noun
L’affinement de modèle consiste à ajuster un modèle d’intelligence artificielle pré-entraîné—comme un générateur de texte ou d’images—pour qu’il fonctionne mieux sur une tâche spécifique. Plutôt que de former un modèle à partir de zéro, ce qui est coûteux et long, l’affinement utilise les connaissances existantes et les affine avec de nouvelles données ciblées.
Par exemple, un générateur d’images généraliste pourrait être affiné sur des radiographies pour améliorer la détection de tumeurs. Le processus implique généralement d’alimenter le modèle avec un petit jeu de données spécialisé et d’ajuster ses paramètres pour réduire les erreurs. Cela coûte bien moins cher qu’un entraînement complet, mais nécessite tout de même des ressources et des compétences techniques.
Pour les utilisateurs, l’affinement change la donne en permettant des personnalisations sans repartir de zéro. Il permet d’adapter un modèle à des besoins spécifiques, comme un chatbot affiné pour répondre aux questions d’un service client. Cependant, cela implique des coûts—en temps et en argent—and peut nécessiter des compétences techniques.
Une entreprise affine un modèle de langage sur des échanges de service client pour améliorer ses réponses aux réclamations fréquentes.
Dans les autres langues
Voir aussi : Transfer Learning · Hyperparameter tuning · Overfitting