Fine-tuning (finjustering)
Fine-tuning er en proces, hvor en færdigtrænet AI-model tilpasses med udvalgte data for at mestre en specifik opgave, tone eller fast struktur.
Fine-tuning, på dansk ofte kaldet finjustering, er en metode inden for kunstig intelligens, hvor man tager en i forvejen færdigtrænet sprogmodel og træner den videre på et mindre, målrettet datasæt. Formålet er ikke at lære modellen verden at kende forfra, men derimod at tilpasse dens adfærd, tonefald eller tekniske output til en helt bestemt opgave.
I stedet for at bruge enorme ressourcer på at bygge en grundmodel fra bunden, bygger man videre på et eksisterende fundament. Grundmodellen mestrer allerede grammatik, generel logik og almen viden. Gennem fine-tuning justerer man modellens interne vægte en smule, så den bliver specialist i netop det format eller den faglige jargon, som opgaven kræver.
Hvordan fungerer processen bag finjustering?
Når en model finjusteres, fodres den med tusindvis af nøje udvalgte eksempler, typisk opstillet som par af prompt og ønsket svar. Hvis man ønsker, at modellen skal klassificere henvendelser eller returnere data i et strengt defineret format, viser man den præcis, hvordan det færdige resultat skal se ud.
Undervejs justerer træningsalgoritmen parametrene, så sandsynligheden for at generere netop den type svar stiger markant. Resultatet er en ny, specialiseret modelversion, som automatisk reagerer efter de indlærte retningslinjer, uden at man behøver at give den lange instruktioner hver evig eneste gang.
Et lokalt eksempel: Juridisk formatering i Kolding
Forestil dig et mellemstort rådgivningshus i Kolding, der dagligt behandler hundredvis af standardiserede dokumenter til tinglysning eller ejendomshandler. Grundmodellen er god til at skrive almindeligt dansk, men den kender ikke virksomhedens interne retningslinjer for sagsnotater, og den glemmer ofte de faste paragraffer.
Ved at samle et par tusinde historiske sagsnotater af høj kvalitet og bruge dem til fine-tuning, opnår rådgivningshuset en skræddersyet assistent. Modellen lærer at overholde den præcise opbygning, anvende den korrekte fagterminologi og formulere sig i den nøgterne tone, som virksomheden forventer af sine medarbejdere. Den interne arbejdsgang bliver markant hurtigere, fordi medarbejderne slipper for at rette formateringsfejl.
Fine-tuning, prompt engineering eller RAG?
I praksis bør fine-tuning sjældent være det første værktøj, man griber ud efter. Ofte kan man opnå det samme eller et bedre resultat med enklere og billigere metoder. Det er værd at overveje følgende trin:
- System prompt: En grundig instruktion i starten af samtalen, hvor man forklarer modellen dens rolle og regler. Det rækker til langt de fleste daglige opgaver.
- RAG (Retrieval-Augmented Generation): Hvis modellen skal kende specifikke fakta, såsom et opdateret varekatalog for en butik i Odense eller interne personalehåndbøger, kobler man modellen op til en ekstern søgedatabase. RAG sikrer korrekte fakta uden ændring i modellens vægte.
- Fine-tuning: Relevant, når opgaven handler om form, stil, ekstrem kortfattethed eller teknisk syntaks (for eksempel fejlfri JSON-kode), som en almindelig prompt ikke formår at fastholde stabilt.
Den typiske fejl: At bruge fine-tuning som vidensbank
Den mest udbredte misforståelse omkring fine-tuning er troen på, at metoden er en god måde at lære modellen nye fakta på. Mange forsøger at finjustere en model på deres interne manualer for at få en vidende chatbot, men det fører næsten altid til skuffelser.
Når en model finjusteres på fakta, har den en stærk tendens til at blande detaljerne sammen, opfinde oplysninger (hallucinere) eller glemme information over tid. Fine-tuning skal ses som en måde at lære modellen en arbejdsmåde eller en skrivestil, ikke som en harddisk til opbevaring af virksomhedens viden. Til faktuel præcision er en søgebaseret løsning som RAG altid den rette vej at gå.
Ofte stillede spørgsmål
Hvad er forskellen på træning fra bunden og fine-tuning?
Træning fra bunden kræver enorme mængder generel tekst og massiv regnekraft for at lære sprog og begreber. Fine-tuning tager en allerede færdig model og justerer den hurtigt på et lille, specialiseret datasæt til en specifik opgave.
Kan jeg bruge fine-tuning til at opdatere min model med nye fakta?
Nej, fine-tuning er uegnet til ren faktalæring, da modellen let kan hallucinere eller glemme detaljer. Hvis du vil have modellen til at svare ud fra interne dokumenter eller nye priser, bør du bruge RAG.
Hvor mange dataeksempler skal man bruge for at fine-tune?
Det afhænger af opgaven, men ofte kan man se markante forbedringer i stil og format med alt fra nogle få hundrede til et par tusinde par af prompts og svar i høj kvalitet.
Er fine-tuning nødvendigt for almindelige virksomheder?
Sjældent i opstartsfasen. De fleste opgaver klares bedre, billigere og hurtigere ved hjælp af velskrevne system prompts kombineret med en vidensdatabase via RAG.
