2nd/10_Wiki/Topics/AI_and_ML/Parameter-Efficient Fine-Tuning (PEFT).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-parameter-efficient-fine-tuning-	Parameter Efficient Fine Tuning (PEFT)	10_Wiki/Topics	needs_review	self	PEFT-001	none	A	1.0	ai llm Fine-tuning peft Efficiency		2026-04-26	pending	Claude Opus 4.7 (auto-normalize 2026-05-08)

Parameter-Efficient Fine-Tuning (PEFT, 효율적 미세 조정)

📌 한 줄 통찰 (The Karpathy Summary)

"전체 가중치를 다 바꾸지 않고도 모델의 전문성을 극대화하라" — 거대 모델의 대부분 가중치는 고정한 채, 아주 적은 수의 추가 파라미터나 일부 레이어만 학습시켜 성능 효율과 비용을 동시에 잡는 튜닝 전략.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: 모델의 핵심 지식(Pre-trained weights)은 보존하면서, 특정 태스크에 필요한 미세한 조정값만을 효율적으로 학습하여 배포하는 패턴.
• 주요 기법:
  • LoRA (Low-Rank Adaptation): 가중치 행렬의 변화량을 저순위 행렬곱으로 근사하여 학습.
  • Prefix Tuning: 입력 데이터 앞에 학습 가능한 가상 토큰(Prefix)을 추가하여 모델의 거동 제어.
  • Adapter Modules: 기존 레이어 사이에 아주 작은 신경망 층을 삽입하여 해당 부분만 학습.
  • prompt Tuning: 프롬프트 자체를 벡터 형태로 학습하여 최적의 지시어를 찾음.
• 장점: 연산량 급감, 모델 저장 공간 절약(MB 단위), 여러 태스크에 대한 어댑터를 독립적으로 관리 가능.

⚠️ 모순 및 업데이트 (Contradictions & Updates)

• 과거 데이터와의 충돌: 모든 파라미터를 다시 학습시키던 Full Fine-tuning에서, 자원 효율성이 강조되는 PEFT 중심으로 산업계 표준이 이동.
• 정책 변화: Antigravity 프로젝트는 새로운 위키 도메인 학습 시 PEFT(특히 LoRA)를 기본 사양으로 채택하여 하드웨어 비용을 90% 이상 절감함.

🔗 지식 연결 (Graph)

• Low-Rank-Adaptation-LoRA, Fine-Tuning, LLM, Transfer-Learning
• Raw Source: 10_Wiki/Topics/AI/Parameter-Efficient Fine-Tuning (PEFT).md

🤖 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