Wat is Fine-tuning?

Fine-tuning betekent dat je een bestaand AI-model extra bijschoolt met een kleinere, gerichte set voorbeelden. Het model kent dan al veel, en leert daarna een specifieke stijl, taak of vakgebied beter.

Hoe werkt het?

Een groot AI-model is eerst breed getraind op enorme hoeveelheden tekst. Dat kost veel tijd en rekenkracht. Daarna kun je het model verder trainen met je eigen voorbeelden. Dat gaat zo:

• Je verzamelt voorbeelden van vragen met het antwoord dat je wilt zien.
• Je traint het model hier nog een keer op, met kleine aanpassingen aan zijn interne instellingen.
• Je test of het model nu beter presteert op jouw taak.

Die interne instellingen heten parameters. Het zijn de getallen waarin het model zijn kennis bewaart. Bij fine-tuning verander je een deel daarvan. Het model leert dus vooral hoe het moet antwoorden, bijvoorbeeld in een bepaalde toon of opmaak.

Een voorbeeld uit de praktijk

Een verzekeraar wil dat een AI klachten van klanten sorteert in categorieën. Het bedrijf heeft duizenden oude klachten die al door medewerkers zijn gelabeld. Met die voorbeelden wordt een model bijgetraind. Daarna herkent het model sneller en vaker de juiste categorie dan een algemeen model zonder bijtraining.

Waarom is dit belangrijk voor jou?

Als je AI inzet voor specifiek werk, hoor je vaak over fine-tuning. Het is handig om te weten wanneer het past:

• Fine-tuning is goed voor stijl, vorm en vaste taken.
• Voor actuele feiten of eigen documenten is RAG vaak een betere en goedkopere keuze.
• Je hebt goede, schone voorbeelden nodig. Slechte voorbeelden leiden tot een slecht model.
• Gebruik geen persoonsgegevens zonder dat dit mag.

Probeer eerst een goede prompt. Pas als dat niet genoeg is, kan fine-tuning de moeite waard zijn.