Fine-tuning – Innohub

1. Uvod: zakaj se o dodatnem učenju toliko govori prav zdaj

Umetna inteligenca je v številnih organizacijah že kot nov sodelavec: hitra, neutrudna in presenetljivo sposobna. Hkrati pa je pogosto nekoliko preveč splošna.

Zna pisati, povzemati, analizirati in snovati zamisli. Vendar ne pozna nujno načina komuniciranja podjetja s strankami, nenapisanih pravil panoge, tona blagovne znamke ali izjem, ki so v vsakdanji praksi najpomembnejše.

Tu pride na vrsto dodatno učenje.

Dodatno učenje oziroma fine-tuning pomeni nadaljnje učenje že naučenega modela umetne inteligence z lastnimi, skrbno izbranimi podatki. Zamisel je preprosta: namesto da od splošnega modela vsakokrat zahtevate določeno ravnanje, ga trajneje naučite, kakšne odgovore želite.

To ni čarobna rešitev. Dodatno učenje ne popravi slabe strategije, neustreznih podatkov ali nejasnega procesa. Ob pravilni uporabi pa lahko umetna inteligenca postane veliko uporabnejša: manj ugiba, deluje dosledneje in je bolje prilagojena dejanskemu delu organizacije.

2. Kaj pomeni dodatno učenje?

Dodatno učenje je nadaljnje učenje modela umetne inteligence.

Izhodišče je velik, že naučen model, ki je na ogromni količini gradiva usvojil jezik, strukture in splošne predstave o svetu. Pri dodatnem učenju ga učimo naprej na ožji zbirki podatkov: denimo odgovorih podpore strankam, razvrstitvah pravnih besedil, podatkih o podpori izdelkom ali vzorčnih besedilih v slogu blagovne znamke.

Preprosta primerjava:

Že naučen model umetne inteligence je kot izkušen novinar s širokim znanjem. Zna pisati o marsičem, vendar ne pozna sloga, strank ali internih praks vašega podjetja.

Dodatno učenje je kot uvajanje v delo. Modelu pokažemo več deset, sto ali tisoč primerov dobrega odgovora prav v tem okolju.

Google nadzorovano dodatno učenje opisuje kot metodo, pri kateri model z zgledi naučimo nove veščine ali želenega ravnanja. Primerno je denimo za razvrščanje, povzemanje, izluščanje podatkov in pripravo odgovorov za posamezno panogo.^[1]

Pomembno je naslednje: dodatno učenje modela predvsem ne spreminja v podatkovno skladišče. Nauči ga, da bolje ravna na določen način.

3. Dodatno učenje, pozivi in RAG — kakšna je razlika?

Številne organizacije zamenjujejo tri stvari: oblikovanje pozivov, RAG in dodatno učenje.

Oblikovanje pozivov pomeni dajanje navodil modelu. Na primer: »Odgovori prijazno, kratko in strokovno.« To je hiter in poceni način za izboljšanje rezultatov.

RAG oziroma retrieval-augmented generation pomeni, da umetna inteligenca v podporo odgovoru pridobi informacije iz zunanjega vira, denimo dokumentov podjetja, podatkovne zbirke ali centra za pomoč. To je dobra rešitev, kadar je težava v ažurnosti ali dostopnosti informacij.

Dodatno učenje pa spreminja ravnanje modela. Koristno je, kadar želimo dosledno kakovost, slog, strukturo, razvrščanje ali logiko odločanja.

Uporabno praktično pravilo:

Uporabite pozive, kadar potrebujete hitro izboljšavo.
Uporabite RAG, kadar mora model poiskati ažurne informacije ali podatke podjetja.
Uporabite dodatno učenje, kadar se mora model naučiti določenega načina odgovarjanja, razvrščanja, pisanja ali ravnanja.

Microsoftova dokumentacija prednosti dodatnega učenja povzame praktično: v primerjavi s samimi pozivi lahko izboljša kakovost, omogoči uporabo več zgledov, kot jih sprejme kontekstno okno, zaradi krajših pozivov prihrani žetone in zmanjša zakasnitev, zlasti pri manjših modelih.^[2]

4. Zakaj dodatno učenje deluje?

Dodatno učenje deluje, ker se modeli umetne inteligence učijo iz zgledov.

Če modelu pokažemo veliko kakovostnih primerov, kako iz določenega vhoda oblikovati pravilen odgovor, začne posnemati ta vzorec. Ne zapomni si zgolj posameznih odgovorov, temveč se nauči, kaj je bistveno, kateri ton je primeren, v kakšnem vrstnem redu predstaviti vsebino in katerim napakam se izogniti.

Pri podpori strankam lahko dodatno učenje model denimo nauči, da dober odgovor:

prepozna težavo stranke,
najprej neposredno odgovori na vprašanje,
nato poda navodila za ukrepanje,
ne obljublja ničesar, česar podjetje ne more zagotoviti,
ohrani ton blagovne znamke.

To je drugače, kot če modelu na začetku vsakega pogovora podamo dolga navodila. Z dodatnim učenjem del navodil postane njegov usvojeni način ravnanja.

5. Kdaj je dodatno učenje prava rešitev?

Dodatno učenje je posebej primerno, kadar se ista naloga pogosto ponavlja in so merila uspeha jasna.

Primerna področja uporabe so denimo:

poenotenje odgovorov podpore strankam,
razvrščanje dokumentov,
oblikovanje prodajnih sporočil v slogu podjetja,
povzemanje pravnih ali tehničnih besedil,
usmerjanje zahtevkov za podporo,
obvladovanje izrazja in načina izražanja v posamezni panogi,
učenje tona blagovne znamke,
prilagoditev manjšega in cenejšega modela določeni nalogi.

Dodatno učenje ni najboljša rešitev, če je težava v tem, da model ne pozna aktualnih dejstev. Takrat je pogosto boljša izbira RAG.

Če je vprašanje »Kaj o tem izdelku piše v našem najnovejšem ceniku?«, mora model informacijo poiskati v viru.

Če pa je vprašanje »Kako naše podjetje odgovarja na takšna sporočila strank?«, je dodatno učenje lahko odlična rešitev.

6. Pogled podjetja: lasten jezik, lasten kontekst, lastna kakovost

Vsaka organizacija ima svoj jezik.

Banka komunicira drugače kot podjetje za razvoj iger. Javni sektor drugače kot hitro rastoče podjetje. Zdravstveni center ne more odgovarjati v istem slogu kot spletna trgovina.

Največja korist dodatnega učenja pogosto ni tehnična, temveč kulturna. Umetni inteligenci pomaga usvojiti, kakšno komuniciranje v podjetju velja za dobro.

To lahko na primer pomeni:

kako stranki sporočimo napako,
kako obravnavamo reklamacijo,
kako tehnično vprašanje razložimo nekomu brez tehničnega znanja,
kako prodajalec nagovori različne skupine strank,
kako oblikujemo interno analizo za vodstvo.

Dobro dodatno učenje zmanjša splošnost umetne inteligence. Ne zveni več kot »umetna inteligenca«, temveč kot usposobljen sodelavec organizacije.

7. Priložnost za zagonska podjetja: manjši model, bolj osredotočen izdelek

Za zagonska podjetja je dodatno učenje lahko posebej zanimivo orodje.

Velik splošni model je lahko za določen primer uporabe predrag, prepočasen ali preveč široko zastavljen. Z dodatnim učenjem lahko manjši model naučimo, da eno stvar opravlja zelo dobro. Tako lahko znižamo stroške in izboljšamo uporabniško izkušnjo izdelka.

Predstavljajmo si podjetje B2B SaaS. SaaS pomeni programsko opremo, ki jo uporabljamo kot storitev v oblaku in zanjo plačujemo naročnino. Podjetje razvija orodje, ki analizira povratne informacije strank in jih razvršča po temah.

Ekipa sprva uporablja splošni model in pozive. To deluje razmeroma dobro, vendar so odgovori neenotni. Ko se število strank poveča, postanejo težave s kakovostjo opaznejše.

Z dodatnim učenjem lahko podjetje model nauči razvrščati povratne informacije natančno po kategorijah svojega izdelka. Rezultat je lahko hitrejši, cenejši in bolj enakomerno kakovosten.

Pomembno spoznanje za zagonska podjetja: dodatno učenje ni zgolj tehnična funkcionalnost. Lahko je konkurenčna prednost.

8. Praktični primeri

Slab primer

Podjetje se odloči za dodatno učenje modela, ker »to počnejo tudi vsi drugi«.

Podatke zberejo na hitro. Med njimi se znajdejo zastareli odgovori podpore strankam, nasprotujoča si navodila in nedokončani dokumenti. Modela ne preizkusijo temeljito. Na koncu odgovarja samozavestno, vendar z napačnim tonom in včasih s starimi informacijami.

Težava ni bila v umetni inteligenci. Bila je v slabi pripravi.

Boljši primer

Podjetje izbere en primer uporabe: pripravo osnutkov odgovorov na reklamacije.

Ekipa zbere 300 kakovostnih primerov preteklih odgovorov. Pregledajo jih pravna služba, podpora strankam in ekipa za blagovno znamko. Model preizkusijo na ločenem gradivu, ki ga med učenjem ni videl.

Rezultati se izboljšajo, vendar končne odgovore še vedno odobri človek.

Odličen primer

Podjetje vzpostavi celoten proces:

Najprej izmeri sedanjo kakovost. Nato opredeli dober odgovor. Očisti podatke. Model dodatno uči. Rezultate primerja z izhodiščem. Napake razvrsti. Model postopoma izboljšuje.

Podjetje določi tudi, kdaj sme umetna inteligenca delovati samostojno in kdaj mora odgovor preveriti človek.

To je zrel pristop k dodatnemu učenju.

9. Podatki: surovina za dodatno učenje

Najpomembnejše vprašanje pri dodatnem učenju ni »Kateri model izbrati?«

Najpomembnejše vprašanje je »Ali imamo dovolj kakovostnih podatkov?«

Dobri podatki za dodatno učenje so:

reprezentativni,
kakovostni,
ažurni,
dosledni,
preverjeni,
ustrezni za izbrani primer uporabe.

Slabi podatki model naučijo slabih navad. Če stari odgovori podpore strankam vsebujejo nejasen jezik, napačne obljube ali zastarele prakse, jih lahko dodatno učenje še utrdi.

Zato je projekt dodatnega učenja pogosto bolj uredniški in poslovni podvig kot zgolj tehnična naloga.

Nekdo mora odločiti, kaj je dober odgovor.

10. Tveganja in pasti

Dodatno učenje prinaša več tveganj.

Prvo je prekomerno prilagajanje. Model se preveč prilagodi značilnostim učnih podatkov in se slabo znajde v novih okoliščinah.

Drugo tveganje je neustrezen namen uporabe. Dodatno učenje uporabljamo za posodabljanje dejstev, čeprav bi bila prava rešitev RAG ali poizvedba v podatkovni zbirki.

Tretje tveganje je uhajanje podatkov. Če učni podatki vsebujejo osebne podatke, poslovne skrivnosti ali občutljive podatke strank, jih je treba obravnavati zelo skrbno.

Četrto tveganje je lažen občutek zanesljivosti. Dodatno naučen model lahko deluje zanesljivejši, ker govori v jeziku organizacije. To pa ne pomeni, da ima vedno prav.

NIST v profilu tveganj generativne umetne inteligence med drugim izpostavlja halucinacije, informacijsko varnost, zasebnost, avtorske pravice, pristranskost in tveganja v vrednostni verigi. Dodatno učenje jih ne odpravi; ob slabih podatkih in šibkem nadzoru se lahko v nekaterih okoliščinah celo povečajo.^[3]

11. Etični in pravni vidik

V Evropi dodatnega učenja ne moremo obravnavati ločeno od predpisov.

Akt EU o umetni inteligenci je začel veljati 1. avgusta 2024, večina njegovih pravil pa se začne uporabljati 2. avgusta 2026. Obveznosti za modele umetne inteligence za splošne namene so se za nove modele, dane na trg, začele uporabljati že 2. avgusta 2025.^[4]

Za podjetje to pomeni vsaj troje.

Prvič, razumeti mora svojo vlogo: ali uporablja model drugega ponudnika, ga prilagaja ali strankam ponuja lasten sistem umetne inteligence.

Drugič, dokumentirati mora, katere podatke uporablja in zakaj.

Tretjič, oceniti mora tveganja. Dodatno učenje modela za pripravo osnutkov trženjskih besedil je nekaj drugega kot učenje za podporo odločanju v zdravstvu.

Kodeks ravnanja EU za modele umetne inteligence za splošne namene med drugim obravnava preglednost, avtorske pravice ter varnost in zaščito.^[5]

Odgovorno dodatno učenje torej ne pomeni zgolj »izdelajmo boljšega robota«. Vključuje tudi upravljanje podatkov, tveganj in organizacije.

12. Prihodnost: kam se razvija dodatno učenje?

Prihodnost dodatnega učenja ni ena velika sprememba, temveč več vzporednih razvojnih smeri.

1. Manjši specializirani modeli postajajo vse pogostejši

Za vsako nalogo ne potrebujemo največjega mogočega modela. Pri številnih nalogah je lahko manjši, dobro dodatno naučen model smiselnejši: cenejši, hitrejši in lažje obvladljiv.

2. Dodatno učenje in RAG se povezujeta

Najboljše prihodnje rešitve ne bodo izbirale le ene metode. Model lahko dodatno naučimo ustreznega ravnanja, RAG pa mu zagotovi ažurne informacije.

V praksi: dodatno učenje nauči, »kako odgovoriti«, RAG pa zagotovi, »na čem informacije temeljijo«.

3. Vrednotenje postaja ključna konkurenčna prednost

Učenje modela postaja lažje. Odločilni pa postajajo merjenje kakovosti, razvrščanje napak in upravljanje tveganj.

Podjetja, ki znajo sistematično vrednotiti rezultate umetne inteligence, napredujejo hitreje od drugih.

4. Lastni podatki organizacije dobivajo novo vrednost

Najboljše izkušnje s strankami, prodajni klici, odgovori podpore in strokovne analize niso več zgolj arhiv. Postajajo učno gradivo.

Vendar le, če so kakovostni in uporabni.

5. Predpisi prinašajo več strokovnosti v nenadzorovano preizkušanje

Dodatno učenje postopoma prehaja iz poskusov v nadzorovane procese. Dokumentiranje, revidiranje in informacijska varnost niso ovire, temveč pogoj za uporabo umetne inteligence pri pomembnih nalogah.

13. Sklepi

Dodatno učenje je eden najučinkovitejših načinov, kako umetno inteligenco narediti uporabnejšo za organizacijo.

Njegova vrednost ni v tem, da model »ve več«. Njegova vrednost je v boljšem opravljanju določene naloge.

Podjetju lahko pomaga bolj enotno komunicirati s strankami, hitreje obdelovati informacije, razvijati boljše izdelke in povečati obseg strokovnega dela.

Toda dodatno učenje zahteva disciplino. Najprej moramo vedeti, kaj želimo izboljšati. Nato zbrati prave podatke. Zatem pa meriti, preizkušati in nadzorovati.

Najboljše vprašanje ni »Ali lahko model dodatno učimo?«

Boljše vprašanje je: »Katera naloga je za nas tako pomembna in ponavljajoča se, da je umetno inteligenco vredno temeljito naučiti, kako jo dobro opraviti?«

Takrat dodatno učenje iz tehničnega pojma postane poslovno orodje.

14. Praktični modeli in predloge

A. Odločitveni model: ali potrebujete dodatno učenje?

Zastavite si teh pet vprašanj:

Ali se naloga pogosto ponavlja?
Ali lahko jasno opredelimo dober rezultat?
Ali imamo kakovostne primere?
Ali sami pozivi ne zadostujejo?
Ali se mora model naučiti ravnanja in ne zgolj pridobivanja informacij?

Če vsaj na štiri vprašanja odgovorite pritrdilno, je dodatno učenje lahko smiselna možnost.

B. Začetniški model

Izberite en ozko opredeljen primer uporabe.
Zberite 50–100 kakovostnih primerov.
Določite, kaj pomeni dober odgovor.
Najprej preizkusite pozive.
Za dodatno učenje se odločite šele, če se težava ponavlja.
Rezultate primerjajte z izhodiščem.
Človek naj ostane vključen v nadzor kakovosti.

C. Model za napredne uporabnike

Pripravite zbirko za vrednotenje, ki je model med učenjem ne vidi.
Označite vrste napak: dejstva, ton, struktura, manjkajoče informacije, napačen sklep.
Pripravite prvo različico dodatno naučenega modela.
Izmerite rezultate.
Izboljšujte podatke, ne zgolj modela.
Dodajte RAG, če je težava povezana z ažurnimi informacijami.
Dokumentirajte različice, vire podatkov in tveganja.

D. Predloga za ekipo

Izpolnite skupaj:

Primer uporabe:
Zakaj je to pomembno:
Sedanja težava:
Merila dobrega odgovora:
Viri učnih podatkov:
Kdo odobri podatke:
Česa modela ne smemo učiti:
Kako merimo kakovost:
Kdaj odgovor preveri človek:
Kdaj je treba model posodobiti:

E. Kontrolni seznam pred dodatnim učenjem

Podatki so preverjeni.
Osebni podatki so odstranjeni ali ustrezno obdelani.
Zastareli primeri so odstranjeni.
Dober odgovor je opredeljen.
Testni podatki so ločeni od učnih.
Tveganja so ocenjena.
Primer uporabe je jasno omejen.
Rezultate primerjamo z izhodiščem.
Uporabo modela dokumentiramo.
Vloga človeka je jasna.

F. Povzetek v enem stavku

Dodatno učenje je smiselno, kadar umetni inteligenci ni treba zgolj vedeti več, temveč mora dosledno bolje delovati prav na način, ki ustreza vaši organizaciji.

Z dodatnim učenjem umetna inteligenca iz splošnega pomočnika postane specialist