, QLoRA, adapterji in prefix tuning. To močno zmanjša potrebe po računski moči in pomnilniku, majhne dodatne module pa je mogoče shraniti za več nalog namesto polnih kopij modela. Primer: jezikovni model se prilagodi slogu internih tehničnih dokumentov.

natančno uravnavanje
učenje
+1

Instruction Tuning

Učenje z navodili (instruction tuning) je oblika finega uravnavanja, pri kateri se vnaprej naučen jezikovni model dodatno uči na številnih parih navodil in želenih odgovorov. Tako se model nauči upoštevati naloge, zapisane v naravnem jeziku, namesto da bi besedilo le nadaljeval. Je ključni korak pri pretvorbi osnovnega modela v pomočnika in se pogosto združuje z metodami, kot je RLHF. Primer: „Povzemi to besedilo v treh stavkih“ se izvede zanesljivo.

Fino uravnavanje
Jezikovni modeli
+1

Transfer Learning

Pri prenosnem učenju model, ki se je že naučil veliko splošno nalogo, služi kot izhodišče za novo, specializirano. Namesto da bi začeli iz nič, ga prilagodimo, na primer z natančnim uravnavanjem, s sorazmerno malo lastnimi podatki. To prihrani računski čas in podatke, na primer kadar se splošni slikovni model nauči prepoznavati napake v proizvodnji na fotografijah.

Strojno učenje
Training
+1

Generiranje z obogatenim priklicem (RAG)

Generiranje z obogatenim priklicem združuje iskanje z generiranjem besedil: preden sistem odgovori, v zbirki znanja – na primer priročnikih, pravilnikih ali pogostih vprašanjih – poišče ustrezne odlomke in jih kot kontekst poda jezikovnemu modelu. Odgovor tako temelji na aktualnih vsebinah podjetja in ne le na znanju modela iz učenja. To zmanjša izmišljene trditve, omogoči sledljivost virov in posodobitve brez ponovnega učenja.

RAG
iskanje po znanju
+1