Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Wanneer en waarom u een model moet fine-tunen

Les 1 van 16 Bijgewerkt op 2 november 2026 Gevorderd
Op deze pagina
  1. Wat is fine-tuning?
  2. Wanneer is fine-tuning geschikt?
  3. Fine-tuning versus alternatieven
  4. Typische workflow
  5. Belangrijkste punten

Update 2 november 2026 — Beschikbaarheid van fine-tuning. De selfservice fine-tuning van OpenAI wordt gefaseerd uitgefaseerd: sinds 7 mei 2026 kunnen organisaties die er nooit eerder gebruik van hebben gemaakt geen taken meer starten; sinds 2 juli moet u de afgelopen 60 dagen een fine-getuned model hebben gebruikt; en vanaf 6 januari 2027 kan geen enkele klant nieuwe taken starten. Reeds getrainde modellen blijven bruikbaar totdat hun basismodel wordt stopgezet. Deze cursus blijft nuttig om een bestaand model te begrijpen en benutten; voor nieuwe projecten geeft u prioriteit aan prompt engineering, RAG en evaluaties.

Wat is fine-tuning?

Fine-tuning houdt in dat u een bestaand taalmodel opnieuw traint op uw eigen gegevens om het gedrag aan te passen aan uw specifieke behoeften. Waar prompt engineering het model stuurt met contextuele instructies die bij elke oproep opnieuw worden geschreven, verzonden en gefactureerd, wijzigt fine-tuning de interne gewichten van het model om nieuw gedrag permanent in te bedden. Zodra de training is voltooid, maakt wat u eerder in een lange systeemprompt beschreef, deel uit van het model zelf.

Bij OpenAI volgen fine-tunable modellen de huidige catalogus (de familie GPT-5.6 sinds juli 2026); raadpleeg de officiële fine-tuningdocumentatie voor de exacte lijst van varianten die openstaan voor training. De workflow zelf verandert niet: u maakt een trainingsdataset in JSONL-indeling, start een taak via de API en ontvangt een aangepast model dat u precies zo aanroept als het basismodel. In uw code verandert alleen de model-identifier.

Wanneer is fine-tuning geschikt?

Fine-tuning is niet altijd het juiste antwoord, en dat is het eerste wat u moet internaliseren voordat u ook maar één regel JSONL schrijft. Het levert vooral echte waarde op voor toon en stijl: als uw product een specifieke stem vereist, bespaart het trainen ervan op een paar honderd reeds in die stem geschreven uitwisselingen u de moeite om die instructies in elke prompt te herhalen. Het tweede sterke gebruiksscenario is gestructureerde output-opmaak. Wanneer uw pipeline JSON verwacht met een schema dat nooit mag variëren, brengen goed geschreven instructies u dicht bij het doel, maar garanderen ze nooit 100% naleving; systematisch conforme voorbeelden verkleinen die kloof tot bijna nul.

Deze twee drijfveren leiden mechanisch tot twee andere. Een fine-getuned model dat wordt bevraagd met een korte prompt reageert sneller dan een basismodel dat belast is met een lange systeemprompt, wat de door de gebruiker waargenomen latentie verlaagt; en minder input-tokens betekenen bij constant volume een lichtere factuur, wat resulteert in kostenverlaging die direct zichtbaar wordt op een service die enkele duizenden verzoeken per dag afhandelt.

Twee extra taakfamilies springen eruit waar fine-tuning uitblinkt. De eerste omvat classificatietaken: het categoriseren van supporttickets, het analyseren van sentiment, het sorteren van documenten. De verwachte output is hier kort, gesloten en perfect te illustreren met een voorbeeld. De tweede is consistente functie-aanroep: wanneer het model systematisch de juiste functies met de juiste parameters moet aanroepen, werkt het tonen van honderd correcte aanroepen beter dan het beschrijven van de regel.

Omgekeerd zijn er vier situaties die u moeten weerhouden. Als u weinig gegevens heeft, minder dan 50 voorbeelden, presteert prompt engineering met een paar few-shot voorbeelden beter voor veel minder moeite. Als uw domein snel verandert, met een productcatalogus of prijzen die wekelijks verschuiven, bespaart RAG (Retrieval-Augmented Generation) u het constant opnieuw trainen. De meest voorkomende verwarring betreft het proberen te injecteren van feitelijke kennis: fine-tuning leert gedragingen, geen feiten, en ook hier is RAG het juiste hulpmiddel. Tot slot, als prompt engineering volstaat, als een paar goed opgestelde instructies al goede resultaten opleveren, maak uw pipeline dan niet nodeloos ingewikkeld.

Fine-tuning versus alternatieven

Deze drie benaderingen zijn geen concurrenten: ze beantwoorden aan verschillende behoeften en combineren zeer goed, bijvoorbeeld een fine-getuned model voor opmaak gevoed door RAG voor feiten.

Benadering Ideaal voor Beperkingen
Prompt engineering Snel prototypen, gevarieerde taken Verbruikt tokens, variabele resultaten
RAG Dynamische kennis, documentbases Verhoogde latentie, complexiteit infrastructuur
Fine-tuning Stabiele gedragingen, toon, opmaak, classificatie Vereist gegevens, trainingskosten

Typische workflow

De rest van deze cursus volgt de volgorde waarin u deze stappen daadwerkelijk uitvoert. Neem een paar minuten voordat u verdergaat om de eerste op te schrijven: het verwoorden van het gewenste gedrag in één zin bespaart u het willekeurig verzamelen van gegevens.

  1. Identificeer de behoefte: welk gedrag wilt u dat het model systematisch aanneemt?
  2. Verzamel gegevens: verzamel minimaal 50 tot 100 voorbeelden van ideale conversaties
  3. Bereid de JSONL voor: formatteer uw gegevens volgens het schema dat door de API wordt verwacht
  4. Start de training: maak een fine-tuningtaak aan via client.fine_tuning.jobs.create()
  5. Evalueer: vergelijk de prestaties van het fine-getunde model met die van het basismodel
  6. Itereer: pas uw gegevens aan en voer de taak indien nodig opnieuw uit

Belangrijkste punten

  • Fine-tuning verandert het gedrag van het model, niet zijn feitelijke kennis
  • Het is zinvol wanneer u voldoende gegevens heeft en behoefte heeft aan consistentie
  • Begin altijd met prompt engineering—fine-tune alleen als dat niet voldoende is
  • De lijst van fine-tunable modellen evolueert met de catalogus van OpenAI—raadpleeg de officiële documentatie voordat u een taak start