지식 · AI
파인튜닝
Fine-tuning
한 줄 정의
이미 학습된 AI 모델을 특정 분야·작업·말투에 맞춰 소량의 데이터로 추가 학습시키는 것.
파인튜닝은 처음부터 모델을 만드는 대신, 방대한 데이터로 사전학습된 모델을 가져와 '우리 목적'에 맞게 살짝 더 가르치는 방식입니다. 예를 들어 우리 브랜드 말투로 답하거나, 특정 분류 작업을 잘하도록 조정합니다.
'우리 데이터로 답하는 AI'를 만드는 방법은 크게 둘입니다 — 답변 시점에 근거 문서를 붙이는 RAG, 모델 자체를 다시 학습시키는 파인튜닝. RAG가 더 빠르고 저렴한 경우가 많아, 최신·사실 정보는 RAG로, 고정된 형식·말투·전문 스타일은 파인튜닝으로 접근하는 조합이 흔합니다.
실무에서 왜 중요한가
범용 모델을 우리 업무에 '맞춤복'처럼 만드는 방법 — 다만 비용·데이터가 필요해 RAG와 견줘 선택해야 합니다.
유래와 출처
사전학습(pre-training)한 모델을 특정 작업·데이터에 맞춰 추가 학습한다는 개념으로, 전이학습(transfer learning) 연구의 흐름에서 발전했고 대규모 언어모델의 확산과 함께 실무에 널리 쓰이게 됐습니다.
사례로 이해하기
예를 들어, 상담 답변을 우리 톤으로 맞추려 파인튜닝을 검토한다고 해봅시다.
- 목표 — '우리 회사 특유의 정중한 상담 말투로 답하게 하기'를 정합니다.
- 데이터 — 과거 우수 상담 답변 수백~수천 건을 학습용으로 정리합니다.
- 비교 — 먼저 RAG·프롬프트로 충분한지 확인합니다(대개 이걸로 해결).
- 학습 — 정말 필요하면 그 데이터로 모델을 파인튜닝합니다.
- 평가 — 결과 말투·정확도를 검증하고, 사실 정보는 여전히 RAG로 보강합니다.
관련 용어
이 용어와 연결된 교육
📚에이전트 AI 실무 입문나눔경영컨설팅 기업교육 · 대면/온라인과정 보기 →이 주제로 사내 교육이 필요하신가요?
담당자 맞춤 커리큘럼·견적을 바로 받아보세요.
자주 묻는 질문
대개 RAG·프롬프트를 먼저 시도합니다. 그걸로 안 되는 '말투·형식·전문 스타일'에 파인튜닝을 씁니다.
아닙니다. 학습 시점 이후 정보는 모르므로, 최신·사실은 RAG로 보완해야 합니다.