Fine-tuning, atau penyesuaian halus, adalah teknik dalam machine learning di mana model yang telah dilatih sebelumnya (pre-trained model) dilatih ulang dengan dataset yang lebih kecil dan spesifik untuk meningkatkan kinerjanya pada tugas atau domain tertentu. Pendekatan ini memanfaatkan konsep transfer learning — yaitu mengambil pengetahuan yang telah dipelajari dari satu tugas dan menerapkannya pada tugas lain yang terkait.
Untuk memahami fine-tuning, bayangkan seorang dokter umum yang telah menyelesaikan pendidikan kedokteran dan memiliki pengetahuan luas tentang berbagai penyakit. Untuk menjadi spesialis jantung, ia tidak perlu belajar kedokteran dari awal; ia cukup mengikuti pelatihan tambahan yang berfokus pada kardiologi. Demikian pula, fine-tuning mengambil model bahasa besar yang telah "tahu" banyak tentang bahasa secara umum, lalu melatihnya lebih lanjut dengan data spesifik dari domain tertentu — misalnya, dokumen hukum, istilah medis, atau kode pemrograman.
Keuntungan utama fine-tuning adalah efisiensi. Melatih model AI dari awal membutuhkan data dalam jumlah sangat besar (miliaran hingga triliunan token) dan sumber daya komputasi yang sangat mahal, mencapai puluhan juta dolar. Dengan fine-tuning, kita dapat memanfaatkan model yang sudah ada dan hanya perlu menyediakan dataset yang lebih kecil (ratusan hingga ribuan contoh) serta sumber daya komputasi yang jauh lebih terjangkau.
Proses fine-tuning bekerja dengan cara menyesuaikan bobot (weights) dari model pre-trained. Model ini pada dasarnya adalah jaringan saraf dengan jutaan hingga miliaran parameter. Selama fine-tuning, parameter-parameter ini dimodifikasi sedikit demi sedikit agar model lebih akurat dalam memprediksi output yang diinginkan untuk dataset spesifik. Hasilnya adalah model yang tetap mempertahankan kemampuan bahasa umumnya tetapi menjadi jauh lebih ahli dalam domain tertentu.
Fine-tuning sangat berguna untuk berbagai skenario bisnis. Perusahaan dapat melakukan fine-tuning pada model AI agar sesuai dengan suara merek mereka, memahami terminologi industri tertentu, atau mengikuti pedoman kepatuhan yang ketat. Misalnya, bank dapat melakukan fine-tuning pada model AI untuk memahami istilah keuangan dan peraturan perbankan, sementara perusahaan teknologi dapat melakukan fine-tuning untuk menghasilkan kode yang sesuai dengan standar pemrograman internal mereka.