Hvad er Fine-tuning?
Fine-tuning er processen, hvor man tilpasser en eksisterende AI-model til et specifikt domæne, en bestemt stil eller en specialiseret opgave ved at træne den videre på et kurateret datasæt. I stedet for at bygge fra bunden tager man en foundation model som GPT eller Claude og justerer den med eksempler, der viser det ønskede output.
Resultatet er en model, der rammer bedre på netop jeres type opgave, end den generelle model gør. Den bevarer sin brede sprogforståelse, men bliver specialist på det, I har trænet den i.
Fine-tuning er dog ikke altid det rigtige værktøj, og det forveksles ofte med RAG og prompt engineering. Resten af siden gennemgår, hvordan det virker, hvornår du vælger hvad, og hvad det ikke er.
Hvordan virker fine-tuning?
Fine-tuning starter med en pretrænet model, der allerede har lært generel sprogforståelse fra enorme datamængder. Den trænes så videre på et mindre, men målrettet datasæt fra det domæne, den skal mestre.
Træningsdataene består typisk af input/output-par: kundehenvendelser parret med ideelle svar i virksomhedens tone, eller dokumenter parret med de rigtige kategorier.
Under træningen justeres modellens parametre, så den vægter mønstrene fra det nye datasæt højere. Den ender med at bevare sin generelle evne, men være tydeligt bedre til den konkrete opgave.
Kvaliteten af træningsdataene afgør resultatet. Et lille, rent og repræsentativt datasæt slår et stort og rodet. Derfor ligger hovedparten af arbejdet i at kuratere data, ikke i selve træningen.
Vi hjælper med at vurdere, om fine-tuning, RAG eller en kombination er den rette vej til jeres use case, og bygger løsningen. Kontakt os for en indledende vurdering.
Fine-tuning, RAG eller prompt engineering: hvad vælger du?
Det er et af de hyppigste spørgsmål i enterprise AI, og svaret afhænger af opgaven.
Vælg prompt engineering først. Det er hurtigst og billigst, og overraskende meget kan løses ved at formulere instruktionen bedre, uden at røre modellen.
Vælg RAG, når svaret afhænger af fakta, der ændrer sig: priser, politikker, dokumentation. RAG henter information dynamisk og kræver ingen ny træning.
Vælg fine-tuning, når du vil ændre modellens adfærd, stil eller domæneviden mere permanent, for eksempel en model, der altid skriver i jeres tone eller forstår jeres fagsprog.
Kombinér dem, når du har brug for både domænespecifik adfærd og adgang til opdaterede data. En fine-tunet model med RAG giver ofte det bedste resultat på komplekse enterprise-opgaver.
Hvad fine-tuning ikke er
Fine-tuning er ikke det samme som prompt engineering. Prompt engineering ændrer instruktionen til modellen. Fine-tuning ændrer selve modellen.
Det er heller ikke en garanti for bedre resultater. Er datasættet for lille, for dårligt eller ikke repræsentativt, kan fine-tuning faktisk forringe modellens generelle evner. Datakvalitet er den vigtigste succesfaktor, ikke datamængde.
Og det er sjældent det første, du skal gribe til. Mange opgaver, der lyder som fine-tuning, løses bedre og billigere med RAG eller en skarpere prompt. Fine-tuning giver mest mening, når de enklere veje er afprøvet og kommer til kort.
Relaterede termer
RAG kombinerer en AI-model med virksomhedens egne data, så svarene er præcise og opdaterede. Lær hvordan RAG virker, og hvornår det giver mening.
En LLM (large language model) er en stor sprogmodel som GPT, Claude og Gemini. Lær hvordan LLM'er virker, hvad de bruges til, og hvad de koster.
En foundation model er en stor, pretrænet AI-model, du bygger ovenpå. Forstå hvad der kendetegner dem, de førende modeller, og hvad de ikke er.
Synthetic data er kunstigt genereret data, der spejler virkelig data uden at afsløre følsomme oplysninger. Lær hvordan det bruges til AI-træning og compliance.
Prompt engineering er kunsten at formulere instruktioner til AI, så den leverer bedre resultater. Lær grundteknikkerne, system prompts og hvad det ikke kan.
Knowledge distillation overfører viden fra store AI-modeller til mindre, hurtigere versioner. Forstå teknikken og dens værdi for virksomheder.
Ofte stillede spørgsmål om fine-tuning
Hvad koster fine-tuning?+
Det varierer med model og datamængde. Fine-tuning via API er relativt overkommeligt for små datasæt, mens fine-tuning af egne modeller on-premise kræver GPU-infrastruktur og er dyrere. Den største post er ofte kurateringen af træningsdata.
Hvor mange eksempler kræver fine-tuning?+
Det afhænger af opgaven. Til en simpel stilændring kan 50 til 100 gode eksempler være nok. Til kompleks domæneviden kræves typisk tusindvis af eksempler af høj kvalitet.
Kan vi fine-tune uden teknisk ekspertise?+
De store cloud-udbydere har no-code-flader til fine-tuning. Men kuratering af data, evaluering og test kræver stadig både domæneviden og AI-kompetence, hvis resultatet skal holde i drift.