Reglarea fină (fine-tuning) este procesul de continuare a antrenamentului unui model de inteligență artificială deja pre-antrenat pe un set de date general, folosind un set de date mai mic și specializat, pentru a-l adapta la o sarcină sau un domeniu specific.
Ideea centrală este că un model pre-antrenat pe cantități masive de date (de exemplu, un model de limbaj antrenat pe o mare parte din internet) a învățat deja tipare generale de limbaj, raționament sau vizualizare — cunoștințe care pot fi refolosite, în loc să fie reînvățate de la zero, printr-un proces mult mai rapid și mai puțin costisitor din punct de vedere computațional decât antrenarea unui model complet nou.
În practică, fine-tuning-ul se aplică frecvent pentru: adaptarea unui model de limbaj general la vocabularul și tonul specific al unei companii sau industrii (de exemplu, terminologia juridică sau medicală), specializarea unui model de recunoaștere de imagini pentru a identifica defecte specifice într-o linie de producție, sau ajustarea unui asistent conversațional pentru a răspunde consistent într-un anumit stil de brand.
Tehnici moderne, precum LoRA (Low-Rank Adaptation), permit reglarea fină eficientă, actualizând doar o fracțiune mică din parametrii modelului original, reducând drastic costurile de calcul și memorie necesare — un avantaj important pentru companiile care doresc să personalizeze modele mari fără infrastructura masivă necesară pentru antrenarea de la zero.
