Jak nazywa się to drugie podejście, czyli trenowanie na przykładach?

Fine-tuning polega na wzięciu już wytrenowanego, ogólnego modelu AI i kontynuowaniu jego treningu na mniejszym, bardziej ukierunkowanym zbiorze przykładów specyficznych dla danego zadania lub stylu, dostosowując wewnętrzne parametry modelu tak, by wchłonął tę umiejętność lub ton bezpośrednio w sposób, w jaki generuje odpowiedzi. Różni się to od zwykłej zmiany sformułowania instrukcji, ponieważ fine-tuning modyfikuje sam bazowy model, a nie tylko dane wejściowe, które do niego wysyłasz.

Prompting to lżejsza alternatywa: tworzenie sprytnych instrukcji lub przykładów, by ukierunkować zachowanie ogólnego modelu bez zmiany samego modelu, co jest szybkie i tanie, ale ma ograniczoną skuteczność. Streaming odnosi się do stopniowego wyświetlania odpowiedzi w miarę jej generowania – niezwiązanej kwestii dostarczania wyniku, a nie sposobu, w jaki model się uczy.

Fine-tuning może być droższy i bardziej czasochłonny niż prompting, ponieważ wymaga retrenowania na starannie dobranych przykładach, ale może wbudować specjalistyczną wiedzę lub zachowanie głębiej niż samo sprytne promptowanie, dlatego firmy często stosują fine-tuning modeli dla konkretnych dziedzin zawodowych.