파인튜닝 시작하기

실습 환경의 파인튜닝 실행 버튼을 누르면, 업로드한 학습 데이터와 설정한 하이퍼파라미터를 기반으로 파인튜닝이 시작됩니다.

파인튜닝이 완료되면, 실습 환경의 오른쪽에서 튜닝된 모델(경상도 사투리를 사용하는 50대 아주머니)과 상호작용할 수 있습니다.

참고 : 이전 수업에서 말씀드린 것처럼 정책적/기술적 이슈로 인해, 실습 환경으로 체험하는 파인튜닝 모델은 코드프렌즈가 자체 파인튜닝한 모델을 사용합니다.

파인튜닝이 진행되며 설정한 하이퍼파라미터에 따라 AI 모델의 가중치와 편향이 업데이트됩니다.

• 가중치(Weights): 입력 데이터의 특정 특징이 얼마나 중요한지 결정

• 편향(Bias): 편향은 모델의 출력이 특정 방향으로 치우치지 않도록 조정하는 값으로, 신경망의 활성화 함수를 조절

가중치와 편향을 비유적으로 설명하면, 아래와 같이 표현할 수 있습니다.

• 가중치는 빵을 만들 때 각 재료의 양을 조절하는 것과 같습니다. 예를 들어, 빵에 들어가는 설탕의 양을 조절하여 달콤함을 조절하는 것입니다.

• 편향은 맛의 기본값으로, 빵에 기본적으로 추가되는 설탕을 얼마나 넣을지를 결정하는 것과 같습니다.

• 학습 과정은 주기적으로 맛을 보면서, 재료의 양을 조금씩 조절하며 최적의 맛을 찾아가는 과정입니다.

AI 모델 학습을 처음 시작할 때, 가중치와 편향은 무작위로 설정됩니다.

파인튜닝 시에는 이전 모델의 가중치와 편향을 초기값으로 사용합니다.

입력 데이터가 모델을 통해 전달됩니다. 각 입력 값은 가중치와 곱해지고 편향이 더해져서 출력 값이 계산됩니다.

예를 들어, y = wx + b에서 y는 출력, w는 가중치, x는 입력, b는 편향입니다.

모델의 예측 값(출력)과 실제 값(정답) 사이의 차이를 계산하여 손실 값을 구합니다. 손실 값은 모델의 예측이 얼마나 잘못되었는지를 나타냅니다.

예를 들어, 예측 값이 5이고 실제 값이 3이면, 손실은 이 둘의 차이입니다. (예: 평균 제곱 오차 함수 적용 시, (5-3)^2 = 4)

손실 값을 줄이기 위해 가중치와 편향을 어떻게 조정할지를 결정합니다.

이를 위해 각 가중치와 편향이 손실 값에 얼마나 기여했는지를 계산합니다. 이 과정은 미분을 사용하여 기울기(Gradient)를 구합니다.

계산된 기울기(Gradient)를 사용하여 가중치와 편향을 업데이트합니다. 이는 손실 값을 줄이는 방향으로 조정됩니다.