Fine-tuning
Dalsze trenowanie gotowego modelu AI na własnych danych.
Zamiast trenować nowy LLM od zera (miliardy kosztów i miesiące pracy), bierzesz istniejący model i „wyrabiasz” go na swoich przykładach — powiedzmy na tysiącu firmowych maili, żeby nauczył się Twojego tonu, albo na 500 zgłoszeniach do wsparcia, żeby wiedział, jak odpowiada Twoja firma.
W wielu zastosowaniach RAG jest tańszy i bardziej elastyczny niż fine-tuning. Fine-tuning ma sens, gdy chcesz zmienić styl modelu albo wyspecjalizować go w wąskiej dziedzinie.