Fine-tuning adalah proses melatih ulang model AI yang sudah jadi dengan contoh-contoh tambahan, supaya perilakunya berubah sesuai kebutuhanmu. Modelnya tidak dibuat dari nol, hanya disetel ulang.
Analogi karyawan baru
Bayangkan kamu merekrut orang yang sudah pintar dan berpengalaman. Dia tidak perlu diajari membaca dan menulis. Yang perlu kamu ajarkan adalah cara kerja di tempatmu: nada bicara ke pelanggan, format laporan, istilah internal.
Itulah fine-tuning. Kamu memberi ratusan sampai ribuan contoh “kalau begini, jawabnya begini”, lalu model menyerap polanya.
Kapan fine-tuning masuk akal
- Kamu butuh gaya atau format yang sangat konsisten dan sulit dijelaskan lewat prompt.
- Kamu punya tugas sempit yang berulang dalam jumlah besar.
- Kamu ingin menghemat token, karena instruksi panjang tidak perlu diulang tiap kali.
Kapan sebaiknya jangan
Ini bagian yang sering salah kaprah. Fine-tuning bukan cara memasukkan pengetahuan baru. Kalau kebutuhanmu adalah AI yang tahu isi katalog produk atau SOP terbaru, yang kamu perlukan adalah RAG, bukan fine-tuning.
Alasannya sederhana: informasi berubah, dan melatih ulang model setiap kali harga berubah itu mahal dan tidak praktis.
Urutan yang disarankan
- Perbaiki dulu prompt-nya. Sebagian besar masalah selesai di sini, gratis dan langsung.
- Kalau butuh pengetahuan spesifik, pakai RAG.
- Baru pertimbangkan fine-tuning kalau dua langkah di atas sudah maksimal dan masih kurang.
Banyak proyek loncat ke langkah tiga lebih dulu, lalu menghabiskan biaya untuk masalah yang sebenarnya bisa selesai di langkah satu.
Istilah terkait
RAG · LLM · Model open-weight
Kembali ke Glosarium AI.