Дообучение модели
Определение
Дообучение — это дальнейшее обучение существующей модели на примерах компании, чтобы она переняла стиль, формат или логику классификации. Оно меняет то, как модель отвечает, а не то, какие текущие факты она знает, и обычно является последним вариантом после промптинга и поиска по данным.
Оно окупается для узких, высокообъёмных, повторяющихся задач со стабильным форматом вывода — классификации документов, структурированного извлечения данных, стандартизированной переписки.
Оно плохо подходит для знаний, которые меняются: цены, остатки, условия договоров. Это должно решаться через поиск по данным или прямой запрос к системе.
На практике
- Лучше всего подходит для согласованности стиля, формата и классификации
- Требует подготовленного и размеченного набора примеров компании
- Добавляет нагрузку по поддержке при каждом новом поколении модели
Смежные термины
- Большая языковая модель (LLM)Большая языковая модель — это статистическая модель, обученная на огромных текстовых массивах, предсказывающая вероятное продолжение текста. Она умеет классифицировать, обобщать, переводить и составлять черновики и служит компонентом рассуждения внутри большинства ИИ-агентов — но сама по себе не содержит актуальных данных компании.
- Генерация с дополненным поиском (RAG)Генерация с дополненным поиском (RAG) — это метод, при котором сначала выполняется поиск релевантных документов компании, а найденные фрагменты передаются языковой модели в качестве контекста. Модель отвечает на основе этих фрагментов, что делает ответы актуальными, привязанными к источнику и проверяемыми.
- Промпт-инжинирингПромпт-инжиниринг — это практика письменного описания задачи модели: что нужно сделать, какие правила соблюдать, в каком формате поступают данные и какая структура вывода требуется. В производственных системах промпты — это версионируемые артефакты, тестируемые на реальных кейсах, как и любой другой код.