Du har säkert hört talas om ChatGPT, Claude eller liknande AI-assistenter. Men visste du att den modell du pratar med egentligen är två modeller i en? Först tränas den på enorma mängder text från internet. Sen händer något till: den finjusteras, ofta för att bli just den hjälpsamma, artige assistent du möter.
Finjustering är processen där man tar en redan färdigtränad AI-modell och anpassar den för ett specifikt syfte. Tänk dig att du har lärt dig svenska genom att läsa tusentals böcker, tidningar och webbsidor. Du kan språket, men du vet kanske inte hur man ska bete sig som kundtjänstmedarbetare eller läkare. Finjustering är när du får den specifika träningen för just det jobbet.
Så fungerar det rent praktiskt: du tar basmodellen och tränar den vidare på ett mindre, mer riktat dataset. Det kan vara exempel på bra kundsamtal, medicinska journaler skrivna på rätt sätt, eller tusentals par av frågor och önskvärda svar. Modellen justerar sina interna vikter en liten bit till, så den blir bättre på just den uppgiften.
Skillnaden mot grundträningen är som natt och dag i omfattning. Grundträningen kan kräva månader, enorma datacenter och miljontals kronor i elkostnader. Finjustering kan ofta göras på några timmar eller dagar med betydligt mer överkomliga resurser. Det är därför så många företag och organisationer väljer att finjustera färdiga modeller istället för att träna egna från grunden.
Ett vanligt exempel är just hur de stora AI-assistenterna blir till. Basmodellen är tränad på allt möjligt från internet: nyhetsartiklar, foruminlägg, Wikipedia, kodbibliotek. Den kan mycket, men den är inte direkt tränad för att vara hjälpsam eller följa instruktioner särskilt bra. Genom finjustering på exempel där människor visat vad som är bra svar, vad som är artigt, och vad som är användbart, blir modellen den assistent du känner igen.
Men finjustering används också i mer specialiserade sammanhang. Ett företag kanske vill att deras AI ska kunna läsa och sammanfatta juridiska dokument på ett visst sätt. En vårdcentral kanske behöver en modell som förstår svenska medicinska termer och journalspråk. En kundtjänst vill kanske att deras AI-bot ska svara precis i linje med företagets tonalitet och policyer.
Det finns olika sätt att finjustera. Det vanligaste är supervised fine-tuning, där modellen tränas på exempel med tydliga ”rätt svar”. Ett annat är reinforcement learning from human feedback, där människor rankar olika svar och modellen lär sig vad som uppskattas. Det här är tekniken bakom mycket av det som gör moderna AI-assistenter så användbara.
Varför spelar det här roll för dig som användare? Dels för att det förklarar varför AI-verktyg kan vara så olika trots att de bygger på liknande basteknik. En modell finjusterad för kreativt skrivande beter sig annorlunda än en finjusterad för kodning eller faktasökning. Dels för att förstå att den AI du möter ofta är formad av mänskliga val och exempel, inte bara rådata från nätet.
Finjustering är också orsaken till att fler och fler verktyg kan skräddarsys. Du behöver inte längre en helt ny modell för varje uppgift. Du kan ta något som redan fungerar och ge det den extra touchen som gör det perfekt för just ditt syfte. Det är som skillnaden mellan en skicklig universalist och en expert – båda värdefulla, men på olika sätt.