---
id: [[P-Reinforce|P-Reinforce]]-AUTO-FITU-001
category: Dev
confidence_score: 0.98
tags: [auto-reinforced, fine-tuning, llm, transfer-learning, domain-adaptation, lora]
last_reinforced: 2026-04-20
---

# [[Fine-tuning|Fine-tuning]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "거인의 지식을 내 것으로 만들다: 비전공 지식이 가득한 거대 모델(Pre-trained)을 가져와, 특정 도메인이나 기업의 고유 데이터를 추가로 학습시킴으로써 전문성을 날카롭게 벼리고 맞춤형 전문가로 탈바꿈시키는 최적화 공정."

## 📖 구조화된 지식 (Synthesized Content)
파인튜닝(Fine-tuning)은 이미 학습된 모델에 새로운 데이터와 가중치 업데이트를 적용하여 특정 작업에 최적화하는 기법입니다.

1.  **방식**:
    *   **Full Fine-tuning**: 전체 파라미터를 업데이트 (비용 높음).
    *   **PEFT ([[Parameter|Parameter]]-Efficient Fine-Tuning)**: LoRA(Low-Rank Adaptation) 등 일부 핵심 파라미터만 학습하여 적은 자원으로 고성능 달성.
    *   **Instruction Tuning**: "요약해줘", "번역해줘" 등의 지시어(Instruction)를 따르도록 학습.
2.  **왜 중요한가?**:
    *   범용 모델의 한계(일반적 답변)를 넘어, 의료, 법률, 기업 내부 매뉴얼 등에 특화된 '살아있는 지능'을 만드는 가장 강력한 방법임. (Transfer-Learning의 연장)

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 파인튜닝 시 모델이 이전 지식을 잊어버리는 '파괴적 망각(Catastrophic Forgetting) 정책'이 큰 문제였으나, 현대 정책은 지식 보존 정책(Elastic Weight Consolidation 등)과 효율적 학습 정책으로 이를 정복함(RL Update).
- **정책 변화(RL Update)**: 단순히 데이터를 넣는 수준을 넘어, 모델의 가치관과 윤리를 정렬하는 RLHF/DPO 정책과 결합되어 '지능의 방향성 정책'을 설정하는 과정으로 고도화됨. (DPO와 연결)

## 🔗 지식 연결 (Graph)
- Transfer-Learning, DPO (Direct PReference Optimization), [[Optimization|Optimization]], [[Efficiency|Efficiency]], [[Constitutional AI (헌법 AI)|Constitutional AI (헌법 AI)]]
- **Modern Tech/Tools**: LoRA, QLoRA, Hugging Face `peft` library, Unsloth.
---