파인튜닝Fine-tuning
Fine-tuning
이미 학습된 AI를 특정 목적에 맞게 추가로 학습시키는 작업이에요.
쉽게 비유하면
기본 업무를 익힌 직원이 우리 회사의 업무 사례로 추가 교육을 받는 것과 같아요.
조금 더 자세히
이미 학습된 모델에 새 데이터를 학습시켜 전체 또는 일부 가중치를 조정해요. 특정 말투, 출력 형식, 분류 기준이나 전문 분야의 작업 방식을 익히는 데 활용해요.
RAG가 응답할 때 자료를 찾아 전달한다면, 파인튜닝은 모델 자체의 동작을 바꿔요. 지식에도 영향을 줄 수 있지만, 문서를 정확히 저장하거나 최신 사실을 빠짐없이 기억하게 하는 방법은 아니에요.
왜 생겼나요
큰 모델을 처음부터 학습하려면 많은 데이터와 비용이 필요해요. 이미 배운 능력을 활용하면서 특정 목적에 맞추기 위해 추가 학습을 사용해요.
프롬프트나 예시만으로 원하는 결과가 충분히 나오지 않을 때 검토할 수 있어요. 다만 먼저 실패 유형을 살펴 파인튜닝이 해결할 문제인지 확인해야 해요.
어떻게 작동하나요
- 1. 학습 자료 준비 원하는 입력과 좋은 출력 사례를 모으고, 평가용 자료는 따로 남겨 둬요.
- 2. 추가 학습 기반 모델의 전체 또는 일부 가중치를 조정해 목표 작업에 맞춰요.
- 3. 비교와 적용 기존 모델과 품질·비용을 비교하고 다른 작업 능력이 떨어지지 않았는지도 확인해요.
활용 예시
- 회사 문체에 맞는 고객 응대 초안
- 일관된 항목으로 문서 분류
- 전문 분야의 표현과 출력 형식에 맞춘 응답
파인튜닝 vs 검색 증강 생성
| 파인튜닝 | 검색 증강 생성 | |
|---|---|---|
| 바뀌는 대상 | 모델의 전체 또는 일부 가중치 | 응답에 전달하는 참고 자료 |
| 잘 맞는 목적 | 반복되는 말투·형식·작업 행동 조정 | 사내 문서나 자주 바뀌는 사실 참고 |
| 자료 갱신 | 새 자료 반영에 추가 학습이 필요할 수 있음 | 검색 자료를 갱신하되 검색·색인 상태 확인 필요 |
흔한 오해
파인튜닝하면 문서 내용을 정확히 외우나요?
모델이 패턴과 지식을 배울 수는 있지만, 원문이나 사실의 정확한 재현을 보장하지 않아요. 최신 정보와 출처가 중요하면 검색이나 데이터 조회도 함께 설계해요.
학습 자료가 많으면 무조건 좋아지나요?
잘못되거나 일관성 없는 예시는 원치 않는 행동을 강화할 수 있어요. 자료의 품질과 다양성, 별도 평가셋에서의 성능이 중요해요.
이렇게 쓰여요
고객 응대 문체 통일
상담 답변의 문체가 계속 흔들릴 때 검토해요. 개발자와는 “좋은 응대 사례로 파인튜닝을 시험하되, 최신 환불 규정은 RAG로 따로 제공하자”라고 이야기할 수 있어요.
관련 용어
함께 보면 좋은 용어
최종 업데이트