İnce ayarlama
Fine-tuning
D2
İnce ayarlama, önceden eğitilmiş modeli göreve özgü veri kullanarak belirli bir görev veya alana uyarlayan ek eğitimdir.
İnceleme durumu: 2026-11-26
Teknik açıklama
Ön eğitimi izler ve geniş biçimde eğitilmiş modeli, sıklıkla gözetimli öğrenme yoluyla tanımlı bir uygulama görevine özelleştirebilir.
Kavramsal sınırlar
İnce ayarlama, önceden eğitilmiş modeli ek eğitime alır; sıfırdan eğitim, istemi değiştirme veya çıkarım anında bilgi getirme değildir.
Sağlayıcıdan bağımsız örnek
Bir ekip, önceden eğitilmiş modeli gözden geçirilmiş destek kategorileriyle ek eğitime alarak tek departmandaki talepleri yönlendirmeye özelleştirebilir.
Sınırlılıklar
İnce ayarlama güvenlik ve emniyet kontrollerini etkileyebilir; bu nedenle etkileri amaçlanan sistem bağlamında değerlendirilmelidir.
İlişkili kavramlar
Atomik iddialar ve kanıt
1.1NIST AI 100-2e2025, Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations
- Kaynak
- NIST AI 100-2e2025, Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations
- Kaynak rolü
- Yetkili kaynak
- Tam konum
- Appendix A p. 108: fine-tuning
- Desteklenen iddia
- İnce ayarlama, önceden eğitilmiş modeli göreve özgü veri üzerinde ek eğitim yoluyla belirli görevlere veya belirli bir alana uyarlar.
- Son doğrulama
- Gözden geçirme tarihi
- Kapsam sınırlaması
- Atıf yapılan tanım, bunun sıklıkla gözetimli öğrenme olduğunu söyler; her ince ayarlama sürecinin gözetimli olduğunu söylemez.
2.1NIST AI 600-1, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile
- Kaynak
- NIST AI 600-1, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile
- Kaynak rolü
- Yetkili kaynak
- Tam konum
- Measure p. 30, MS-2.7-008: verify fine-tuning does not compromise controls
- Desteklenen iddia
- NIST, ince ayarlamanın emniyet ve güvenlik kontrollerini zedelemediğinin doğrulanmasını önerir.
- Son doğrulama
- Gözden geçirme tarihi
- Kapsam sınırlaması
- Bu, risk yönetimi rehberidir; her ince ayarlı modelin kontrolleri zedelediğine kanıt değildir.
3.1NIST AI 100-2e2025, Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations
- Kaynak
- NIST AI 100-2e2025, Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations
- Kaynak rolü
- Yetkili kaynak
- Tam konum
- Section 3.1.1, p. 37, Figure 4: LLM enterprise adoption pipeline
- Desteklenen iddia
- NIST’in büyük dil modeli benimseme akışı, ince ayarlamayı istem mühendisliğinden ve RAG gibi uygulama bütünleştirmelerinden ayırır.
- Son doğrulama
- Gözden geçirme tarihi
- Kapsam sınırlaması
- Bu, iş akışı aşamalarını ayırır; herhangi bir aşamadan belirli bir sonuç doğduğunu göstermez.