Wat is fine-tuning van AI?
Erwin Berkouwer
Fine-tuning is het verder trainen van een bestaand, kant-en-klaar AI-model op een kleinere, specifieke dataset, zodat het beter presteert op een afgebakende taak en jouw vakgebied, stijl of terminologie beter volgt. Je begint dus niet bij nul: je neemt een basismodel zoals GPT of Claude en geeft het extra oefening met jouw voorbeelden. Het resultaat is een model dat consistenter en specifieker reageert binnen jouw context, zonder dat je zelf een AI-model hoeft te bouwen.
Hoe werkt fine-tuning?
Een groot taalmodel wordt eerst getraind op enorme hoeveelheden algemene tekst. Die training geeft het model brede taalvaardigheid, maar geen kennis van jouw bedrijf, klanttoon of interne processen. Bij fine-tuning voer je het model honderden tot duizenden voorbeelden van gewenste input en output, bijvoorbeeld klantvragen met de antwoorden zoals jouw beste medewerker ze zou geven. Het model past intern zijn gewichten (de parameters die bepalen hoe het reageert) een klein stukje aan op basis van die voorbeelden. Het blijft hetzelfde basismodel, maar met een duidelijke voorkeur voor de patronen die jij hebt aangeleerd.
Belangrijk: fine-tuning verandert het gedrag en de stijl van een model, maar is geen betrouwbare manier om het actuele of feitelijke kennis bij te brengen. Voor actuele bedrijfsinformatie is een andere aanpak vaak geschikter, zie hieronder.
Heeft jouw mkb fine-tuning nodig?
De meeste mkb-bedrijven hebben geen datateam en geen budget voor experimentele AI-trajecten. Daarom is de eerste vraag niet "hoe fine-tunen we ons model", maar "hebben we fine-tuning eigenlijk nodig". In veel gevallen is het antwoord nee. Prompting (het model goed instrueren) en retrieval-augmented generation, oftewel RAG (het model live laten zoeken in jouw documenten), lossen het merendeel van de praktijkvragen op tegen lagere kosten en met minder complexiteit.
Fine-tuning is voor de meeste mkb-bedrijven een laatste stap, geen eerste. Begin met prompting en RAG, en overweeg fine-tuning pas als die twee structureel tekortschieten.
Een vergelijking maakt het verschil concreet:
| Aanpak | Wat het doet | Kosten/complexiteit | Wanneer geschikt |
|---|---|---|---|
| Prompting | Instructies en voorbeelden in de vraag zelf | Laag, direct te testen | Standaardtaken, snelle experimenten |
| RAG | Model zoekt live in eigen documenten of kennisbank | Middel, vraagt een kennisbank en zoekopzet | Actuele of bedrijfsspecifieke feitenkennis nodig |
| Fine-tuning | Model extra getraind op eigen voorbeelddata | Hoog, vraagt kwaliteitsdata en onderhoud | Vaste stijl, vakjargon of gedrag dat consistent terug moet komen |
Bij een AI-consultancy-traject is starten met prompting en RAG meestal het verstandigste, en fine-tunen pas als er een aantoonbare, herhaalde behoefte is.
Een voorbeeld van fine-tuning in de praktijk
Stel: een administratiekantoor wil een AI-assistent die klantvragen over facturen beantwoordt in de toon en stijl die het kantoor altijd hanteert, inclusief vaste disclaimers en verwijzingen naar eigen voorwaarden. Met alleen prompting krijg je een bruikbaar maar wat generiek antwoord. Met RAG kan het model de juiste factuurgegevens erbij zoeken. Pas als het kantoor merkt dat het model ondanks goede instructies steeds net niet de juiste toon of structuur aanhoudt, en dat probleem honderden keren per maand terugkeert, wordt fine-tuning interessant. Bij zo'n schaal kan fine-tuning de nabewerkingstijd per antwoord merkbaar verminderen, maar dat moet je per situatie meten, niet aannemen.
Wanneer wel en wanneer niet fine-tunen?
Fine-tunen is de moeite waard wanneer:
- je een zeer specifieke, herhaalbare stijl of structuur nodig hebt die prompting niet stabiel afdwingt;
- je al RAG gebruikt en toch merkt dat het model in toon of gedrag blijft afwijken;
- je voldoende kwalitatieve voorbeelddata hebt: geen handjevol, maar een substantiële, representatieve set;
- de taak vaak genoeg voorkomt om de investering in tijd en onderhoud terug te verdienen.
Fine-tunen is overkill wanneer:
- je het probleem nog niet grondig hebt geprobeerd op te lossen met betere prompts;
- je actuele of bedrijfsspecifieke feiten nodig hebt: dat hoort bij RAG, niet bij fine-tuning;
- je weinig of geen betrouwbare voorbeelddata hebt;
- het gaat om een eenmalig of laagfrequent proces.
Welke begrippen horen erbij?
Fine-tuning staat niet op zichzelf. Het model dat je fine-tunet, gebruikt vaak nog steeds embeddings om de betekenis van tekst wiskundig te representeren. Om te bepalen of fine-tuning daadwerkelijk beter presteert dan het origineel, is AI-evaluatie (evals) onmisbaar: gestructureerd testen of de aangepaste output echt beter is en niet op andere punten slechter. En let op hallucinaties: fine-tuning lost die niet automatisch op en kan ze zelfs verergeren als de trainingsdata inconsistent is.
Benieuwd of fine-tuning, RAG of slimmere prompting de juiste volgende stap is voor jouw bedrijf? Maak een AI-scan of plan een kennismaking, dan kijken we samen naar wat past bij jouw situatie en budget.
Veelgestelde vragen
Korte, heldere antwoorden die je helpen sneller beslissen.
Wat is het verschil tussen fine-tuning en prompting?
Prompting stuurt een AI-model via instructies in de vraag zelf, zonder het model te veranderen. Fine-tuning traint het model daadwerkelijk verder op eigen voorbeelddata, waardoor het gedrag blijvend verandert. Prompting is sneller en goedkoper, fine-tuning is grondiger maar bewerkelijker.
Is fine-tuning hetzelfde als RAG?
Nee. RAG (retrieval-augmented generation) laat een model live zoeken in jouw documenten om actuele feiten op te halen. Fine-tuning verandert de stijl en het gedrag van het model zelf, maar voegt geen actuele feitenkennis toe. Ze kunnen ook samen worden ingezet.
Hoeveel data heb ik nodig om een AI-model te fine-tunen?
Dat verschilt per aanbieder en taak, maar over het algemeen is een substantiële, representatieve set voorbeelden nodig, geen handjevol. Kwaliteit en consistentie van de voorbeelden wegen zwaarder dan pure hoeveelheid.
Is fine-tuning geschikt voor een klein mkb-bedrijf?
Vaak niet als eerste stap. De meeste praktijkvragen bij kleinere bedrijven zijn op te lossen met goede prompting of RAG, tegen lagere kosten en zonder de data-inspanning die fine-tuning vraagt.
