Fine-tuning
Simpele Uitleg
Fine-tuning is het verder trainen van een bestaand AI model op jouw specifieke data om het te specialiseren voor jouw use case.
Technische Definitie
Fine-tuning is transfer learning waarbij een pre-trained LLM verder wordt getraind op domain-specific data. Weights worden aangepast via gradient descent on custom dataset. Twee approaches: full fine-tuning (alle weights) of parameter-efficient (LoRA, adapters). Vereist 100-10,000+ examples en GPU resources.
Waarom Dit Belangrijk Is
Fine-tuning maakt models beter in specifieke tasks zonder full retraining. Voorbeeld: fine-tune GPT-4 op jouw customer support data voor consistent brand voice. Duurder dan RAG maar beter voor style/behavior vs facts.
Use Cases
Brand Voice
Train model op jouw tone of voice voor consistent content
Domain Expertise
Medisch/legal model dat jargon begrijpt
Tools Die Dit Gebruiken
Wil je deze term in de praktijk leren toepassen?