# Fine-tuning: co to jest? Kiedy douczać model AI

Adres: https://sebastianmusial.pl/slownik/fine-tuning/ · Słownik: https://sebastianmusial.pl/slownik/

Fine-tuning to douczenie gotowego modelu AI na przykładach z Twojej firmy. Wyjaśniam, co naprawdę zmienia, kiedy się opłaca i dlaczego zwykle zaczyna się od czegoś prostszego.

- Po polsku: dostrajanie modelu
- Inaczej: douczanie modelu, trenowanie własnego modelu

**Definicja.** Fine-tuning (dostrajanie modelu) to dodatkowe trenowanie gotowego modelu AI na zestawie przykładów: pytanie i wzorcowa odpowiedź. Model uczy się z nich stałego stylu, formatu albo sposobu rozwiązywania konkretnego zadania. Fine-tuning zmienia sam model, w przeciwieństwie do promptu i RAG, które tylko podają mu informacje przy każdym pytaniu.

## Czym fine-tuning różni się od promptu i RAG?

Prompt i RAG mówią modelowi, co ma zrobić i na jakich danych, za każdym razem od nowa. Fine-tuning zmienia sam model, więc pewne zachowanie ma on „wbudowane”. Najprościej: prompt to instrukcja dla pracownika, RAG to segregator z dokumentami na jego biurku, a fine-tuning to szkolenie, po którym pewne rzeczy robi odruchowo.

Dlatego fine-tuning słabo nadaje się do wiedzy, która się zmienia. Cennik czy oferta po douczeniu i tak się zestarzeją, a dokument w RAG podmienisz w minutę.

## Kiedy fine-tuning ma sens w firmie?

Gdy to samo, wąskie zadanie powtarza się tysiące razy i prompt nie daje stabilnego wyniku. Przykłady:

- Przypisywanie zgłoszeń do kategorii według wewnętrznych zasad firmy.
- Opisy produktów w jednym, ściśle określonym układzie i tonie.
- Wyciąganie danych z dokumentów do zawsze tej samej struktury.

Warunek: potrzebujesz dużo dobrych przykładów. Model nauczy się też błędów, które w nich są.

## Od czego zacząć zamiast fine-tuningu?

Od dobrze napisanego polecenia z kilkoma przykładami i od sprawdzenia wyników na zestawie prawdziwych przypadków. Dostawcy modeli sami zalecają tę kolejność: w wielu zastosowaniach dopracowany prompt wystarcza. Jeśli AI ma odpowiadać z dokumentów firmy, następny krok to RAG. Po fine-tuning sięga się dopiero wtedy, gdy oba te sposoby zawiodą i wiadomo dokładnie, jaki wynik ma się poprawić.

Fine-tuning ma też koszt utrzymania: przy nowej wersji modelu albo zmianie zasad trzeba douczać od nowa. Zanim go zamówisz, zapytaj wykonawcę, jak zmierzy poprawę i kto będzie aktualizował dane treningowe. Jak ocenić, gdzie AI w ogóle się opłaca, opisuję w artykule [Audyt AI: co sprawdza](https://sebastianmusial.pl/blog/audyt-ai/).

## Najczęstsze pytania

**Czy fine-tuning nauczy model wiedzy o mojej firmie?**
Częściowo, ale to zawodny sposób na fakty: model może je przekręcić, a po każdej zmianie trzeba go douczać. Do aktualnej wiedzy firmy lepiej nadaje się RAG.

**Czy do fine-tuningu trzeba własnego serwera?**
Nie zawsze. Część dostawców pozwala douczyć ich model w chmurze; można też douczać modele otwarte na własnej infrastrukturze. Warto sprawdzić, gdzie trafiają dane treningowe.

Zobacz też: [LLM](https://sebastianmusial.pl/slownik/llm/), [Prompt](https://sebastianmusial.pl/slownik/prompt/), [RAG](https://sebastianmusial.pl/slownik/rag/), [Halucynacje AI](https://sebastianmusial.pl/slownik/halucynacje-ai/), [Tokeny](https://sebastianmusial.pl/slownik/tokeny/)

Źródła: [OpenAI: Model optimization (evals, prompting, fine-tuning)](https://developers.openai.com/api/docs/guides/model-optimization), [Wikipedia: Fine-tuning (deep learning)](https://en.wikipedia.org/wiki/Fine-tuning_(deep_learning))

---

Zaktualizowano: 2026-11-10. Sebastian Musiał, kontakt@sebastianmusial.pl, rozmowa 30 min: https://calendly.com/sebastianmusial/30min. Wycena po rozmowie, bez cennika na stronie.
Spis wszystkich stron: https://sebastianmusial.pl/llms.txt · Cała treść w jednym pliku: https://sebastianmusial.pl/llms-full.txt