Finjustering (Fine-tuning)

Vad är finjustering?

Finjustering innebär att man tar en redan förtränad AI-modell och tränar den vidare på en mindre, specialiserad datamängd. Resultatet är en modell som behåller sin generella förmåga men blir expert på det specifika området.

Hur fungerar det?

En basmodell som Llama 4 har bred kunskap från sin förträning. Genom att finjustera den på till exempel svenska medicinska journaler blir den betydligt bättre på att hantera medicinska frågor på svenska — utan att förlora sin generella förmåga.

Typer av finjustering

Supervised Fine-Tuning (SFT) använder märkt data med önskade in- och utdata. RLHF (Reinforcement Learning from Human Feedback) använder mänskliga preferensbedömningar. LoRA (Low-Rank Adaptation) är en effektiv metod som finjusterar bara en liten del av modellens parametrar.

Praktisk relevans

Finjustering gör det möjligt för företag att anpassa öppna modeller till sina specifika behov — från kundtjänst till juridisk analys — utan att behöva träna en modell från grunden.