Come si chiama il secondo approccio, l'addestramento su esempi?

Il fine-tuning prende un modello di IA già addestrato e di uso generale e continua ad addestrarlo su un insieme più piccolo e mirato di esempi specifici per un compito o uno stile, regolando i parametri interni del modello in modo che assorba quella competenza o quel tono direttamente nel modo in cui genera le risposte. Questo si differenzia dal semplice cambiare la formulazione delle proprie istruzioni, poiché il fine-tuning modifica il modello sottostante stesso e non solo l'input che gli viene inviato.

Il prompting è l'alternativa più leggera: creare istruzioni o esempi intelligenti per guidare il comportamento di un modello generico senza modificare il modello stesso, il che è rapido ed economico ma ha un limite. Lo streaming si riferisce a mostrare una risposta gradualmente mentre viene generata, una questione estranea di consegna dell'output, non di come un modello apprende.

Il fine-tuning può essere più costoso e più lungo del prompting poiché richiede un riaddestramento su esempi curati, ma può integrare conoscenze o comportamenti specializzati in modo più profondo rispetto al semplice prompting, motivo per cui le aziende spesso sottopongono a fine-tuning i modelli per ambiti professionali specifici.