AI Generatif mengubah cara perusahaan berinovasi dan menyederhanakan operasi mereka dengan menyediakan serangkaian aplikasi yang meningkatkan produktivitas. Namun, mengintegrasikan model dasar berskala besar ke dalam sistem perusahaan bukannya tanpa tantangan. Model-model ini sering kali memiliki biaya tinggi, kinerja lambat, dan masalah privasi data yang dapat membuat perusahaan enggan berbagi informasi sensitif dengan penyedia model bahasa pihak ketiga. Selain itu, meskipun model ini cocok untuk tugas umum, model ini biasanya memerlukan penyesuaian yang signifikan agar dapat bekerja dengan akurasi tinggi pada tugas perusahaan khusus.

Untuk mengatasi hambatan ini, industri ini beralih ke penyempurnaan model bahasa skala kecil (SLM). SLM ini adalah versi yang lebih ringkas dari SLM yang lebih besar yang dapat mencapai tingkat kinerja serupa namun lebih cepat dan lebih hemat biaya. Ini juga dapat diterapkan dalam infrastruktur milik perusahaan, seperti on-premise atau di virtual private cloud, untuk memastikan data sensitif terlindungi. Terlepas dari manfaat-manfaat ini, penyempurnaan SLM mempunyai tantangan tersendiri. Secara khusus, mereka memerlukan data berlabel berkualitas tinggi, yang dapat memakan banyak biaya dan waktu untuk membuatnya.

Untuk menyederhanakan proses ini, metode penyesuaian otomatis baru menggunakan strategi data flywheel diperkenalkan. Pendekatan berbasis umpan balik ini secara bertahap meningkatkan kinerja model melalui penguatan berulang. Metode ini menggunakan pembelajaran kurikulum, di mana data pelatihan diperkenalkan secara bertahap dengan kompleksitas yang semakin meningkat, meniru proses pembelajaran manusia. Menghasilkan dan menyusun data pelatihan sintetik menggunakan model "yang diawasi" berskala besar dan mengoptimalkan penyesuaian model kecil untuk menangani tugas kompleks dengan masukan manusia yang minimal.

Dalam praktiknya, teknik penyesuaian otomatis ini telah menunjukkan hasil yang menjanjikan, terutama di bidang otomatisasi peninjauan kode. Misalnya, SLM yang telah disempurnakan 18% lebih akurat dibandingkan model yang lebih besar dalam tugas-tugas seperti penilaian tingkat keparahan dan pembuatan penjelasan, sekaligus mengurangi biaya dan latensi. Pendekatan ini tidak hanya memberikan solusi terukur dan hemat biaya untuk integrasi AI, namun juga berfungsi sebagai metodologi serbaguna yang dapat diterapkan pada berbagai kasus penggunaan perusahaan.