Fine Tuning Adalah: Arti, Cara Kerja & Kapan Dipakai

Pemilik motor injeksi mengenal istilah remap ECU. Mesinnya tidak dibongkar dan tidak diganti. Yang diubah hanya peta bawaan pabrik di dalam komputernya: takaran semprotan bahan bakar, waktu pengapian, batas putaran mesin. Motor yang sama menjadi terasa berbeda karena petanya disetel ulang. Di dunia kecerdasan buatan, fine tuning adalah praktik yang bekerja dengan logika hampir persis sama.

Secara ringkas, fine tuning adalah proses melatih ulang model AI yang sudah jadi memakai data tambahan yang lebih kecil dan lebih spesifik. Tujuannya membuat model itu lebih cocok untuk satu tugas atau satu gaya tertentu.

Artikel ini membahas apa sebenarnya fine tuning itu, bagaimana urutan kerjanya, serta berapa data dan biaya yang dibutuhkan. Dibahas juga di mana Anda masih bisa menjalankannya per Agustus 2026.

Fine Tuning Adalah? Pengertian dan Artinya

Fine tuning adalah tahap pelatihan lanjutan yang mengubah bobot model AI terlatih memakai dataset baru yang lebih kecil. Hasilnya, keluaran model menyesuaikan diri dengan kebutuhan Anda. Kalau diterjemahkan bebas, fine tuning artinya penyetelan halus. Penulisannya bervariasi. Fine-tuning adalah bentuk bertanda hubung yang maknanya sama persis, dan sebagian orang bahkan mengetiknya "tunning adalah". Ketiganya menunjuk hal yang sama.

Kembali ke analogi tadi. Sebuah model besar seperti LLM sudah dilatih dengan teks dalam jumlah raksasa. Ia paham tata bahasa, bisa merangkum, bisa menjawab pertanyaan umum. Itu mesinnya, dan mesin itu mahal sekali dibuat. Yang biasanya tidak ia kuasai adalah hal-hal khas milik Anda: istilah internal perusahaan, format laporan yang dipakai tim, nada bicara yang diinginkan.

Fine tuning menjawab kebutuhan itu tanpa membangun mesin baru. Anda memberi model beberapa puluh sampai beberapa ribu contoh berpasangan, yaitu pertanyaan beserta jawaban yang Anda anggap benar. Model lalu menyesuaikan bobotnya sedikit demi sedikit sampai keluarannya mengikuti pola contoh itu.

Menempatkannya dalam keluarga istilah yang lebih besar membantu. Artificial intelligence atau kecerdasan buatan adalah payung terluarnya. Di dalamnya ada machine learning, yaitu pendekatan yang membuat mesin belajar dari data. Lebih dalam lagi ada deep learning, cabang machine learning berbasis jaringan saraf tiruan berlapis. Fine tuning bukan salah satu lapisan itu, melainkan sebuah tahap pelatihan yang dijalankan pada model deep learning yang sudah ada.

Istilah ini bukan hal baru. Pasangan pra-latih lalu fine tuning menjadi baku sejak makalah BERT dari tim Google pada 2018. Makalah itu menunjukkan satu model pra-latih bisa disetel ulang hanya dengan menambah satu lapisan keluaran. Hasilnya memecahkan rekor pada sebelas tugas pemrosesan bahasa sekaligus.

Empat Makna Fine Tuning yang Sering Tertukar

Sebelum melangkah lebih jauh, ada baiknya memastikan Anda sedang membaca soal yang tepat. Secara umum, tuning adalah kegiatan menyetel sesuatu yang sudah jadi agar bekerja sesuai kebutuhan tertentu. Karena artinya seluas itu, frasa ini dipakai di empat bidang yang berbeda jauh dan hasil pencariannya kerap tercampur.

1. Fine tuning mesin dan motor. Di dunia otomotif, tuning berarti memodifikasi kendaraan untuk menaikkan performa. Pada motor injeksi modern, metode yang paling umum adalah remap ECU tadi. Remap biasanya wajib dilakukan setelah bore up, penggantian knalpot free flow, atau perubahan rasio kompresi. Peta bawaan pabrik sudah tidak lagi cocok dengan komponen barunya.
2. AFT pada televisi dan radio analog. Fungsi dari AFT (Automatic Fine Tuning) adalah mengunci frekuensi siaran yang sudah ditangkap tuner supaya tidak bergeser sendiri. Osilator di dalam tuner mudah melenceng karena panas dan penuaan komponen; pin AFT mengirim sinyal koreksi agar IC program mengembalikan tegangan penalaan ke frekuensi semula.
3. Fine tuning argument dalam kosmologi. Teori fine tuning di bidang ini menyatakan bahwa konstanta-konstanta alam semesta harus bernilai sangat presisi agar kehidupan mungkin ada. Yang paling sering dikutip adalah konstanta kosmologis, yang nilainya sekitar 122 orde besaran lebih kecil daripada nilai Planck. Argumen ini ramai dibahas di ranah filsafat.
4. Fine tuner pada alat musik. Sekrup penyetel halus di tailpiece biola, dipakai untuk koreksi kecil setelah penalaan kasar lewat pasak.

Keempatnya berbagi satu gagasan yang sama, yaitu penyetelan halus pada sesuatu yang sudah jadi. Sisa artikel ini membahas makna yang pertama disebut di pembuka: fine tuning pada model AI.

Empat bidang yang memakai istilah fine tuning: model AI, remap ECU motor, AFT televisi analog, dan konstanta alam.

Istilah Penting Seputar Fine Tuning

Beberapa kata akan berulang di bagian selanjutnya. Berikut artinya dalam konteks ini.

1. Model dasar (base model): model yang sudah dilatih pihak lain dan menjadi titik berangkat Anda, misalnya Llama, Qwen, atau IndoBERT.
2. Pra-latih (pre-training): tahap pelatihan awal yang memakan data raksasa dan biaya sangat besar. Tahap inilah yang membangun "mesin" tadi.
3. Bobot (weights): angka-angka di dalam model yang menentukan keluarannya. Fine tuning bekerja dengan menggeser angka-angka ini.
4. Dataset: kumpulan contoh yang Anda siapkan. Untuk model bahasa, umumnya berupa pasangan instruksi dan jawaban.
5. Epoch: satu putaran penuh saat seluruh dataset dilewatkan ke model. Pelatihan biasanya berjalan beberapa epoch.
6. Supervised fine tuning (SFT): bentuk fine tuning yang paling umum, dengan dataset berisi jawaban benar yang sudah disiapkan manusia. Ini pula yang dimaksud orang saat menyebut fine tuning tanpa keterangan tambahan.
7. Adapter: berkas kecil berisi hasil penyetelan yang ditempelkan ke model dasar tanpa mengubah berkas aslinya.
8. Transfer learning: payung besar untuk semua cara memakai ulang pengetahuan model lama pada tugas baru. Fine tuning adalah salah satu bentuknya.

Sesudah SFT, model komersial biasanya melewati satu tahap lagi bernama penyelarasan preferensi, seperti DPO atau RLHF. Di tahap itu model diberi pasangan jawaban yang lebih disukai dan kurang disukai, lalu belajar dari perbandingan tersebut. Cara kerja RLHF dibahas lebih lengkap di artikel reinforcement learning.

Cara Kerja Fine Tuning: dari Data ke Bobot Baru

Prosesnya berjalan dalam empat tahap yang urutannya selalu sama. Fine tuning LLM dan fine tuning model pengenal gambar melewati tahapan yang identik.

Empat tahap fine tuning: siapkan pasangan contoh, muat model dasar, latih beberapa epoch, lalu uji pada data baru.

Menyiapkan pasangan contoh. Anda mengumpulkan masukan beserta keluaran yang Anda anggap benar. Format yang paling lazim adalah JSONL, yaitu berkas teks dengan satu struktur JSON utuh di setiap barisnya. Tahap ini biasanya menghabiskan porsi waktu terbesar, dan kualitasnya menentukan hasil akhir.

Memuat model dasar. Model beserta seluruh bobotnya dimuat ke memori kartu grafis. Besarnya kebutuhan memori di sinilah yang menentukan apakah pekerjaan ini bisa berjalan di komputer Anda atau harus menyewa mesin.

Melatih beberapa epoch. Model membaca contoh, membandingkan jawabannya dengan jawaban yang Anda berikan, lalu menggeser bobotnya sedikit ke arah yang mengurangi selisih. Pergeserannya sengaja dibuat sangat kecil. Bila terlalu besar, model akan mengejar contoh baru sambil melupakan kemampuan lamanya.

Menguji pada data baru. Model diuji dengan contoh yang belum pernah ia lihat. Model yang hafal contoh latihan tetapi gagal pada data baru berarti terlalu banyak dilatih, dan sebaiknya diulang dengan epoch lebih sedikit.

Fine Tuning Penuh, LoRA, dan QLoRA

Tahap pelatihan tadi bisa dijalankan dengan tiga tingkat ongkos yang berbeda jauh. Perbedaannya terletak pada berapa banyak bobot yang benar-benar ikut dilatih.

Fine tuning penuh memperbarui seluruh bobot model. Hasilnya paling menyeluruh, tetapi kebutuhan memorinya kira-kira sebesar model itu sendiri dikali beberapa. Untuk model berukuran miliaran parameter, ini berarti kartu grafis kelas pusat data.

LoRA (Low-Rank Adaptation) membekukan bobot asli dan hanya melatih dua matriks kecil yang disisipkan di tiap lapisan. Makalah aslinya dari tim Microsoft pada 2021 membandingkannya dengan fine tuning penuh pada GPT-3 175B. Hasilnya, jumlah parameter yang dilatih turun sampai 10.000 kali lipat dan kebutuhan memori GPU turun 3 kali lipat. Kecepatan model saat dipakai tidak berkurang.

QLoRA menekan sekali lagi dengan memampatkan bobot model dasar ke 4 bit memakai tipe data bernama NF4. Makalahnya pada 2023 menunjukkan model 65 miliar parameter bisa disetel pada satu GPU 48 GB. Model Guanaco hasilnya dilatih hanya 24 jam pada satu GPU dan mencapai 99,3 persen level ChatGPT pada tolok ukur Vicuna.

Metode	Bobot yang dilatih	Kebutuhan perangkat
Fine tuning penuh	Semua	GPU kelas pusat data
LoRA	Matriks kecil sisipan	GPU tunggal kelas atas
QLoRA	Sisipan, bobot dasar 4 bit	Satu GPU, bisa sewaan

Angka terbarunya bahkan lebih ramah. Dokumentasi Unsloth per 2026 mencatat model gpt-oss-20b sanggup di-fine-tune dalam 12,8 GB VRAM. Itu ukuran yang bisa dipenuhi kartu grafis kelas konsumen.

Fine tuning penuh melatih semua bobot; LoRA hanya matriks sisipan, 10.000x lebih sedikit parameter dan 3x hemat memori.

Keluaran fine tuning LoRA berupa berkas adapter berukuran puluhan megabita, bukan salinan model utuh berukuran gigabita. Satu model dasar karena itu bisa dipasangi banyak adapter berbeda dan ditukar sesuai kebutuhan.

Fine Tuning Bukan Hanya untuk Model Bahasa

Teknik ini lebih tua dan lebih luas daripada model bahasa. Tiga contoh berikut memakai cara kerja yang sama persis, hanya berbeda jenis datanya.

Model transkripsi suara. Panduan resmi Hugging Face pada 2022 menyetel Whisper ukuran small memakai sekitar 8 jam rekaman bahasa Hindi. Tingkat kesalahan katanya turun dari 63,5 persen menjadi 32,0 persen. Ini contoh paling jelas bahwa fine tuning bekerja baik untuk bahasa yang datanya sedikit.

Model deteksi objek. Model seperti YOLO dilatih awal dengan ribuan kategori umum. Untuk mengenali objek khas yang tidak ada di kategori itu, misalnya jenis cacat produk pada lini perakitan, Anda menyetelnya dengan beberapa ratus foto berlabel sendiri.

Model pembuat gambar. Stable Diffusion umum disetel memakai LoRA untuk menguasai satu gaya visual atau satu wajah tertentu. Berkas adapternya kecil, sehingga banyak pengguna menukar-nukar gaya di atas satu model dasar yang sama.

Model embedding pun sering disetel ulang agar lebih peka pada istilah khas satu bidang. Hasilnya biasanya dipakai untuk memperbaiki mutu pencarian di dalam sistem RAG.

Bedanya dengan Pre-Training, RAG, dan Prompt Engineering

Empat istilah ini sering dibandingkan padahal bekerja di lapisan yang berbeda. Urutan berikut memudahkan membedakannya.

Pre-training membangun mesinnya dari nol, dengan data raksasa dan biaya yang hanya terjangkau perusahaan besar. Fine tuning mengganti petanya, memakai data Anda sendiri dalam jumlah jauh lebih kecil. Inilah inti perbedaan fine tuning dan pre training: yang satu menciptakan kemampuan dasar, yang satu lagi mengarahkannya.

RAG atau retrieval augmented generation bekerja tanpa menyentuh bobot sama sekali. Model dibiarkan apa adanya, lalu setiap kali ada pertanyaan, sistem mencarikan dokumen yang relevan dan menyodorkannya sebagai bahan menjawab. Ibaratnya bukan mengubah peta mesin, melainkan menaruh buku manual di jok motor.

Prompt engineering adalah lapisan yang paling murah: memperbaiki cara Anda menyusun instruksi. Banyak masalah yang terlihat seperti membutuhkan fine tuning sebenarnya selesai di sini.

Satu istilah lagi kerap ikut dibandingkan, yaitu transfer learning atau pemindahan pengetahuan. Hubungannya bukan sejajar melainkan bertingkat: transfer learning adalah payungnya, dan fine tuning salah satu bentuknya. Bentuk lain yang lebih hemat disebut feature extraction, yaitu membekukan seluruh bobot lama lalu melatih satu lapisan baru di atasnya. Fine tuning melangkah lebih jauh karena bobot pra-latih ikut diperbarui.

Pendekatan	Yang diubah	Cocok untuk
Pre-training	Semua bobot, dari nol	Membuat model baru
Fine tuning	Bobot, sebagian atau semua	Gaya dan format keluaran
RAG	Tidak ada	Pengetahuan yang berubah
Prompt engineering	Hanya instruksi	Perbaikan cepat

Empat pendekatan diurut biaya: prompt engineering, RAG, fine tuning yang menggeser bobot, lalu pre-training.

Pemilihannya mengikuti sifat masalah. Kalau yang Anda butuhkan adalah jawaban berdasarkan dokumen yang sering diperbarui, RAG hampir selalu lebih tepat. Kalau yang Anda butuhkan adalah bentuk keluaran yang konsisten dan sulit dijelaskan lewat instruksi, fine tuning-lah jawabannya. Keduanya juga bisa dipakai bersamaan.

Berapa Data, Waktu, dan Biaya yang Dibutuhkan?

Jumlah contoh yang dibutuhkan jauh lebih sedikit daripada dugaan kebanyakan orang. Dokumentasi OpenAI menetapkan batas minimum 10 contoh dan menyarankan mulai dari 50 contoh yang disusun rapi. Perbaikan biasanya sudah terlihat pada kisaran 50 sampai 100 contoh.

Sebagai gambaran ongkos, harga pelatihan resmi OpenAI per 1 juta token latih adalah 25 dolar untuk gpt-4.1. Versi mini 5 dolar, versi nano 1,50 dolar. Biaya itu dihitung per epoch, jadi dataset yang dilatih tiga putaran berbiaya tiga kali lipat. Model hasil fine tuning juga lebih mahal saat dipakai dibandingkan model dasarnya.

Untuk jalur model terbuka, biayanya berupa sewa GPU per jam, atau nol rupiah bila Anda memakai fasilitas gratis. Kaggle menyediakan NVIDIA P100 16 GB atau dua T4 dengan total 32 GB, sesi maksimal 12 jam, dengan kuota sekitar 30 jam per minggu. Dibandingkan angka 12,8 GB tadi, kuota itu memadai untuk menyetel model kecil sampai menengah.

Yang sering terlewat adalah waktu penyiapan data. Mengumpulkan dan merapikan 100 contoh yang benar-benar konsisten biasanya memakan lebih banyak jam kerja daripada pelatihannya sendiri.

Fine Tuning untuk Bahasa Indonesia

Sebagian besar model besar dilatih dengan proporsi teks berbahasa Inggris yang dominan. Untuk tugas berbahasa Indonesia yang sensitif terhadap nuansa, model dasar yang memang dilatih dengan teks Indonesia sering memberi hasil lebih baik. Datanya pun lebih sedikit.

IndoBERT adalah contoh yang paling dikenal. Model ini dilatih tim IndoNLU dan dipublikasikan pada konferensi AACL-IJCNLP 2020, memakai korpus Indo4B berukuran 23,43 GB teks berbahasa Indonesia. Versi base-nya berisi 124,5 juta parameter, dengan varian ringan sampai 11,7 juta parameter untuk perangkat terbatas.

Model seperti ini memang dirancang untuk disetel ulang, bukan dipakai langsung. Ia menguasai struktur bahasa lewat pelatihan awal, lalu Anda arahkan ke tugas turunan dengan dataset berlabel yang relatif kecil. Contoh tugasnya: mengelompokkan ulasan produk, menandai entitas pada dokumen, atau menilai sentimen komentar. Artikel NLP membahas tugas-tugas semacam itu lebih lengkap.

Di Mana Fine Tuning Masih Bisa Dilakukan Sekarang

Peta layanannya berubah cukup drastis dalam dua tahun terakhir, dan perubahan itu perlu Anda ketahui sebelum menyusun rencana.

Pada jalur tertutup, pintunya menyempit. OpenAI mengumumkan penghentian bertahap platform fine-tuning miliknya. Sejak 7 Mei 2026, organisasi yang belum pernah menjalankan fine tuning tidak bisa lagi membuat pekerjaan pelatihan baru. Sejak 2 Juli 2026, pembatasan itu meluas ke organisasi yang tidak memakai model hasil fine tuning dalam 60 hari terakhir.

Per 6 Januari 2027, pelanggan lama yang masih aktif pun tidak bisa lagi membuat pekerjaan baru. Model yang sudah selesai dilatih tetap bisa dipakai sampai model dasarnya pensiun.

Jadwal penutupan platform fine tuning OpenAI: 7 Mei 2026, 2 Juli 2026, lalu berhenti total 6 Januari 2027.

Google menempuh arah serupa lebih dulu. Dokumentasi Gemini API menyatakan bahwa sejak Gemini 1.5 Flash-001 pensiun pada Mei 2025, tidak ada lagi model di Gemini API yang mendukung fine tuning. Google menyebut belum ada rencana mengembalikannya. Penyetelan model Gemini kini berjalan lewat Vertex AI, untuk gemini-2.5-pro, gemini-2.5-flash, dan gemini-2.5-flash-lite. Claude pun tidak pernah membuka fine tuning di API publiknya; satu-satunya jalur resmi adalah Claude 3 Haiku di Amazon Bedrock.

Di jalur model terbuka, arahnya justru berlawanan. Laporan Hugging Face untuk musim panas 2026 mencatat repositori model publik tumbuh dari 2,43 juta menjadi 2,96 juta sepanjang Januari sampai Agustus. Keluarga Qwen sendiri memiliki 151.448 model turunan hasil kerja pihak ketiga, bertambah sekitar 180 sampai 210 repositori baru setiap hari. Sebagian besar turunan itu adalah hasil fine tuning. Model dasar terbuka yang paling sering dipakai sebagai titik berangkat saat ini adalah Llama, Qwen, Gemma, Mistral, dan DeepSeek.

Artinya praktik ini tidak sedang menghilang. Ia berpindah tempat, dari layanan berbayar milik penyedia model besar ke model terbuka yang Anda jalankan sendiri. Perkakas seperti Unsloth, PEFT, dan Axolotl menjadi penggeraknya, lengkap dengan tutorial fine tuning berupa notebook siap jalan.

Kekurangan dan Hal yang Perlu Anda Pertimbangkan

Fine tuning bukan tombol ajaib. Empat hal berikut layak ditimbang sebelum memulai.

1. Model bisa melupakan kemampuan lamanya. Fenomena ini disebut catastrophic forgetting. Sebuah studi empiris pada 2023 mengamati gejalanya pada model berukuran 1 sampai 7 miliar parameter. Temuannya berlawanan dengan dugaan umum: makin besar modelnya dalam rentang itu, makin parah lupanya. Ini persis seperti motor yang setelah remap menjadi kencang di lintasan tetapi boros dan rewel untuk pemakaian harian.
2. Hasilnya menempel pada satu model dasar. Adapter yang Anda latih untuk sebuah versi model tidak otomatis berlaku pada versi berikutnya. Setiap kali model dasar diperbarui, penyetelan perlu diulang — sama seperti remap yang harus diulang setiap kali komponen mesin berganti.
3. Kualitas data menentukan segalanya. Lima puluh contoh yang konsisten dan diperiksa manusia hampir selalu mengalahkan lima ribu contoh yang dikumpulkan asal-asalan. Contoh yang saling bertentangan akan mengajari model justru untuk tidak konsisten.
4. Yang bertambah adalah gaya, bukan fakta terbaru. Fine tuning tidak cocok untuk memasukkan informasi yang sering berubah. Untuk kebutuhan itu, RAG jauh lebih tepat karena dokumennya cukup diperbarui tanpa melatih apa pun.
5. Pengaman bawaan model bisa ikut longgar. Penelitian tim Princeton dan Virginia Tech pada 2023 menembus pagar pengaman GPT-3.5 Turbo hanya dengan melatihnya memakai 10 contoh berbahaya, berbiaya di bawah 0,20 dolar. Temuan yang lebih perlu diperhatikan: dataset yang sepenuhnya wajar pun ikut menurunkan keselarasan keamanan model, meski dalam kadar lebih ringan. Karena itu model hasil fine tuning sebaiknya diuji ulang keamanannya, bukan diasumsikan mewarisi pengaman model dasarnya.

Fine Tuning untuk Apa? Kapan Ia Layak Dipakai

Tiga kondisi berikut membuat fine tuning masuk akal secara ongkos:

1. Format keluarannya sangat spesifik dan berulang. Misalnya setiap jawaban harus berupa JSON dengan sepuluh field tetap. Menjelaskan aturan sedetail itu lewat instruksi memakan banyak token di setiap permintaan.
2. Gaya bahasanya khas satu domain. Dokumen hukum, rekam medis, atau laporan teknis internal punya pola yang sulit ditiru hanya dengan instruksi.
3. Anda ingin model kecil menyamai model besar pada satu tugas sempit. Model nano yang disetel dengan baik bisa mengalahkan model besar tanpa penyetelan pada tugas tertentu, dengan biaya pemakaian jauh lebih murah.

Sebaliknya, tunda dulu bila informasinya sering berubah, bila contoh Anda belum mencapai puluhan, atau bila hasilnya mengecewakan karena instruksi yang kabur. Urutan yang hemat adalah perbaiki instruksi dulu, coba RAG kalau masalahnya soal pengetahuan, dan baru masuk ke fine tuning kalau keduanya belum menyelesaikan.

Pertanyaan yang Sering Diajukan

Apa itu fine tuning pada motor?

Fine tuning atau tuning pada motor adalah memodifikasi kendaraan untuk menaikkan performa. Pada motor injeksi, bentuknya yang paling umum adalah remap ECU. Peta bawaan pabrik berisi takaran bahan bakar dan waktu pengapian diubah tanpa mengganti perangkat kerasnya. Ini berbeda dengan fine tuning pada AI, meskipun logika dasarnya mirip.

Apa perbedaan antara fine tuning dan pre training?

Pre training membangun kemampuan dasar model dari nol memakai data raksasa, dan biayanya hanya terjangkau perusahaan besar. Fine tuning berangkat dari model yang sudah jadi itu, lalu mengarahkannya ke tugas tertentu memakai dataset kecil. Satu menciptakan, satu lagi menyesuaikan.

Apa itu RAG dan fine tuning?

Keduanya membuat model AI lebih sesuai kebutuhan Anda, tetapi bekerja di tempat berbeda. Fine tuning mengubah bobot model supaya gaya dan formatnya menyesuaikan. RAG tidak menyentuh bobot sama sekali; ia mencarikan dokumen relevan setiap kali ada pertanyaan. Untuk pengetahuan yang sering diperbarui, RAG lebih tepat.

Apakah fine tuning bisa dilakukan tanpa GPU mahal?

Bisa, dengan metode hemat. LoRA memangkas kebutuhan memori GPU sampai tiga kali lipat, dan QLoRA menekannya lebih jauh dengan memampatkan bobot ke 4 bit. Dokumentasi Unsloth per 2026 mencatat model 20 miliar parameter sanggup disetel dalam 12,8 GB VRAM. Kuota gratis Kaggle sebesar 30 jam per minggu pun memadai untuk model kecil sampai menengah.

Kesimpulan

Fine tuning adalah cara menyetel ulang model AI yang sudah jadi memakai data Anda sendiri, mirip mengganti peta ECU tanpa menyentuh mesinnya. Ia paling berguna ketika yang Anda butuhkan adalah gaya dan format keluaran yang konsisten, dan kurang tepat ketika yang berubah adalah pengetahuannya.

Perhatikan juga di mana pekerjaan itu akan dijalankan. Layanan fine tuning pada API tertutup sedang menyempit, sementara ekosistem model terbuka justru bertambah ratusan model turunan setiap hari. Mulailah dari memperbaiki instruksi, pertimbangkan RAG bila masalahnya soal pengetahuan, dan siapkan 50 sampai 100 contoh yang rapi sebelum benar-benar melatih.

Semoga artikel ini membantu.