Fine-tuning
미세 조정
미세 조정은 특정 작업이나 분야에서 신중하게 선택한 예시로 기존 모델을 계속 훈련시키는 것입니다. 이는 모델의 학습된 가중치와 동작을 변경합니다.
다른 예시
한 ML 엔지니어가 18,000개의 지원 채팅을 검토하고 훈련 전에 고객별로 분류합니다. 튜닝된 모델은 예제를 보지 않고도 별도의 테스트 세트에서 성능이 향상됩니다. 예제를 프롬프트 안에 넣는 것은 파인튜닝이 아닙니다.
주요 부분
- 01기본 체크포인트
- 02학습 예제
- 03홀드아웃 평가
사용할 때
선택된 작업 또는 필드 데이터를 사용하여 모델의 가중치를 업데이트할 때 이 용어를 사용하세요.
다음 경우에는 사용하지 마세요
프롬프트, 검색, 데이터 품질 및 테스트에서 문제를 이해하기 전까지 파인튜닝을 선택하지 마십시오.
코드에서 사용된 이름
pretrained weights + supervised examples → adapted checkpoint 출시하기 전에
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 미세 조정 (Fine-tuning)。 User context：한 ML 엔지니어가 18,000개의 지원 채팅을 검토하고 훈련 전에 고객별로 분류합니다. 튜닝된 모델은 예제를 보지 않고도 별도의 테스트 세트에서 성능이 향상됩니다. 예제를 프롬프트 안에 넣는 것은 파인튜닝이 아닙니다. AI method or concept：미세 조정 (Fine-tuning)。 Why it fits：선택된 작업 또는 필드 데이터를 사용하여 모델의 가중치를 업데이트할 때 이 용어를 사용하세요. Do not use it when：프롬프트, 검색, 데이터 품질 및 테스트에서 문제를 이해하기 전까지 파인튜닝을 선택하지 마십시오. 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)：하나의 공식 표준이 전체 용어를 통제하지 않음. 의미는 팀, 플랫폼 또는 프레임워크마다 달라질 수 있음. Unknowns to confirm: Target task, model and version, evaluation owner, source data, risk limit, tool permissions, and production fallback.
이 요청을 확인하세요
Review how 미세 조정 (Fine-tuning) is used now. Definition: 미세 조정은 특정 작업이나 분야에서 신중하게 선택한 예시로 기존 모델을 계속 훈련시키는 것입니다. 이는 모델의 학습된 가중치와 동작을 변경합니다. 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.