Fine-tuning versus retrieval voor domeinkennis
Wanneer moet u een model fine-tunen en wanneer gebruikt u retrieval? Leer de afwegingen, kosten en een besliskader voor het toevoegen van domeinkennis.
Fine-tuning versus retrieval voor domeinkennis is een gratis Promptontwerp en LLM-optimalisatie voor ontwikkelaars-les op CoddyKit. Dit is les 4 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Promptontwerp en LLM-optimalisatie voor ontwikkelaars. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Promptontwerp en LLM-optimalisatie voor ontwikkelaars bevat in totaal 4 lessen.
Twee manieren om te specialiseren
Om een LLM expert in jouw domein te maken, kun je:
- Fine-tunen: de modelgewichten aanpassen met jouw gegevens
- Ophalen: relevante documenten ophalen tijdens een query (RAG)
Vaak is een combinatie van beide de beste oplossing.
Wat fine-tunen verandert
Fine-tunen legt patronen vast in de gewichten. Het is uitstekend geschikt om stijl, indeling en gedrag aan te leren — bijvoorbeeld altijd antwoorden in een strikt JSON-formaat of met een merkstem.
Wat ophalen verandert
Ophalen voegt tijdens runtime feiten toe zonder de gewichten aan te passen. Het is bijzonder geschikt wanneer kennis omvangrijk of vaak bijgewerkt is, of wanneer je een bron moet vermelden.
Actualiteit is belangrijk
Een gefine-tuned model bevriest kennis op het moment van trainen. Als je feiten dagelijks veranderen, zoals prijzen, beleid of voorraad, wint ophalen omdat je alleen de documentopslag hoeft bij te werken.
Kostenvergelijking
Fine-tunen brengt vooraf trainingskosten met zich mee en vereist een nieuw model om te onderhouden. Ophalen brengt doorlopende kosten per query met zich mee voor embeddings en opslag, maar vereist geen nieuwe training. Stem het model af op hoe vaak je gegevens worden bijgewerkt.
Een voorbeeld van fine-tunen
Gegevens voor fine-tuning bestaan meestal uit prompt- en antwoordparen in JSONL. Het model leert de gewenste antwoorden na te bootsen.
{"messages":[{"role":"user","content":"Summarize ticket 42"},{"role":"assistant","content":"Priority: high. Issue: login fails."}]}Een voorbeeld van ophalen
RAG maakt een embedding van de query, vindt nabije delen en plaatst die als context in de prompt.
const docs = vectorStore.search(embed(query), 5);
const prompt = buildPrompt(query, docs);
const answer = await llm(prompt);Risico op hallucinaties
Fine-tunen op feiten kan hallucinaties vergroten — het model noemt aangeleerde feiten vol vertrouwen, zelfs wanneer ze onjuist zijn. Met ophalen kun je bronnen vermelden en feiten verifiëren, waardoor je minder informatie verzint.
Beide combineren
Een krachtig patroon is: fine-tunen voor gedrag en indeling en ophalen gebruiken voor actuele feiten. Het model weet hoe het moet handelen; de documenten vertellen wat vandaag waar is.
Vereisten voor gegevens
Fine-tunen vereist honderden tot duizenden schone, consistente voorbeelden. Voor ophalen heb je alleen goed opgedeelde documenten en embeddings nodig — om te beginnen is veel minder labelwerk nodig.
Een beslischecklist
Kies voor ophalen als de kennis omvangrijk of veranderlijk is, of van een bron moet worden voorzien. Kies voor fine-tunen als je een consistente stijl of indeling nodig hebt, of een lagere latency per aanroep voor vast gedrag. Combineer beide wanneer je beide nodig hebt.
Korte controle
Test je begrip.
Samenvatting
Je hebt fine-tuning (het beste voor stijl, indeling en gedrag) vergeleken met ophalen (het beste voor omvangrijke, actuele feiten waarvoor je een bron kunt vermelden). Fine-tuning kan feitelijke hallucinaties verergeren; een combinatie van een model dat voor gedrag is gefinetuned met ophalen voor feiten is vaak de sterkste manier om een model voor een domein aan te passen.
Leer Promptontwerp en LLM-optimalisatie voor ontwikkelaars met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 12
- Lessen
- 48
Veelgestelde vragen
Is de les “Fine-tuning versus retrieval voor domeinkennis” gratis?
Ja — de volledige tekst van “Fine-tuning versus retrieval voor domeinkennis” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Promptontwerp en LLM-optimalisatie voor ontwikkelaars wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Promptontwerp en LLM-optimalisatie voor ontwikkelaars bevat in totaal 4 lessen.
Wat leer ik in “Fine-tuning versus retrieval voor domeinkennis”?
Wanneer moet u een model fine-tunen en wanneer gebruikt u retrieval? Leer de afwegingen, kosten en een besliskader voor het toevoegen van domeinkennis. Je oefent met Promptontwerp en LLM-optimalisatie voor ontwikkelaars door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Promptontwerp en LLM-optimalisatie voor ontwikkelaars te beginnen?
Ervaring vooraf is niet nodig. Promptontwerp en LLM-optimalisatie voor ontwikkelaars op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 4 van 4.
Hoe lang duurt de les “Fine-tuning versus retrieval voor domeinkennis”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Promptontwerp en LLM-optimalisatie voor ontwikkelaars?
Ja. Elke les over Promptontwerp en LLM-optimalisatie voor ontwikkelaars bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Domeinspecifieke promptingstrategieën
- Knowledge graphs integreren
- Hybride LLM-benaderingen (symbolisch + neuraal)
- Fine-tuning versus retrieval voor domeinkennis