2nd/10_Wiki/Topics/AI_and_ML/Fine-tuning.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	tags	raw_sources	last_reinforced	github_commit	inferred_by
wiki-2026-0508-fine-tuning	Fine tuning	10_Wiki/Topics	needs_review	self	P-Reinforce-AUTO-FITU-001	none	A	0.98	auto-reinforced fine-tuning llm transfer-learning domain-adaptation lora		2026-04-20	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)

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-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 & Updates)

• 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, Efficiency, Constitutional AI (헌법 AI)
• Modern Tech/Tools: LoRA, QLoRA, Hugging Face peft library, Unsloth.

---

🤖 LLM 활용 힌트 (How to Use This Knowledge)

언제 이 지식을 쓰는가:

• (TODO)

언제 쓰면 안 되는가:

• (TODO)

🧪 검증 상태 (Validation)

• 정보 상태: needs_review
• 출처 신뢰도: A
• 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)

🧬 중복 검사 (Duplicate Check)

• 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
• 처리 방식: UPDATE (자동 정규화)
• 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

🕓 변경 이력 (Changelog)

날짜	변경 내용	처리 방식	신뢰도
2026-05-08	P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화)	UPDATE	A