Finomhangolás

Finomhangolás, angolul fine-tuning, olyan folyamat, amelynek során egy előre betanított modell vagy rendszer teljesítményét javítják egy adott feladatra vagy doménre történő adaptálás révén. Ennek során a már megtanult reprezentációkat tovább finomítják egy célfeladathoz illeszkedő domain-specifikus adaton, gyakran a modell kisebb mértékű továbbképzésével.

Gyakori terület a gépi tanulásban és a mélytanulásban, ahol egy nagyméretű modellen végzik el a finomhangolást a konkrét feladatra vagy nyelvi/domain specifikus követelményekre. Előnye, hogy kevesebb adatra és kevesebb számításra van szükség a teljes újratanításhoz képest, és gyorsabban lehet alkalmazkodni a feladat igényeihez. Kockázatok közé tartozik a túlilleszkedés, ha a finomhangolás túl hosszú vagy túl kicsi a céladat, valamint a torzítások átterjedése a modellre és a katasztrofális felejtés lehetősége.

Munkafolyamat: kiválasztják az előzetesen betanított modellt; összegyűjtik és előkészítik a céldatokat; beállítják a tanítási paramétereket (például tanulási ráta, epizódok száma, regularizáció); lefuttatják a finomhangolást és értékelik a teljesítményt validációs adatokon; szükség szerint kiigazítják a beállításokat; végül tesztelik és üzembe helyezik a rendszert.

Más kontextusokban is előfordul a kifejezés: például eszközök vagy szoftverek konfigurációjának finomítása, illetve jel- vagy hangfeldolgozásban a korábbi beállítások apró módosításával történő adaptáció.

Összefoglalóan a finomhangolás célja, hogy meglévő tudást jobban ráhangolják egy specifikus feladatra, miközben megőrzik a korábbi képességeket és hatékonyságot. Szükség szerint figyelembe veszik a adatminőséget, a torzításokat és a reprodukálhatóságot.