Fine-tuning
Ajustement fin
L'ajustement fin continue d'entraîner un modèle prêt à l'emploi avec des exemples soigneusement choisis provenant d'une tâche ou d'un domaine. Cela modifie les poids appris et le comportement du modèle.
Un autre exemple
Un ingénieur en apprentissage automatique examine 18 000 discussions de support et les divise par client avant l'entraînement. Le modèle ajusté s'améliore sur un ensemble de test séparé sans avoir vu ses exemples. Mettre des exemples dans un prompt n'est pas un ajustement fin.
Parties principales
- 01point de contrôle de base
- 02exemples d'entraînement
- 03évaluation tenue à l'écart
Utilisez-le lorsque
Utilisez ce terme lorsque des données de tâches ou de champs sélectionnées sont utilisées pour mettre à jour les poids d'un modèle.
Ne l'utilisez pas lorsque
Ne choisissez pas le fine-tuning avant de comprendre les problèmes dans l'invite, la recherche, la qualité des données et les tests.
Nom utilisé dans le code
pretrained weights + supervised examples → adapted checkpoint Avant d'expédier
Check the model and prompt versions, source data, versioned evaluation set, and measures. Verify links to evidence, tool permissions, privacy, common failures, decline-to-answer and fallback behavior, human review, monitoring, cost, speed, and rollback.
Outcome: Complete the task with Ajustement fin (Fine-tuning). User context: Un ingénieur en apprentissage automatique examine 18 000 discussions de support et les divise par client avant l'entraînement. Le modèle ajusté s'améliore sur un ensemble de test séparé sans avoir vu ses exemples. Mettre des exemples dans un prompt n'est pas un ajustement fin. AI method or concept: Ajustement fin (Fine-tuning). Why it fits: Utilisez ce terme lorsque des données de tâches ou de champs sélectionnées sont utilisées pour mettre à jour les poids d'un modèle. Do not use it when: Ne choisissez pas le fine-tuning avant de comprendre les problèmes dans l'invite, la recherche, la qualité des données et les tests. AI requirements: Define the input and source evidence. Set model and tool permissions. Use versioned evaluation data and measures. Define failure, decline-to-answer, privacy, speed, and cost limits. Operational safeguards: Keep a clear trace and hide sensitive log data. Show users a safe fallback. Mark steps that need human review. Define how to roll back the model or prompt. Acceptance criteria: Record baseline and target measures on a versioned evaluation set. Test edge cases and hostile inputs. Verify fallback, monitoring, permissions, and rollback. Evidence and limits (evidence boundary): Aucun standard officiel unique ne régit l’ensemble du terme. Sa signification peut varier selon les équipes, plateformes ou frameworks. Unknowns to confirm: Target task, model and version, evaluation owner, source data, risk limit, tool permissions, and production fallback.
Vérifiez cette demande
Review how Ajustement fin (Fine-tuning) is used now. Definition: L'ajustement fin continue d'entraîner un modèle prêt à l'emploi avec des exemples soigneusement choisis provenant d'une tâche ou d'un domaine. Cela modifie les poids appris et le comportement du modèle. Release checks: Check the model and prompt versions, source data, versioned evaluation set, and measures. Verify links to evidence, tool permissions, privacy, common failures, decline-to-answer and fallback behavior, human review, monitoring, cost, speed, and rollback. Before changing code, list the evidence, gaps, severity, and the smallest safe fix.