Naar de inhoud

Start hierLerenGratis e-mailcursusAI voor je beroepPlaygroundAI-WerkplaatsAI-geletterdheid voor organisaties
PromptsWorkflowsToolsVeiligheidBegrippenBlog
Mijn dashboard
↑↓ kiezenEnter openenCtrlK overal openenEsc sluiten

Begrip, bouwen

Fine-tuning

Fine-tuning is het bijtrainen van een bestaand AI-model op een eigen set voorbeelden, zodat het een specifieke taak, stijl of vakgebied beter beheerst.

Een basismodel heeft al veel geleerd van algemene tekst. Bij fine-tuning train je het verder met een eigen dataset: honderden of duizenden voorbeelden van een invoer met het gewenste antwoord. Daarbij worden de gewichten van het model een beetje aangepast, zodat het zich standaard gedraagt zoals in je voorbeelden.

Veel mensen denken dat ze een model moeten trainen om het hun eigen kennis te leren. Meestal is dat niet nodig en ook niet de beste aanpak: voor kennis gebruik je RAG, omdat je documenten dan actueel blijven en je een bron kunt tonen. Voor stijl en formaat werken few-shot voorbeelden en een goede systeemprompt vaak al goed genoeg.

Fine-tuning is zinvol als je heel veel van dezelfde taak hebt, een vaste stijl of formaat wilt afdwingen, of een kleiner en goedkoper model even goed wilt laten presteren als een groot model op die ene taak. Een verzekeraar die dagelijks grote aantallen schadeformulieren classificeert, kan met een bijgetraind klein model sneller en goedkoper werken dan met een groot model en een lange prompt.

Fine-tuning vraagt een goede dataset, en die maken kost tijd. Fouten of vooroordelen in je voorbeelden neemt het model over. Een bijgetraind model moet je bovendien opnieuw trainen als je taak verandert of als je wilt overstappen op een nieuwer basismodel. En als je trainingsdata persoonsgegevens bevat, gelden de AVG-regels ook voor het trainen.