{"id":521,"date":"2026-07-01T10:35:00","date_gmt":"2026-07-01T09:35:00","guid":{"rendered":"https:\/\/masterymesh.com\/blog\/?p=521"},"modified":"2026-06-25T08:51:52","modified_gmt":"2026-06-25T07:51:52","slug":"sto-je-fine-tuning","status":"publish","type":"post","link":"https:\/\/masterymesh.com\/blog\/automation\/sto-je-fine-tuning\/","title":{"rendered":"\u0160to je Fine-Tuning i kako istrenirati AI da govori va\u0161im glasom"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Veliki jezi\u010dni modeli izvrsni su generi\u010dke zadatke, ali ponekad ni najpa\u017eljivije osmi\u0161ljeni prompt ne uspijeva posti\u0107i dosljedno pona\u0161anje koje va\u0161 posao zahtijeva. Ako trebate da AI uvijek pi\u0161e u specifi\u010dnom tonu va\u0161eg brenda, uvijek odgovara u to\u010dno odre\u0111enom formatu ili uvijek izbjegava odre\u0111ene fraze i pristupe, upravo tu nastupa fine-tuning. Za razliku od RAG-a koji modelu daje informacije za \u010ditanje i MCP-a koji mu daje alate za djelovanje, fine-tuning ulazi dublje: mijenja samo pona\u0161anje modela trajno, na razini njegovih parametara. U ovom vodi\u010du obja\u0161njavamo \u0161to je fine-tuning, kako funkcionira, kada se isplati, koliko ko\u0161ta i na \u0161to paziti kako implementacija ne bi donijela lo\u0161ije rezultate od polazne to\u010dke.<\/p>\n\n\n\n<div class=\"wp-block-rank-math-toc-block\" id=\"rank-math-toc\"><h2>Sadr\u017eaj<\/h2><nav><ul><li class=\"\"><a href=\"#sto-je-fine-tuning\">\u0160to je fine-tuning<\/a><\/li><li class=\"\"><a href=\"#kako-fine-tuning-funkcionira-korak-po-korak\">Kako fine-tuning funkcionira korak po korak<\/a><\/li><li class=\"\"><a href=\"#kada-fine-tuning-ima-smisla\">Kada fine-tuning ima smisla<\/a><\/li><li class=\"\"><a href=\"#mit-vs-stvarnost\">Mit vs. stvarnost<\/a><\/li><li class=\"\"><a href=\"#koliko-kosta-fine-tuning\">Koliko ko\u0161ta fine-tuning<\/a><\/li><li class=\"\"><a href=\"#fine-tuning-naspram-rag-a-i-mcp-a\">Fine-tuning naspram RAG-a i MCP-a<\/a><\/li><li class=\"\"><a href=\"#prakticni-primjeri-iz-poslovne-prakse\">Prakti\u010dni primjeri iz poslovne prakse<\/a><ul><li class=\"\"><a href=\"#automatizacija-sadrzajnog-marketinga\">Automatizacija sadr\u017eajnog marketinga<\/a><\/li><li class=\"\"><a href=\"#standardizacija-poslovnih-izvjestaja\">Standardizacija poslovnih izvje\u0161taja<\/a><\/li><li class=\"\"><a href=\"#prilagodba-tona-korisnicke-podrske\">Prilagodba tona korisni\u010dke podr\u0161ke<\/a><\/li><\/ul><\/li><li class=\"\"><a href=\"#faq\">FAQ<\/a><\/li><li class=\"\"><a href=\"#trebate-li-ai-koji-govori-vasim-glasom\">Trebate li AI koji govori va\u0161im glasom?<\/a><\/li><\/ul><\/nav><\/div>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 id=\"sto-je-fine-tuning\" class=\"wp-block-heading\">\u0160to je fine-tuning<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Fine-tuning je proces dodatnog treniranja ve\u0107 postoje\u0107eg, unaprijed treniranog jezi\u010dnog modela na manjem, specifi\u010dnom skupu podataka. Umjesto da treniramo model od nule, \u0161to bi zahtijevalo enormne ra\u010dunalne resurse i koli\u010dine podataka, uzimamo model koji ve\u0107 razumije jezik i logiku te ga &#8220;dotreniramo&#8221; na primjerima koji pokazuju to\u010dno kakvo pona\u0161anje \u017eelimo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Analogija koja dobro opisuje proces je sljede\u0107a: zamislite iskusnog copywritera koji odli\u010dno pi\u0161e, ali nikada nije radio u va\u0161oj industriji. Fine-tuning je kao intenzivna obuka u kojoj ga uronite u ton, terminologiju i stilska pravila va\u0161e tvrtke dok ona ne postanu njegova druga priroda. Nakon toga pi\u0161e spontano u skladu s va\u0161im standardima, bez potrebe za detaljnim uputama svaki put.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 id=\"kako-fine-tuning-funkcionira-korak-po-korak\" class=\"wp-block-heading\">Kako fine-tuning funkcionira korak po korak<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>1. Priprema skupa podataka<\/strong> Osnova svakog fine-tuninga je kvalitetan skup podataka s primjerima ulaza i \u017eeljenih izlaza, takozvani training pairs ili instruction-following formati. To mogu biti primjeri razgovora, parovi pitanje-odgovor, primjeri tekstova u \u017eeljenom tonu ili uzorci specifi\u010dnih formata dokumenta. Kvaliteta podataka presudna je za kvalitetu rezultata.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>2. Odabir baznog modela<\/strong> Biramo polazni model koji je ve\u0107 dovoljno sposoban za na\u0161 zadatak. Ve\u0107i modeli daju bolje rezultate, ali su skuplje za fine-tuning. Za mnoge poslovne slu\u010dajeve kori\u0161tenja manji, u\u010dinkovitiji modeli daju izvrsne rezultate uz znatno ni\u017ei tro\u0161ak.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>3. Treniranje<\/strong> Odabrani skup podataka koristimo za dodatno treniranje modela kroz odre\u0111eni broj epoha. Moderna fine-tuning su\u010delja nude jednostavne pipeline procese, ali konfiguracija hiperparametara poput learning rate i broja epoha izravno utje\u010de na ishod.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>4. Evaluacija<\/strong> Nakon treniranja model testiramo na zasebnom skupu primjera koji nisu bili dio treniranja kako bismo provjerili je li usvojio \u017eeljeno pona\u0161anje i nema li ne\u017eeljenih regresija u op\u0107im sposobnostima.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>5. Iteracija<\/strong> Fine-tuning rijetko daje savr\u0161en rezultat u prvom poku\u0161aju. Na temelju evaluacije dora\u0111ujemo skup podataka ili parametre treniranja i ponavljamo proces dok rezultati ne zadovolje postavljene kriterije.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 id=\"kada-fine-tuning-ima-smisla\" class=\"wp-block-heading\">Kada fine-tuning ima smisla<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Fine-tuning nije odgovor na svaki problem s AI modelima. Vrijedi ga razmatrati u sljede\u0107im slu\u010dajevima:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Dosljedan ton brenda<\/strong> \u2014 kada RAG i prompt in\u017eenjering vi\u0161e ne mogu osigurati konzistentnost tona u svim situacijama i na svim temama<\/li>\n\n\n\n<li><strong>Strogi formati dokumenta<\/strong> \u2014 pravni, medicinski, financijski dokumenti ili standardizirani poslovni izvje\u0161taji koji moraju pratiti to\u010dno definirane \u0161ablone<\/li>\n\n\n\n<li><strong>Specifi\u010dna industrijska terminologija<\/strong> \u2014 ni\u0161e s rijetkim ili visoko specifi\u010dnim jezikom kojim bazni model ne vlada dovoljno dobro<\/li>\n\n\n\n<li><strong>Pobolj\u0161anje performansi manjih modela<\/strong> \u2014 kada \u017eelite da manji, jeftiniji model obavlja specifi\u010dan zadatak jednako dobro kao puno ve\u0107i model<\/li>\n<\/ul>\n\n\n\n<figure class=\"wp-block-table\"><table class=\"has-fixed-layout\"><thead><tr><th>Situacija<\/th><th>Fine-tuning?<\/th><th>Bolji izbor<\/th><\/tr><\/thead><tbody><tr><td>Chatbot koji odgovara iz va\u0161e dokumentacije<\/td><td>\u274c<\/td><td>RAG<\/td><\/tr><tr><td>AI agent koji izvr\u0161ava zadatke u va\u0161im alatima<\/td><td>\u274c<\/td><td>MCP<\/td><\/tr><tr><td>AI koji uvijek pi\u0161e u tonu va\u0161e marke<\/td><td>\u2705<\/td><td>Fine-tuning<\/td><\/tr><tr><td>Standardizacija odgovora u specifi\u010dnom formatu<\/td><td>\u2705<\/td><td>Fine-tuning<\/td><\/tr><tr><td>Poznavanje novih, promjenjivih informacija<\/td><td>\u274c<\/td><td>RAG<\/td><\/tr><tr><td>Smanjenje tro\u0161ka inferencing velikim modelom<\/td><td>\u2705<\/td><td>Fine-tuning manjeg modela<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 id=\"mit-vs-stvarnost\" class=\"wp-block-heading\">Mit vs. stvarnost<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Mit: Fine-tuning je na\u010din da AI &#8220;nau\u010di&#8221; nove informacije.<\/strong> Stvarnost: Fine-tuning mijenja pona\u0161anje i stil modela, ali nije u\u010dinkovit mehanizam za u\u010denje novih \u010dinjenica. Ako trebate da AI zna va\u0161e aktualne podatke, RAG je pravi pristup.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Mit: Trebam tisu\u0107e primjera za fine-tuning.<\/strong> Stvarnost: Za mnoge slu\u010dajeve kori\u0161tenja, posebno prilagodbu tona ili formata, dovoljan je pa\u017eljivo pripremljen skup od nekoliko stotina do nekoliko tisu\u0107a kvalitetnih primjera. Kvaliteta daleko nadma\u0161uje kvantitetu.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Mit: Fine-tuned model je zauvijek gotov.<\/strong> Stvarnost: Kako se va\u0161 brend, procesi ili zahtjevi mijenjaju, model treba dodatne krugove fine-tuninga. To je kontinuiran, a ne jednokratan proces.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Mit: Fine-tuning uvijek pobolj\u0161ava model.<\/strong> Stvarnost: Lo\u0161e pripremljen skup podataka mo\u017ee pogor\u0161ati pona\u0161anje modela, uklju\u010duju\u0107i i njegove op\u0107e sposobnosti. Stoga je pa\u017eljiva priprema podataka i evaluacija apsolutno neophodna.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 id=\"koliko-kosta-fine-tuning\" class=\"wp-block-heading\">Koliko ko\u0161ta fine-tuning<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Tro\u0161ak se sastoji od nekoliko komponenti:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Priprema podataka<\/strong> \u2014 obi\u010dno je ovo najve\u0107a stavka: prikupljanje, strukturiranje i provjera primjera zahtijeva zna\u010dajno ulaganje vremena i stru\u010dnosti<\/li>\n\n\n\n<li><strong>Ra\u010dunalni resursi za treniranje<\/strong> \u2014 ovisi o veli\u010dini modela i broju epoha; kroz API su\u010delja popularnih pru\u017eatelja tro\u0161ak se naj\u010de\u0161\u0107e mjeri po tokenima<\/li>\n\n\n\n<li><strong>Evaluacija i iteracija<\/strong> \u2014 svaki krug testiranja i dora\u0111ivanja donosi dodatni tro\u0161ak<\/li>\n\n\n\n<li><strong>Ponavljanje<\/strong> \u2014 kako se zahtjevi mijenjaju, fine-tuning se mora ponavljati<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Kao okvirnu procjenu, implementacija fine-tuninga za poslovnu primjenu uz profesionalno vo\u0111enje procesa realnog opsega kre\u0107e se od nekoliko tisu\u0107a eura navi\u0161e, uklju\u010duju\u0107i pripremu podataka i evaluacijske krugove.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 id=\"fine-tuning-naspram-rag-a-i-mcp-a\" class=\"wp-block-heading\">Fine-tuning naspram RAG-a i MCP-a<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Fine-tuning, RAG i MCP rje\u0161avaju razli\u010dite probleme i nisu me\u0111usobno isklju\u010divi. U sofisticiranijim implementacijama kombiniraju se: fine-tuned model koji u karakteru i formatu odgovara va\u0161em brendu, RAG koji mu daje pristup a\u017eurnim informacijama i MCP koji mu daje mogu\u0107nost djelovanja u vanjskim sustavima.<\/p>\n\n\n\n\n\n<h2 id=\"prakticni-primjeri-iz-poslovne-prakse\" class=\"wp-block-heading\">Prakti\u010dni primjeri iz poslovne prakse<\/h2>\n\n\n\n<h3 id=\"automatizacija-sadrzajnog-marketinga\" class=\"wp-block-heading\">Automatizacija sadr\u017eajnog marketinga<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Marketin\u0161ka agencija koja producira velik volumen sadr\u017eaja fine-tuneom prilago\u0111ava model tonu i stilskim pravilima svakog klijenta. Rezultat su tekstovi koji konzistentno zvu\u010de kao da ih je pisao isti autor, bez duga\u010dkih uputa u svakom promptu.<\/p>\n\n\n\n<h3 id=\"standardizacija-poslovnih-izvjestaja\" class=\"wp-block-heading\">Standardizacija poslovnih izvje\u0161taja<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Financijska tvrtka fine-tuneom posti\u017ee da model uvijek generira izvje\u0161taje u to\u010dno definiranom formatu s ispravnom strukturom poglavlja, nomenclaturom i na\u010dinom prezentiranja podataka koji zadovoljavaju regulatorne zahtjeve.<\/p>\n\n\n\n<h3 id=\"prilagodba-tona-korisnicke-podrske\" class=\"wp-block-heading\">Prilagodba tona korisni\u010dke podr\u0161ke<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Tvrtka s jasno definiranim glasom brenda fine-tuneom osigurava da svi AI-generirani odgovori korisni\u010dke podr\u0161ke zvu\u010de konzistentno, bez obzira na temu upita, i nikad ne izlaze iz tona koji je definiran stilskim vodi\u010dem.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 id=\"faq\" class=\"wp-block-heading\">FAQ<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Mogu li fine-tuningom &#8220;nau\u010diti&#8221; AI o mojim proizvodima?<\/strong> To nije najefikasniji pristup. Za poznavanje specifi\u010dnih, promjenjivih podataka o proizvodima RAG je bolji i jeftiniji izbor. Fine-tuning je optimalan za prilagodbu tona, stila i formata, a ne za u\u010denje novih informacija.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Koliko primjera trebam za fine-tuning?<\/strong> Ovisi o zadatku. Za prilagodbu tona i formata, pa\u017eljivo pripremljenih nekoliko stotina primjera \u010desto je dovoljno za mjerljiv napredak. Za slo\u017eenije zadatke koji zahtijevaju \u0161iru pokrivenost slu\u010dajeva, potrebno je vi\u0161e.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Mo\u017ee li fine-tuning pogor\u0161ati model?<\/strong> Da, i to je realan rizik. Nekvalitetni ili nedovoljno raznovrsni podaci mogu smanjiti op\u0107e sposobnosti modela ili uzrokovati ne\u017eeljene obrasce odgovaranja. Stoga je evaluacija neophodna, ne opcionalna.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Koliko \u010desto moram ponavljati fine-tuning?<\/strong> Ovisi o tome koliko se brzo mijenjaju va\u0161i zahtjevi. Ako su ton i format stabilni, model mo\u017ee dugo funkcionirati bez ponovnog treniranja. Zna\u010dajne promjene stilskih smjernica ili zahtjeva zahtijevaju novi krug.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Je li fine-tuning dostupan za sve AI modele?<\/strong> Ve\u0107ina vode\u0107ih pru\u017eatelja, uklju\u010duju\u0107i OpenAI i Anthropic, nudi fine-tuning API-je za odre\u0111ene modele. Nije dostupan za sve modele u portfelju, pa je va\u017eno provjeriti koji su modeli podr\u017eani za fine-tuning.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Mo\u017ee li fine-tuning smanjiti tro\u0161ak AI operacija?<\/strong> Da, indirektno. Fine-tuned manji model koji posti\u017ee iste rezultate kao ve\u0107i bazni model na specifi\u010dnom zadatku zna\u010di ni\u017ei tro\u0161ak inferencing-a u produkciji.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Trebamo li vlastiti ML tim za fine-tuning?<\/strong> Vlastiti ML tim ubrzava i pobolj\u0161ava proces, ali nije uvjet. Uz profesionalno vo\u0111enje pri pripremi podataka i evaluaciji, fine-tuning je dostupan i tvrtkama bez internog ML znanja.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>\u0160to je razlika izme\u0111u fine-tuninga i prompt in\u017eenjeringa?<\/strong> Prompt in\u017eenjering mijenja upute koje dajete modelu pri svakom pozivu, a ne sam model. Fine-tuning mijenja samo pona\u0161anje modela trajno. Za mnoge slu\u010dajeve kori\u0161tenja treba krenuti s prompt in\u017eenjeringom jer je br\u017ei i jeftiniji, a fine-tuning razmatrati tek ako nije dovoljan.<\/p>\n\n\n\n<h2 id=\"trebate-li-ai-koji-govori-vasim-glasom\" class=\"wp-block-heading\">Trebate li AI koji govori va\u0161im glasom?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Ako vam je dosljednost tona, formata ili specifi\u010dan industrijski stil kriti\u010dan za automatizaciju sadr\u017eaja ili procesa, na\u0161 tim mo\u017ee procijeniti je li fine-tuning pravi izbor i voditi cijeli proces od pripreme podataka do evaluacije. Pogledajte na\u0161u uslugu <a href=\"\/usluge\/automatizacija-n8n\">automatizacije s n8n<\/a> i <a href=\"\/usluge\/web-aplikacije\">web aplikacija<\/a>, ili nas <a href=\"\/kontakt\">kontaktirajte<\/a> za besplatan kratki audit i konkretnu preporuku.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Veliki jezi\u010dni modeli izvrsni su generi\u010dke zadatke, ali ponekad ni najpa\u017eljivije osmi\u0161ljeni prompt ne uspijeva&#8230;<\/p>\n","protected":false},"author":1,"featured_media":522,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_kad_post_transparent":"","_kad_post_title":"","_kad_post_layout":"","_kad_post_sidebar_id":"","_kad_post_content_style":"","_kad_post_vertical_padding":"","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"_kad_post_classname":"","footnotes":""},"categories":[7],"tags":[],"class_list":["post-521","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-automation"],"_links":{"self":[{"href":"https:\/\/masterymesh.com\/blog\/wp-json\/wp\/v2\/posts\/521","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/masterymesh.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/masterymesh.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/masterymesh.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/masterymesh.com\/blog\/wp-json\/wp\/v2\/comments?post=521"}],"version-history":[{"count":1,"href":"https:\/\/masterymesh.com\/blog\/wp-json\/wp\/v2\/posts\/521\/revisions"}],"predecessor-version":[{"id":523,"href":"https:\/\/masterymesh.com\/blog\/wp-json\/wp\/v2\/posts\/521\/revisions\/523"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/masterymesh.com\/blog\/wp-json\/wp\/v2\/media\/522"}],"wp:attachment":[{"href":"https:\/\/masterymesh.com\/blog\/wp-json\/wp\/v2\/media?parent=521"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/masterymesh.com\/blog\/wp-json\/wp\/v2\/categories?post=521"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/masterymesh.com\/blog\/wp-json\/wp\/v2\/tags?post=521"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}