Finjustering (fine-tuning)
Finjustering innebär att en redan tränad AI-modell vidareutbildas på ett mindre, noga utvalt dataset för att bemästra en specifik uppgift eller stil.
Finjustering, ofta kallat fine-tuning på engelska, är en metod där en redan färdigtränad språkmodell tränas vidare på en avgränsad mängd data. Syftet är inte att lära modellen grundläggande språkförståelse från början, utan att anpassa dess beteende, tonfall, jargong eller svarsformat till en specifik kontext eller bransch.
Att träna en stor grundmodell från grunden kräver enorma datorresurser och miljontals dokument. Finjustering bygger istället vidare på den breda förståelse som modellen redan besitter. Genom att mata in några tusen högkvalitativa exempel justeras modellens inre vikter i mikroskopisk skala. Resultatet blir en specialiserad assistent som förstår precis hur den förväntas agera i en viss roll.
Hur fungerar finjustering i praktiken?
Vid finjustering förbereds ett dataset bestående av exempelpar med instruktioner och önskade svar. Modellen bearbetar dessa exempel upprepade gånger och uppdaterar sina parametrar så att sannolikheten för att generera just den typen av svar ökar. Processen sker under övervakad inlärning (supervised fine-tuning, SFT), där mänskliga experter eller noggrant granskade mallar sätter standarden för kvaliteten.
Metoden skiljer sig fundamentalt från vanlig promptning. I stället för att du i varje enskilt meddelande förklarar hur modellen ska svara, är formatet och tonen redan inpräntade i modellens interna struktur. Detta minskar antalet instruktioner du behöver skicka med i varje anrop och ger betydligt mer förutsägbara svar.
Ett svenskt exempel: E-handeln i Borås
Föreställ dig ett anrikt textil- och e-handelsföretag i Borås som hanterar tusentals kundärenden kring orderstatus, reklamationer och materialval. När kundservice använder en vanlig öppen modell blir svaren ofta onödigt långrandiga, amerikanskt översvallande eller felaktigt formulerade enligt svensk konsumenträtt.
Genom att samla in femtusen tidigare ärenden, där erfarna handläggare har svarat sakligt, trevligt och enligt företagets strikta policys, kan e-handlaren finjustera en modell. Den finjusterade modellen lär sig då automatiskt:
- Företagets distinkta, vardagliga men professionella tonfall utan onödiga artighetsfraser.
- Hur retursedlar och ärendenummer ska struktureras i texten.
- Att strikt hålla sig till gällande villkor för ångerrätt och reklamationer utan att sväva ut i spekulationer.
- Tekniska facktermer om textilier, tvättråd och passformer som används i den lokala verksamheten.
Fine-tuning jämfört med RAG och promptning
Ett vanligt missförstånd är att finjustering är det första steget när en modell ska anpassas för ett företag. I själva verket är det ofta det sista steget. Om målet är att ge modellen tillgång till dagsfärsk information, interna styrdokument eller prislistor är RAG (Retrieval-Augmented Generation) oftast ett överlägset alternativ. RAG innebär att modellen hämtar relevanta textavsnitt från en databas i realtid och läser dem som referensmaterial innan den svarar.
Finjustering används när du vill ändra hur modellen uttrycker sig, medan RAG används för vad modellen vet. Om en skola i Linköping vill att en AI ska rätta elevtexter enligt en mycket specifik pedagogisk matris är finjustering utmärkt, eftersom bedömningsstilen och betygsformatet behöver sitta i ryggmärgen på modellen. Vill skolan däremot att samma AI ska svara på frågor om terminens matsalsmeny eller läsårets schema fungerar en sökbar databas långt bättre.
Vanliga misstag vid finjustering
Det absolut vanligaste misstaget är att använda ett för stort men brusigt dataset. En modell lär sig felaktigheter och inkonsekvenser blixtsnabbt. Femhundra perfekta, handgranskade exempel ger nästan alltid bättre resultat än femtiotusen röriga loggar från en gammal e-postinkorg.
Ett annat problem är katastrofal glömska (catastrophic forgetting). När en modell tränas för hårt på en smal uppgift kan den tappa förmågan att resonera logiskt kring allmänna frågor. Därför är det viktigt att regelbundet utvärdera modellen mot en bred uppsättning tester under träningsprocessen för att säkerställa att grundläggande språkkänsla och slutledningsförmåga bibehålls.
Vanliga frågor
Vad är skillnaden mellan fine-tuning och RAG?
Fine-tuning ändrar modellens beteende, ton och svarsformat genom att uppdatera dess vikter. RAG låter istället modellen söka upp extern fakta i en databas i stunden utan att modellens grundinställningar ändras.
Kan jag använda fine-tuning för att lära AI ny fakta?
Det rekommenderas inte. Språkmodeller har svårt att hålla fakta uppdaterade enbart genom tränade vikter, vilket lätt leder till hallucinationer. Fakta och dokument hanteras bäst via RAG eller systemprompter.
Hur många exempel behövs för att finjustera en modell?
För enkla formatjusteringar kan några dussin eller hundra exempel räcka. För mer avancerade uppgifter och distinkt tonfall krävs oftast mellan ett och några tusen granskade exempel av mycket hög kvalitet.
Är fine-tuning samma sak som att träna en modell från grunden?
Nej, grundträning kräver enorma mängder data och beräkningskraft för att lära modellen språk och allmänbildning. Finjustering är en snabbare och billigare påbyggnad som utgår från en redan färdig modell.
