# Дообучение LLM под данные компании: когда оправдано

Canonical: https://www.kt-team.ru/solutions/ai-for-business/ml-fine-tuning

Source: https://www.kt-team.ru/solutions/ai-for-business/ml-fine-tuning

Дообучение моделей (fine-tuning, LoRA) в KT.Team: когда промпта и RAG мало, как готовим датасет и меряем качество до/после, где живёт модель — контур и 152-ФЗ.

## Когда дообучение оправдано — и когда нет

Сначала дешёвый механизм: промпт и RAG. Дообучение (LoRA-адаптеры открытых моделей) включается, когда предел дешёвых механизмов доказан метриками на контрольном наборе рабочих задач.

## Что делаем: датасет, LoRA-адаптеры, метрики

Разбор процесса и evals → датасет из рабочих данных (с обезличиванием) → LoRA-дообучение → замер до/после той же метрикой → передача в эксплуатацию. Улучшение на evals — критерий приёмки.

## Где живёт модель: ваш контур и 152-ФЗ

Открытая модель с адаптером — на ваших мощностях; внешний трафик — через LLM-шлюз с обезличиванием персональных данных. Свежие факты — RAG, дообучение — стиль и доменные навыки.