Il fine-tuning efficiente in termini di parametri (PEFT) è un metodo di machine learning per adattare un modello pre-addestrato a un nuovo compito addestrando solo un piccolo insieme di parametri. Invece di aggiornare l'intero modello, i difensori aggiungono componenti leggere o regolano un sottoinsieme limitato di pesi. Questo riduce il calcolo, l'uso di memoria e le esigenze di archiviazione, rendendo l'adattamento pratico per team più piccoli e per distribuzioni edge o offline.
Nella sicurezza informatica, il PEFT è importante perché aiuta le organizzazioni a personalizzare i sistemi di IA per lingue locali, policy e dati sulle minacce senza ricostruire un modello da zero. I team di sicurezza possono usarlo per adattare i rilevatori di phishing, frodi, analisi di malware o triage degli incidenti. La stessa tecnica può anche aiutare gli aggressori a modificare a basso costo modelli aperti per generare esche più convincenti, automatizzare la traduzione o aggirare filtri di contenuto semplici. Per la difesa, i controlli chiave sono la provenienza, il controllo degli accessi ai dati di addestramento e i test per individuare perdita di dati, bias e abuso di prompt o del modello.