Доучення (Fine-Tuning) відкритої LLM під ваші завдання

Ви навчили LLM на своєму датасеті. А модель галюцинує коди МКБ-10? Fine-tuning відкритої LLM — спосіб перетворити загальну модель на спеціаліста вашого домену. Ми доучуємо моделі з повним контролем над даними. Ви володієте вагами. Розгортаєте on-premise. Масштабуєте інференс без плати за токени. Накопичений досвід — понад 50 проєктів: від класифікації до генерації складних звітів. QLoRA дозволяє економити до 75% бюджету на обчислювальних ресурсах. Типова економія становить від $500 до $5000 на проєкт. Ми гарантуємо якість доучення та надаємо звітність за кожним етапом проєкту. Наша команда має сертифікати та понад 5 років досвіду в NLP. Створіть свій чат-бот на LLM за допомогою fine-tuning. Оцінимо ваш проєкт. Пишіть, обговоримо деталі та підберемо стратегію. Отримайте консультацію щодо вашого проєкту.

Скільки коштує fine-tuning?

Вартість fine-tuning залежить від обсягу даних, складності задачі та необхідних обчислювальних ресурсів. Мінімальний проєкт з готовими даними коштує від $1500. Типовий проєкт з підготовкою даних — $5000–$15000. Складні проєкти можуть досягати $30000. Ми надаємо детальний кошторис на етапі аудиту.

Яка модель краще: LoRA чи повний fine-tuning?

LoRA в 4 рази економніше за пам'яттю, ніж повний fine-tuning, і в 2 рази швидше за часом навчання. Повний fine-tuning дає на 5–15% вищу якість на складних задачах, але потребує в 4 рази більше VRAM. Вибір залежить від вашого бюджету та вимог до точності.

Вибір базової моделі під задачу

Вибір базової моделі — критичне рішення. Неправильний вибір призводить до переробки на етапі ітерацій. Ми оцінюємо, на якому класі задач модель показує максимум, і підбираємо оптимальний варіант.

Переваги fine-tuning над RAG

RAG (Retrieval-Augmented Generation) хороший, коли потрібно підтягнути актуальні факти із зовнішнього джерела. Але якщо задача потребує глибокого розуміння доменної логіки, fine-tuning дає більш послідовну якість. Наприклад, у медичній діагностиці модель має точно класифікувати код МКБ-10, а RAG може плутатися через шум у витягнутих документах. Fine-tuning «вшиває» знання прямо у ваги, усуваючи проблему. При цьому LoRA-доучення в 4 рази економніше повного fine-tuning за пам'яттю, що робить його доступним для більшості проєктів.

Синтетична генерація даних

Часто у замовника немає розмічених даних, але є неструктуровані джерела: документи, регламенти, FAQ. Використовуємо GPT-4o або Claude для автоматичної генерації навчальних пар. Це дозволяє отримати тисячі прикладів за дні, а не місяці. Однак важливо верифікувати вибірку вручну — мінімум 10–15% для контролю якості.

from openai import OpenAI
import json

client = OpenAI()

def generate_training_example(document_chunk: str, num_examples: int = 5) -> list:
    """Генерує навчальні пари з фрагмента документа"""
    prompt = f"""Ти — експерт зі створення датасетів для навчання мовних моделей.

На основі фрагмента документа нижче створи {num_examples} пар "запитання-відповідь" у форматі JSON.
Запитання мають бути різноманітними: фактичні, аналітичні, практичні.
Відповіді — точними, заснованими тільки на тексті документа.

Документ:
{document_chunk}

Поверни JSON-масив: [{"question": "...", "answer": "..."}]"""

    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": prompt}],
        response_format={"type": "json_object"},
        temperature=0.7
    )

    return json.loads(response.choices[0].message.content)["pairs"]

Типовий проєкт fine-tuning

Фаза 1: Аудит задачі та даних (1–2 тижні)

• Формалізація задачі (класифікація/генерація/витяг)
• Інвентаризація наявних даних, оцінка обсягу та якості
• Вибір базової моделі та методу навчання

Фаза 2: Підготовка даних (2–6 тижнів)

• Збір та агрегація джерел
• Очищення (дублікати, шум, PII)
• Розмітка (ручна/синтетична/комбінована)
• Форматування під chat template
• Train/val/test split (80/10/10)

Фаза 3: Навчання (1–4 тижні)

• Baseline оцінка базової моделі
• Перший запуск LoRA/QLoRA з дефолтними параметрами
• Аналіз training/val loss кривих
• Підбір гіперпараметрів
• Full Fine-Tuning при необхідності

Фаза 4: Оцінка та ітерації (1–3 тижні)

• Автоматичні метрики (F1, BLEU, ROUGE, accuracy)
• LLM-as-judge (GPT-4o або інша сильна модель як суддя)
• Людська оцінка вибірки
• Аналіз failure cases → доопрацювання даних

Фаза 5: Деплой та моніторинг (1–2 тижні)

• Квантизація (опціонально)
• Деплой через vLLM/TGI
• Налаштування моніторингу та A/B тест vs baseline

Що входить в роботу

• Аналіз задачі та даних, формалізація метрик успіху
• Вибір оптимальної базової моделі та методу навчання
• Підготовка даних: збір, очищення, розмітка (вручну або синтетично)
• Навчання з підбором гіперпараметрів, логування в MLflow
• Оцінка: автопілот + LLM-as-judge + контрольна вибірка експертів
• Деплой (vLLM, TGI) та інтеграція у ваш пайплайн
• Документація та навчання команди замовника

Практичний кейс: спеціалізація під телемедицину (з нашої практики)

Задача: асистент для лікарів первинної ланки — диференціальна діагностика за скаргами пацієнта, пропозиція списку обстежень, вибір МКБ-10 коду. Наш клієнт — великий медичний центр.

Вихідні дані:

• 450 клінічних випадків з висновками (з медсистеми, знеособлені)
• Клінічні рекомендації МОЗ України за 12 нозологіями (PDF, 3200 сторінок)
• Довідник МКБ-10

Стратегія:

1. Конвертація клінічних рекомендацій у chunks
2. Синтетична генерація 3200 прикладів через GPT-4o (скарги → діагностика)
3. Верифікація 15% вибірки практикуючими терапевтами
4. Fine-tuning Qwen2.5-14B (найкраща українська/російська мова для медтермінології)

Результати (після 4 епох QLoRA, r=32):

• Top-3 accuracy МКБ-10: 71% → 89%
• Повнота списку рекомендованих обстежень (recall vs експерт): 0.62 → 0.84
• Hallucination rate (вигадані препарати/процедури): 24% → 6%
• Latency (vLLM, A100): 1.8с на запит

QLoRA дозволила навчити модель на 1x A100 80GB, що в 4 рази економніше повного fine-tuning. Цей підхід підходить і для ваших задач — зв'яжіться, оцінимо проєкт.

Моніторинг якості в продакшні

Після деплою налаштовуємо безперервний моніторинг:

import mlflow

# Логування передбачень для аналізу дрейфу
with mlflow.start_run():
    mlflow.log_metrics({
        "avg_response_length": avg_len,
        "refusal_rate": refusal_rate,
        "latency_p95": latency_p95,
        "user_rating_avg": rating_avg,
    })

Ознаки деградації моделі: зростання refusal rate, зниження користувацьких оцінок, збільшення частки escalation в downstream системах.

Інфраструктурні вимоги

Терміни повного циклу

Мінімальний проєкт (готові дані, нескладна задача): 3–5 тижнів. Типовий проєкт (підготовка даних з нуля): 8–14 тижнів. Складний проєкт (спеціалізований домен, ітеративна розмітка): 16–24 тижні.

Fine-tuning — ключова техніка адаптації LLM. Отримайте консультацію для вашої задачі: підберемо стратегію та оптимізуємо бюджет. Замовте оцінку проєкту зараз. Ми використовуємо MLOps для автоматизації пайплайнів, що дозволяє швидко експериментувати. Навчання нейромережі — один із етапів створення корпоративного AI.

Практичний розбір LLM: fine-tuning, RAG, агенти, деплой

Модель GPT‑4 або Claude 3.5 Sonnet через публічне API — не рішення, а просто інструмент. Коли приходить вимога «зробити як ChatGPT, але на наших даних», за нею стоїть реальна інженерна задача: від налаштування промптів до навчання 70B‑моделі на власній інфраструктурі. LLM розробка під ключ — це складний стек, і ми займаємося цим понад 5 років. За цей час реалізовано понад 20 проєктів у галузі генеративного AI: від RAG‑систем для юридичних департаментів до кастомних агентів для техпідтримки. Де саме знаходиться ваша задача — залежить від даних, latency‑вимог, бюджету та того, наскільки критична конфіденційність.

Типова ситуація: клієнт уже спробував ChatGPT, але результати нестабільні — то відповідає точно, то галюцинує. Або потрібна інтеграція в корпоративний портал з дотриманням політик безпеки. Розберемо кожен шар стеку в деталях — від RAG до production‑деплою.

Чому RAG‑системи ламаються і як це виправити?

RAG (Retrieval‑Augmented Generation) виглядає просто: знайшли релевантні документи, поклали в контекст, модель відповіла. На практиці збоїть у кількох місцях.

Chunking без перекриття. Класична помилка: chunk_size=512, overlap=0. Якщо відповідь лежить на межі двох чанків, retrieval не знайде жодного з достатньою впевненістю. Рішення: overlap 15–25% від chunk_size, а краще sentence‑aware splitting через spaCy або NLTK, а не наївне розбиття за символами.

Поганий embedder. Текст‑embedding‑ada‑002 — хороший для загального випадку, але на юридичних або медичних текстах програє спеціалізованим моделям: E5‑large‑v2, BGE‑M3 або fine‑tuned sentence‑transformers на доменних даних. Різниця в Recall@5 може становити 15–25%.

Відсутність re‑ranking. Векторний пошук оптимізований за швидкістю, не за релевантністю. Cross‑encoder re‑ranker (ms‑marco‑MiniLM‑L‑6‑v2, bge‑reranker‑large) після первинного retrieval піднімає точність топ‑3 при прийнятній затримці (+50–150 ms). Це часто важливіше за покращення embedding‑моделі.

Гібридний пошук. Тільки dense вектори погано працюють на точних запитах: імена, артикули, коди. BM25 (sparse) добре знаходить точні збіги, але не розуміє семантику. Гібрид через RRF (Reciprocal Rank Fusion) — оптимальний компроміс. Qdrant, Weaviate та pgvector 0.7+ підтримують гібридний пошук нативно.

Коли варто fine‑tune, а не промпт‑інжиніринг?

Промпт‑інжиніринг вирішує ~70% завдань адаптації LLM під домен. Решта 30% вимагають донавчання. Три ознаки: модель ігнорує специфічний формат виведення навіть при детальному описі в промпті; задача вимагає глибокого знання спеціалізованої лексики (медицина, право); потрібно значно знизити витрати на токени, замінивши велику модель меншою спеціалізованою.

LoRA та QLoRA — стандарт для SFT. LoRA додає trainable low‑rank матриці до attention‑шарів. Типова конфігурація для Llama‑3 8B: r=64, lora_alpha=128, target_modules=["q_proj","v_proj","k_proj","o_proj"] — параметрів, що навчаються, ~0.8%, навчання на одній A100 40GB. QLoRA додає 4‑бітну квантизацію (NF4) і дозволяє fine‑tune 70B модель на двох A100 40GB, хоча швидкість падає вдвічі порівняно з bf16.

DPO замість RLHF. Direct Preference Optimization вимагає лише пари (chosen, rejected), а не скалярні reward‑сигнали. DPOTrainer з бібліотеки trl (Hugging Face) реалізує це кількома десятками рядків.

Типова помилка. Датасет з 500 прикладів, 5 епох, validation loss 0.8 — здається норм. Але на тесті модель деградувала на загальних інструкціях. Причина: catastrophic forgetting. Рішення — додати 10–20% загальних instruction‑following прикладів (Alpaca, FLAN) у навчальну вибірку, щоб не зруйнувати вихідні здібності.

Як обрати базову модель: 8B чи 70B?

Для більшості задач fine‑tuning 8B моделі достатньо. 70B потрібен, коли потрібне глибоке міркування або baseline 8B не досягає потрібної якості навіть після донавчання. Вартість інференсу Llama‑3 8B через vLLM на A100 значно нижча, ніж у GPT‑4, що робить його економічно вигідним.

Що дає PagedAttention в production?

vLLM — перший вибір для serving open‑source моделей. PagedAttention — ключове технічне рішення: KV‑cache керується як virtual memory в ОС, без фрагментації. Це дає throughput у 2–4 рази вище порівняно з наївним HuggingFace Transformers inference. Документація vLLM підтверджує: continuous batching та PagedAttention — стандарт для високонавантажених LLM‑сервісів.

Типові числа на A100 80GB для Llama‑3 8B (bf16): 400–600 req/s, P50 latency 200–400ms, P99 latency 600–900ms при concurrency 64. Для 70B на двох A100 з tensor parallelism: 80–120 req/s, P99 latency 1.5–2.5s. Квантизація AWQ або GPTQ знижує споживання пам'яті в 2 рази при втраті якості в межах 1–3%.

Мультиагентні системи

Агенти — LLM з доступом до інструментів: пошук, виконання коду, запити до API, робота з БД. Основні патерни:

• ReAct (Reason + Act): модель розмірковує → обирає інструмент → спостерігає результат → знову розмірковує. LangChain та LlamaIndex реалізують з коробки.
• Multi‑agent orchestration: кілька спеціалізованих агентів з координатором зверху. Приклад: coordinator → researcher (пошук + summarization) → coder (генерація та виконання коду) → critic (перевірка). Інструменти: AutoGen (Microsoft), CrewAI, кастомна реалізація на LangGraph.

В продакшені агентні системи недетерміновані. Обов'язкові guardrails, ліміти кроків, логування кожного кроку, human‑in‑the‑loop для критичних дій.

Як ми гарантуємо якість LLM рішення?

Ми використовуємо RAGAS для автоматичної оцінки відповідей: faithfulness, answer relevancy, context precision. Система трекінгу експериментів на базі MLflow фіксує всі метрики, датасети та конфіги. Це дозволяє порівнювати різні гіпотези та доводити покращення з цифрами. Гарантію стабільної роботи забезпечує continuous integration з тестами на специфічних сценаріях (prompt injection, edge‑cases).

Як почати LLM розробку: наступні кроки

Ми передаємо:

• Технічну документацію (model card, конфіги, інструкції з розгортання)
• Доступ до інфраструктури (репозиторій з кодом, навчені ваги)
• 1 місяць підтримки після деплою (консультації, виправлення багів)
• Навчання команди замовника (2–3 заняття з експлуатації системи)

Терміни: базовий RAG‑прототип — 1–2 тижні. Fine‑tuning з даними замовника — 3–6 тижнів (з урахуванням підготовки даних). Production‑система з моніторингом та перенавчанням — 2–4 місяці.

Вартість розраховується індивідуально і залежить від обсягу даних, складності моделі та вимог до інфраструктури. Хочете оцінити свій проєкт? Зв'яжіться з нами — ми підготуємо попереднє резюме за 1–2 робочі дні. Або замовте консультацію фахівця з вибору підходу: RAG, fine‑tuning або гібрид — розповімо, що підійде саме вам.