Réglage fin
Adapter un modèle d'IA pré-entraîné à une tâche ou à un ensemble de données spécifique en poursuivant la formation sur de nouvelles données, améliorant souvent les performances spécifiques à une tâche.
Définition
Technique d'apprentissage par transfert dans laquelle un modèle générique pré-entraîné à grande échelle (par exemple, BERT, ResNet) est ensuite entraîné sur des données étiquetées spécifiques à un domaine avec des taux d'apprentissage réduits. Le réglage fin accélère le développement, nécessite moins de données spécifiques aux tâches et exploite des représentations étendues des fonctionnalités. La gouvernance doit suivre la provenance du modèle de base, la conformité des licences et affiner les choix des ensembles de données et des hyperparamètres des documents à des fins de reproductibilité.
Exemple concret
Une entreprise de technologie juridique peaufine un modèle BERT sur 50 000 clauses contractuelles légales étiquetées. Avec seulement 1/10e des données issues de la formation, l'entreprise atteint une précision de 90 % en matière de classification des clauses, ce qui permet une révision automatique des contrats conforme aux normes internes d'assurance qualité.
.svg)
