Definitie
Fine-tuning is het verder trainen van een bestaand AI-model op je eigen, specifieke data. Het basismodel (bijvoorbeeld een open LLM zoals Llama of Mistral) heeft al generieke taal en kennis geleerd uit miljarden bronnen. Met fine-tuning leer je dat model jouw vakgebied, jouw tone of voice, of jouw specifieke taak.
Het verschil met een prompt of RAG: bij fine-tuning verander je de gewichten van het model zelf. De kennis zit daarna ingebakken. Bij prompts en RAG geef je het model bij elke vraag opnieuw context mee. Fine-tuning kost meer voorwerk en compute, maar levert daarna sneller en consistenter resultaat.
Waarom het ertoe doet voor MKB
Voor MKB-bedrijven die AI willen inzetten op specifieke processen (juridische analyses, technische documentatie, klantenservice in een vakjargon) is fine-tuning de manier om uit de generieke ChatGPT-modus te komen. Een gefinetuned model praat de taal van jouw klanten en kent jouw producten zonder dat je elke prompt vol moet stoppen met uitleg.
Concreet vertaalt dat zich naar lagere kosten per query (kortere prompts), betere antwoorden voor niche-toepassingen en minder afhankelijkheid van prijsverhogingen bij grote AI-leveranciers. Een gefinetuned open-source model draait bovendien op je eigen of europese infrastructuur, wat voor AVG-gevoelige toepassingen relevant is.
Concreet voorbeeld
Een administratiekantoor met 35 medewerkers verwerkt jaarlijks 12.000 inkomende facturen voor klanten. De boekhouders categoriseren elke factuur handmatig op grootboekrekening. Een generiek AI-model haalde 78% goed, te laag om productie-rijp in te zetten.
Het kantoor finetunede een open-source model op 40.000 historisch handmatig gelabelde facturen uit hun eigen dossier. Accuratesse steeg naar 94%. Drie effecten: de boekhouder bekijkt nu alleen de 6% twijfelgevallen, doorlooptijd per factuur zakte van 4 naar 1 minuut en het kantoor verschoof werk naar advieswerk met hogere uurtarieven. Eenmalige fine-tune kostte circa €8.000 aan compute en datavoorbereiding, terugverdiend in vier maanden.
Misverstanden en valkuilen
- “Fine-tuning maakt je model slimmer.” Het maakt het model gerichter, niet generiek beter. Voor brede kennis blijft het basismodel of een groter model vaak sterker. Fine-tuning is specialiseren, geen upgrade.
- “Met 50 voorbeelden zijn we klaar.” Voor serieuze fine-tuning heb je meestal duizenden tot tienduizenden kwalitatieve voorbeelden nodig. Te weinig data leidt tot een model dat de trainingsset napapegaait zonder te generaliseren.
- “Doe het zelf, dan ben je niet afhankelijk.” Fine-tuning vraagt om data-engineering, evaluation pipelines en MLOps-kennis. Zonder die discipline lever je een model af dat in productie verslechtert zonder dat iemand het merkt.
- “Begin altijd met fine-tuning.” In 80% van de MKB-toepassingen leveren slimme prompts en RAG hetzelfde resultaat tegen een fractie van de kosten. Fine-tuning is de stap die je neemt nadat die opties tekortschieten.
Wanneer moet je hiervan wakker liggen, wanneer niet
Wakker liggen: als jouw bedrijf AI inzet op repetitieve, gespecialiseerde taken waarbij generieke modellen consistent tekortschieten of waarbij latency en kosten per query oplopen. Concurrenten die hun eigen gefinetunede modellen bouwen, krijgen op termijn een dataloop-voordeel dat moeilijk in te halen is.
Niet wakker liggen: als AI-gebruik bij jou nog in de experimenteerfase zit of beperkt blijft tot brede taken zoals samenvatten en e-mail-conceptjes. Start met de standaardmodellen via API, leer wat de toepassingen zijn en stap pas naar fine-tuning als volume en specificiteit dat rechtvaardigen.
Gerelateerde termen
- LLM: het basismodel dat je finetuned op je eigen data.
- RAG: alternatieve aanpak die kennis ophaalt zonder modelgewichten te veranderen.
- Prompt engineering: vaak de goedkopere eerste stap voor je naar fine-tuning grijpt.
- Embedding: numerieke representatie die je nodig hebt voor zowel fine-tuning als RAG.
- Machine learning: het bredere veld waarvan fine-tuning een specifieke techniek is.
- Generative AI: de tak van AI waar fine-tuning op LLM’s het vaakst voorkomt.