A finomhangolás általános tudású segítőből szakértő munkatárssá teszi az MI-t

1. Bevezetés: miért beszélünk most ennyit a finomhangolásról?

Az MI sok szervezetben már olyan, mint egy új munkatárs: gyors, fáradhatatlan és meglepően felkészült. Gyakran azonban túlságosan általános a tudása.

Tud írni, összefoglalni, elemezni és ötletelni. Ettől még nem feltétlenül ismeri a vállalat ügyfeleinek nyelvét, az ágazat íratlan szabályait, a márka hangvételét vagy azokat a kivételeket, amelyek a mindennapokban a legtöbbet számítanak.

Itt kerül képbe a finomhangolás.

A finomhangolás egy előtanított MI-modell továbbtanítását jelenti saját, gondosan kiválasztott adatokkal. Az alapötlet egyszerű: ahelyett, hogy minden alkalommal egy adott viselkedésre kérnéd az általános modellt, tartósabban megtanítod neki, milyen válaszokat vársz.

Ez nem varázspálca. A finomhangolás nem javítja ki a rossz stratégiát, a hibás adatokat vagy a tisztázatlan folyamatot. Jól alkalmazva viszont sokkal hasznosabbá teheti az MI-t: kevesebbet találgat, következetesebben válaszol, és jobban illeszkedik a szervezet tényleges munkájához.

2. Mit jelent a finomhangolás?

A finomhangolás az MI-modell továbbtanítása.

Kiindulópontja egy nagy, előtanított modell, amely hatalmas adathalmazból sajátította el a nyelvet, a különböző szerkezeteket és a világ általános összefüggéseit. A finomhangolás során szűkebb adatkörrel tanítják tovább: például a vállalat ügyfélszolgálati válaszaival, jogi szövegek besorolásaival, terméktámogatási adatokkal vagy a márkához illő szövegmintákkal.

Egy egyszerű hasonlat:

Az előtanított MI-modell olyan, mint egy ügyes, sokoldalú újságíró. Sok témáról tud írni, de nem ismeri éppen a te vállalatod stílusát, ügyfeleit vagy belső gyakorlatát.

A finomhangolás a betanulási időszakhoz hasonlít. A modell több tucat, több száz vagy több ezer példán látja, milyen egy jó válasz ebben a konkrét környezetben.

Google a felügyelt finomhangolást olyan módszerként írja le, amellyel példákon keresztül új készséget vagy kívánt viselkedést tanítanak a modellnek. Alkalmas például osztályozásra, összefoglalásra, információkinyerésre és ágazatspecifikus válaszok előállítására.^[1]

Ezt érdemes észben tartani: a finomhangolás elsődleges célja nem az, hogy a modell adattárrá váljon, hanem hogy egy adott módon jobban működjön.

3. Finomhangolás, promptolás és RAG: mi a különbség?

Sok szervezet összekever három dolgot: a promptolást, a RAG-ot és a finomhangolást.

A promptolás utasítások adását jelenti a modellnek. Például: „Írj barátságos, rövid és szakszerű választ!” Ez gyors és olcsó módja az eredmények javításának.

A RAG vagyis a retrieval-augmented generation során az MI külső forrásból, például vállalati dokumentumokból, adatbázisból vagy súgóközpontból keres információt a válasz alátámasztásához. Jó megoldás, ha az információk naprakészsége vagy megtalálhatósága okoz gondot.

Finomhangolás ezzel szemben a modell viselkedését alakítja át. Akkor hasznos, ha ismétlődően azonos minőségre, stílusra, szerkezetre, besorolásra vagy döntési logikára van szükség.

Hasznos ökölszabály:

• Használj promptolást, ha gyors javulást szeretnél.
• Használj RAG-ot, ha a modellnek naprakész vagy vállalatspecifikus információt kell keresnie.
• Használj finomhangolást, ha a modellnek egy adott válaszadási, osztályozási, írási vagy működési módot kell megtanulnia.

A Microsoft dokumentációja gyakorlati oldalról foglalja össze a finomhangolás előnyeit: javíthatja a minőséget a puszta promptoláshoz képest, több példa felhasználását teszi lehetővé, mint amennyi a kontextusablakba férne, a rövidebb promptok révén tokeneket takaríthat meg, és különösen kisebb modelleknél csökkentheti a késleltetést.^[2]

4. Miért működik a finomhangolás?

A finomhangolás azért működik, mert az MI-modellek példákból tanulnak.

Ha a modell sok jó példát lát arra, hogyan kell egy adott bemenetből megfelelő választ előállítani, elkezdi követni ezt a mintát. Nem csupán egyes válaszokat jegyez meg, hanem összefüggéseket tanul: mi lényeges, milyen hangvétel illik a helyzethez, milyen sorrendben érdemes közölni az információkat, és milyen hibákat kell kerülni.

Az ügyfélszolgálaton például megtanítható a modellnek, hogy egy jó válasz:

• felismeri az ügyfél problémáját,
• először közvetlenül a kérdésre válaszol,
• utána elmondja, mi a teendő,
• nem ígér olyasmit, amit a vállalat nem tud teljesíteni,
• megőrzi a márkához illő hangvételt.

Ez különbözik attól, amikor minden beszélgetés elején hosszú utasítást adunk a modellnek. A finomhangolás az utasítások egy részét a modell belső működésének részévé teszi.

5. Mikor a finomhangolás a megfelelő megoldás?

A finomhangolás különösen akkor hasznos, ha ugyanaz a feladat gyakran ismétlődik, és egyértelműek a siker feltételei.

Jó felhasználási terület például:

• az ügyfélszolgálati válaszok egységesítése,
• a dokumentumok osztályozása,
• az értékesítési üzenetek megfogalmazása a vállalat stílusában,
• jogi vagy műszaki szövegek összefoglalása,
• a támogatási kérések továbbítása a megfelelő helyre,
• az ágazati szakkifejezések és megfogalmazások elsajátítása,
• a márka hangvételének megtanítása,
• egy kisebb, olcsóbb modell hozzáigazítása egy konkrét feladathoz.

Ha az a gond, hogy a modell nem ismeri a naprakész tényeket, a finomhangolás nem a legjobb megoldás. Ilyenkor gyakran a RAG a célszerűbb.

Ha a kérdés az, hogy „Mit ír erről a termékről a legfrissebb árlistánk?”, a modellnek a forrásból kell kikeresnie az információt.

Ha viszont az a kérdés, hogy „Hogyan válaszol a vállalatunk az ilyen ügyfélüzenetekre?”, a finomhangolás kiváló megoldás lehet.

6. Vállalati nézőpont: saját nyelv, saját kontextus, saját minőségi mérce

Minden szervezetnek megvan a maga nyelve.

Egy bank másként beszél, mint egy játékfejlesztő cég. A közszféra másként fogalmaz, mint egy gyorsan növekvő vállalkozás. Egy egészségügyi központ nem válaszolhat ugyanabban a stílusban, mint egy webáruház.

A finomhangolás legnagyobb haszna gyakran nem műszaki, hanem kulturális. Segít az MI-nek elsajátítani, milyen kommunikáció számít jónak a vállalatnál.

Ez jelentheti például azt, hogy:

• hogyan közölnek egy hibát az ügyféllel,
• hogyan kezelnek egy panaszt,
• hogyan magyaráznak el egy műszaki kérdést laikusnak,
• hogyan szólítja meg az értékesítő a különböző ügyfélszegmenseket,
• hogyan épül fel a felső vezetésnek szánt belső elemzés.

A jó finomhangolás kevésbé sablonossá teszi az MI-t. Nem „mesterséges intelligenciának” hangzik, hanem a szervezet saját, hozzáértő munkatársának.

7. Lehetőség a startupoknak: kisebb modell, célzottabb termék

A startupok számára különösen érdekes eszköz lehet a finomhangolás.

Egy nagy, általános modell drága, lassú vagy túlságosan széles körű lehet egy adott feladathoz. Finomhangolással egy kisebb modellt meg lehet tanítani arra, hogy egyetlen dolgot rendkívül jól végezzen. Ez csökkentheti a költségeket és javíthatja a termék használati élményét.

Képzeljünk el egy B2B-SaaS-vállalatot. A SaaS olyan szoftver, amely előfizetéses felhőszolgáltatásként használható. A vállalat ügyfélvisszajelzéseket elemző és témákba soroló eszközt fejleszt.

A csapat kezdetben általános modellt és promptolást használ. Az eredmény elfogadható, de a válaszok ingadoznak. Ahogy nő az ügyfelek száma, előtérbe kerülnek a minőségi problémák.

Finomhangolással a vállalat megtaníthatja a modellt arra, hogy pontosan a termékben használt kategóriákba sorolja a visszajelzéseket. Az eredmény gyorsabb, olcsóbb és egyenletesebb minőségű lehet.

Egy startup számára fontos tanulság: a finomhangolás nem pusztán műszaki funkció, hanem versenyelőny is lehet.

8. Gyakorlati példák

Gyenge példa

A vállalat azért dönt a modell finomhangolása mellett, mert „mindenki más is ezt csinálja”.

Az adatokat kapkodva gyűjtik össze. Elavult ügyfélszolgálati válaszok, ellentmondásos utasítások és félkész dokumentumok is bekerülnek. A modellt nem tesztelik rendesen. Végül magabiztosan válaszol, de rossz hangvételben és időnként elavult információk alapján.

Nem az MI-vel volt a gond, hanem a hiányos előkészítéssel.

Jobb példa

A vállalat egyetlen feladatot választ: panaszválaszok tervezetének elkészítését.

A csapat összegyűjt 300 jó példát a korábbi válaszokból. Ezeket a jogi, az ügyfélszolgálati és a márkáért felelős csapat is ellenőrzi. A modellt külön adathalmazon tesztelik, amelyet a tanítás során nem látott.

Az eredmények javulnak, de a végleges válaszokat továbbra is ember hagyja jóvá.

Kiváló példa

A vállalat a teljes folyamatot kiépíti:

Először megmérik a jelenlegi minőséget. Ezután meghatározzák, mitől jó egy válasz. Megtisztítják az adatokat. Finomhangolják a modellt. Az eredményeket összevetik a kiindulási szinttel. Kategorizálják a hibákat. Lépésről lépésre javítják a modellt.

A vállalat azt is meghatározza, mely helyzetekben dolgozhat önállóan az MI, és mikor kell embernek ellenőriznie a választ.

Ez a finomhangolás érett alkalmazása.

9. Adatok: a finomhangolás alapanyaga

A finomhangolás legfontosabb kérdése nem az, hogy „Melyik modellt válasszuk?”.

Hanem az, hogy „Van elég jó adatunk?”.

A jó finomhangolási adathalmaz:

• reprezentatív,
• jó minőségű,
• naprakész,
• következetes,
• ellenőrzött,
• a felhasználási cél szempontjából releváns.

A rossz adatok rossz szokásokat tanítanak a modellnek. Ha a régi ügyfélszolgálati válaszok homályos megfogalmazásokat, hamis ígéreteket vagy elavult gyakorlatot tartalmaznak, a finomhangolás éppen ezeket erősítheti meg.

Ezért egy finomhangolási projekt gyakran legalább annyira szerkesztői és üzleti feladat, mint műszaki munka.

Valakinek el kell döntenie, mitől jó egy válasz.

10. Kockázatok és buktatók

A finomhangolás több kockázattal jár.

Az első a túltanulás. A modell túlságosan pontosan megtanulja a tanítóadatok sajátosságait, és új helyzetekre rosszul általánosít.

A második kockázat a rosszul megválasztott felhasználási cél. A finomhangolást tényszerű ismeretek frissítésére használják, holott RAG-ra vagy adatbázis-lekérdezésre lenne szükség.

A harmadik kockázat az adatszivárgás. Ha a tanítóadatok személyes adatokat, üzleti titkokat vagy az ügyfelek érzékeny adatait tartalmazzák, ezeket rendkívül körültekintően kell kezelni.

A negyedik kockázat a megalapozatlan bizalom. A finomhangolt modell megbízhatóbbnak tűnhet, mert a szervezet saját hangján szólal meg. Ez azonban nem jelenti azt, hogy mindig igaza van.

A NIST generatív MI-re vonatkozó kockázati profilja többek között a hallucinációkat, az információbiztonságot, a magánélet védelmét, a szerzői jogokat, a torzításokat és az értéklánc kockázatait emeli ki. Ezeket a finomhangolás nem szünteti meg; gyenge adatok és felügyelet esetén bizonyos helyzetekben még fel is erősítheti őket.^[3]

11. Etikai és jogi szempontok

Európában a finomhangolás nem vizsgálható a szabályozástól függetlenül.

Az EU mesterséges intelligenciáról szóló rendelete 2024. augusztus 1-jén lépett hatályba, és szabályainak többsége 2026. augusztus 2-től alkalmazandó. Az általános célú MI-modellekre vonatkozó kötelezettségek az újonnan piacra kerülő modellek esetében már 2025. augusztus 2-től alkalmazandók.^[4]

Ez a vállalat számára legalább három dolgot jelent.

Először is tisztázni kell a vállalat szerepét: más modelljét használja, módosítja azt, vagy saját MI-rendszert kínál az ügyfeleknek?

Másodszor dokumentálni kell, milyen adatokat használnak és miért.

Harmadszor fel kell mérni a kockázatokat. Más egy modellt marketingszövegek vázlatainak készítésére finomhangolni, mint egészségügyi döntések támogatására.

Az EU általános célú MI-modellekre vonatkozó gyakorlati kódexe többek között az átláthatósággal, a szerzői jogokkal, valamint a biztonsággal és az információbiztonsággal foglalkozik.^[5]

A felelős finomhangolás tehát túlmutat azon, hogy „építsünk egy jobb botot”. Adatkezelést, kockázatkezelést és vezetői munkát is jelent.

12. A jövő: merre fejlődik a finomhangolás?

A finomhangolás jövőjét több párhuzamos fejlődési irány alakítja, nem egyetlen nagy változás.

1. Terjednek a kisebb, specializált modellek

Nem kell mindenhez a lehető legnagyobb modell. Sok feladatra célszerűbb lehet egy kicsi, jól finomhangolt modell: olcsóbb, gyorsabb és könnyebben kezelhető.

2. Összekapcsolódik a finomhangolás és a RAG

A jövő legjobb megoldásai több módszert ötvöznek. A modell finomhangolással sajátíthatja el a megfelelő viselkedést, a RAG pedig naprakész információval láthatja el.

A gyakorlatban a finomhangolás azt tanítja meg, „hogyan válaszoljunk”, a RAG pedig megadja, „mire alapozzuk a választ”.

3. Az értékelés lesz a legfontosabb versenyelőny

Egy modell tanítása egyre egyszerűbb lesz. A minőség mérése, a hibák kategorizálása és a kockázatok kezelése viszont döntő jelentőségűvé válik.

Az MI eredményeit módszeresen értékelő vállalatok gyorsabban haladnak a többieknél.

4. Új értéket kapnak a szervezet saját adatai

A vállalat legjobb ügyfélbeszélgetései, értékesítési hívásai, támogatási válaszai és szakértői elemzései többé nem csupán archív anyagok. Tanítóanyaggá válnak.

De csak akkor, ha jó minőségűek és felhasználhatók.

5. A szabályozás szakszerűbbé teszi a szabad kísérletezést

A finomhangolás fokozatosan a kísérletezéstől a szabályozott folyamatok felé halad. A dokumentáció, az auditálás és az információbiztonság nem akadály, hanem annak feltétele, hogy az MI fontos feladatokban is használható legyen.

13. Következtetések

A finomhangolás az egyik leghatékonyabb módja annak, hogy az MI hasznosabbá váljon egy szervezet számára.

Értéke nem abban rejlik, hogy a modell „többet tud”, hanem abban, hogy egy adott feladatban jobban teljesít.

Segíthet a vállalatnak egységesebben kommunikálni az ügyfelekkel, gyorsabban feldolgozni az információkat, jobb termékeket fejleszteni és nagyobb léptékben végezni a szakértői munkát.

A finomhangolás azonban fegyelmet kíván. Először tudni kell, min szeretnénk javítani. Utána össze kell gyűjteni a megfelelő adatokat. Majd mérni, tesztelni és felügyelni kell.

Nem az a legjobb kérdés, hogy „Tudunk-e finomhangolni egy modellt?”.

Hanem inkább ez: „Melyik feladatunk annyira fontos és rendszeresen ismétlődő, hogy érdemes a megfelelő minőségű elvégzését alaposan megtanítani az MI-nek?”

Ezen a ponton válik a finomhangolás műszaki fogalomból üzleti eszközzé.

14. Gyakorlati modellek és sablonok

A. Döntési modell: szükséged van finomhangolásra?

Tedd fel ezt az öt kérdést:

1. Gyakran ismétlődik a feladat?
2. Egyértelműen meghatározható a jó eredmény?
3. Vannak jó minőségű példáink?
4. Önmagában a promptolás nem elegendő?
5. A modellnek viselkedést kell tanulnia, nem csupán információt keresnie?

Ha legalább négy kérdésre igennel válaszolsz, érdemes lehet finomhangolást választani.

B. Modell kezdőknek

1. Válassz egy szűken körülhatárolt feladatot.
2. Gyűjts össze 50–100 jó példát.
3. Határozd meg, mitől jó egy válasz.
4. Először promptolással tesztelj.
5. Csak akkor finomhangolj, ha a probléma újra jelentkezik.
6. Hasonlítsd össze az eredményeket a kiindulási szinttel.
7. A minőségellenőrzésben maradjon szerepe az embernek.

C. Modell haladóknak

1. Készíts értékelési adathalmazt, amelyet a modell a tanítás során nem lát.
2. Jelöld a hibatípusokat: ténybeli hiba, hangvétel, szerkezet, hiányzó információ, téves következtetés.
3. Készítsd el az első finomhangolt változatot.
4. Mérd meg az eredményeket.
5. Az adatokat is javítsd, ne csak a modellt.
6. Egészítsd ki RAG-gal, ha a probléma a naprakész információval kapcsolatos.
7. Dokumentáld a változatokat, az adatforrásokat és a kockázatokat.

D. Csapatsablon

Töltsétek ki közösen:

• Felhasználási cél:
• Miért fontos:
• Jelenlegi probléma:
• A jó válasz feltételei:
• A tanítóadatok forrásai:
• Ki hagyja jóvá az adatokat:
• Mit nem szabad a modellnek megtanítani:
• Hogyan mérjük a minőséget:
• Mikor ellenőrzi ember a választ:
• Mikor kell frissíteni a modellt:

E. Ellenőrzőlista finomhangolás előtt

• Az adatokat ellenőriztük.
• A személyes adatokat eltávolítottuk vagy megfelelően kezeltük.
• Az elavult példákat eltávolítottuk.
• Meghatároztuk, mitől jó egy válasz.
• A tesztadatokat elkülönítettük a tanítóadatoktól.
• Felmértük a kockázatokat.
• Körülhatároltuk a felhasználási célt.
• Az eredményeket a kiindulási szinthez viszonyítjuk.
• A modell használatát dokumentáljuk.
• Az ember szerepe egyértelmű.

F. Összefoglalás egy mondatban

A finomhangolás akkor éri meg, ha az MI-nek nem csupán többet kell tudnia, hanem következetesen jobban kell dolgoznia, kifejezetten a te szervezeted munkamódszeréhez igazodva.

Források

1. Introduction to tuning — Generative AI on Vertex AI, Google Cloud Documentation
2. Customize a model with fine-tuning — Microsoft Foundry
3. Artificial Intelligence Risk Management Framework: Generative AI Profile — NIST
4. AI Act — Shaping Europe's digital future, European Commission
5. The General-Purpose AI Code of Practice — European Commission