Ordlista

Finjustering

Vad är Finjustering?

Finjustering innebär att en redan förtränad AI-modell tränas vidare på ytterligare, vanligtvis uppgiftsspecifika data. Modellens interna vikter justeras så att den till exempel hanterar en viss skrivstil, ett visst fackspråk eller ett visst utdataformat mer tillförlitligt. Finjustering kräver noggrant förberedda exempeldata, beräkningskraft och tester. För många tillämpningar räcker väl formulerade instruktioner och ansluten kunskap, och de är lättare att ändra.

Så hjälper KI.ordo

KI.ordo tränar inte om modeller; plattformen anpassar agenter med instruktioner och din egen kunskap, så att ändringar får verkan direkt.

Läs mer

Ämnen

Modellträning
Anpassning
Språkmodeller

Prova KI.ordo

Agenter, flöden och mallar i en arbetsyta – gratis demo i 24 timmar.

Starta demo

← Alla begrepp

Relaterade begrepp

Parametereffektiv finjustering (PEFT)

Parametereffektiv finjustering (PEFT) omfattar tekniker som anpassar en stor förtränad modell till en uppgift genom att bara träna en liten del av dess parametrar eller lägga till några få extra. Kända metoder är LoRA, QLoRA, adaptrar och prefix tuning. Det minskar beräknings- och minneskraven kraftigt, och små tilläggsmoduler kan sparas för flera uppgifter i stället för fullständiga modellkopior. Exempel: en språkmodell anpassas till stilen i interna tekniska dokument.

finjustering
träning
+1

Instruction Tuning

Instruktionsträning (instruction tuning) är en form av finjustering där en förtränad språkmodell tränas vidare på många par av instruktioner och önskade svar. Det lär modellen att följa uppgifter formulerade på naturligt språk i stället för att bara fortsätta en text. Det är ett viktigt steg för att göra en basmodell till en assistent och kombineras ofta med metoder som RLHF. Exempel: ”Sammanfatta den här texten i tre meningar” utförs tillförlitligt.

Finjustering
Språkmodeller
+1

Transfer Learning

Vid överföringsinlärning (transfer learning) fungerar en modell som redan har lärt sig en stor allmän uppgift som utgångspunkt för en ny, specialiserad. I stället för att börja från noll anpassas den, till exempel genom finjustering, med jämförelsevis lite egna data. Det sparar beräkningstid och data, till exempel när en allmän bildmodell ska lära sig upptäcka produktionsfel i foton.

Maskininlärning
Training
+1

Retrieval-augmented generation (RAG)

Retrieval-augmented generation kombinerar sökning med textgenerering: innan systemet svarar söker det i en kunskapssamling – som manualer, policyer eller vanliga frågor – efter relevanta avsnitt och skickar dem som sammanhang till språkmodellen. Svaret bygger därmed på aktuellt, företagsspecifikt innehåll i stället för enbart på modellens träningskunskap. Det minskar påhittade påståenden, gör källor spårbara och möjliggör uppdateringar utan omträning.

RAG
kunskapssökning
+1