Pełna definicja
Fine-tuning (dotrenowanie) to proces, w którym bierzesz ogólny model AI (np. GPT-4, Llama, Mistral) i karmisz go własnymi danymi — żeby nauczył się Twojego stylu, terminologii branżowej albo specyficznych odpowiedzi. Wynik: model "myśli" bardziej jak Twoja firma, mniej jak ogólny ChatGPT.
Kiedy fine-tuning ma sens: bardzo niszowa branża z własną terminologią (np. polskie prawo medyczne, niemiecka mechanika lotnicza), tysiące jednolitych dokumentów, wymóg działania offline (medical, defense). Większość firm nie potrzebuje fine-tuningu — dobry prompt + załączenie dokumentów do kontekstu (Claude 200k tokenów!) działa identycznie, taniej i szybciej.
Koszt: fine-tuning GPT-4 to ok. 25 USD za milion tokenów treningu + 12 USD za milion tokenów użycia (vs 5-15 USD dla bazowego modelu). Plus czas: kilka dni przygotowania danych + setup. Plus ryzyko: jeśli dane treningowe są słabe, model będzie gorszy niż ogólny GPT.
Alternatywy lepsze dla 95% przypadków: prompt engineering (precyzyjne polecenia z rolą + przykładami w prompcie), retrieval-augmented generation (RAG) — model szuka w Twojej bazie danych przed odpowiedzią, Custom GPTs w ChatGPT Plus (gotowy "asystent" Twojej firmy bez programowania). RAG jest dziś standardem dla firm — model nie "uczy się" Twoich danych, tylko je czyta na każdym zapytaniu.