Fine-tuning is een methode om een bestaand AI-model verder te trainen op een kleinere, specifieke dataset. Het model heeft al brede basiskennis en leert met extra voorbeelden beter presteren op een specifieke taak.
Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Wat fine-tuning doet binnen AI
Het zorgt ervoor dat een model beter aansluit op een specifieke toepassing. In plaats van een algemeen model gebruik je een model dat is aangepast aan jouw situatie.
Daarnaast maakt fine-tuning het mogelijk om domeinkennis toe te voegen. Denk aan juridische teksten, medische samenvattingen of klantenservice-antwoorden.
Bovendien levert het vaak consistenter resultaat op. Het model volgt beter vaste regels en geeft herhaalbare output.
Hoe fine-tuning werkt
Je traint een bestaand model met nieuwe voorbeelden. Deze voorbeelden laten zien wat gewenst gedrag is.
Bijvoorbeeld:
- voorbeeldvragen met bijbehorende antwoorden
- correcte samenvattingen
- duidelijke instructies
- bedrijfsspecifieke formuleringen
Het model leert patronen uit deze data en past zijn interne instellingen licht aan. Daardoor wordt het specialistischer, terwijl de algemene kennis behouden blijft.
Wanneer je een model verder aanpast
Je gebruikt het wanneer een standaardmodel niet voldoende aansluit. Bijvoorbeeld als je specifieke stijl, kennis of regels nodig hebt.
Daarnaast is het vaak sneller en goedkoper dan een model vanaf nul trainen. Je bouwt voort op bestaande kennis in plaats van opnieuw te beginnen.
Fine-tuning versus prompt engineering
Prompt engineering stuurt een model aan via de invoer die je geeft. Fine-tuning verandert het model zelf.
Daarom combineren veel toepassingen beide technieken. Je gebruikt prompts voor flexibiliteit en fine-tuning voor consistent gedrag.
Belangrijke aandachtspunten
Fine-tuning vraagt om zorgvuldigheid. Slechte of eenzijdige data kan ongewenst gedrag versterken.
Daarnaast moet je rekening houden met privacy. Gevoelige gegevens horen niet in trainingsdata thuis.
Ook kan een model minder voorspelbaar worden als je het verkeerd afstelt. Daarom controleer en test je het model na aanpassingen.
Meer hierover lees je op mijn pagina AI & Ethiek en AI & Dataregels.
Verder leren
Wil je begrijpen hoe AI-modellen leren, trainen en worden aangepast? In mijn Gratis Basiscursus AI leg ik dit stap voor stap uit in begrijpelijke taal.
Kijk je liever dan je leest, dan vind je op het YouTube kanaal De Wereld van AI video’s die je helpen AI beter te begrijpen.
