🌐 [i18n-KO] Translated bonus unit1/fine-tuning.mdx to Korean

[xhaktm00]

What does this PR do?

Translated the fine-tuning.mdx file of the documentation to Korean.
Thank you in advance for your review.

Part of huggingface/transformers#20179

Before reviewing

• Check for missing / redundant translations (번역 누락/중복 검사)
• Grammar Check (맞춤법 검사)
• Review or Add new terms to glossary (용어 확인 및 추가)
• Check Inline TOC (e.g. [[lowercased-header]])
• Check live-preview for gotchas (live-preview로 정상작동 확인)

Who can review? (Initial)

May you please review this PR?
-- @harheem, @nsbg, @Youngdong2, @xhaktm00, @Judy-Choi

Before submitting

• This PR fixes a typo or improves the docs (you can dismiss the other checks if that's the case).
• Did you read the contributor guideline,
  Pull Request section?
• Was this discussed/approved via a Github issue or the forum? Please add a link
  to it if that's the case.
• Did you make sure to update the documentation with your changes? Here are the
  documentation guidelines, and
  here are tips on formatting docstrings.
• Did you write any new necessary tests?

Who can review? (Final)

[harheem]

'What is function calling'에 이어 'Fine-Tune' 문서까지 신속하게 번역해주셔서 감사합니다! ☺️

번역 내용에 대해 몇 가지 피드백을 드립니다. toctree 관련 제안은 꼭 반영해주시고, 나머지는 선택적으로 검토해주세요.

전체적으로 1) 문장을 조금 더 능동적인 표현으로 다듬고, 2) 기술적 배경이 깊지 않은 독자도 쉽게 이해할 수 있도록 하는 데 중점을 두었습니다. 제안드린 내용이 문서의 완성도를 높이는 데 도움이 되면 좋겠습니다.

[harheem]

Suggested change

	1. **모델은 대규모 데이터로 사전 학습(pre-training)** 됩니다. 이 단계의 결과물은 **사전 학습된 모델**입니다. 예를 들어 [google/gemma-2-2b](https://huggingface.co/google/gemma-2-2b)는 **지시문을 따르는 능력이 강하지 않은, 다음 토큰을 예측하는 데 특화된 기본(base) 모델**입니다.
	1. **모델은 대규모 데이터로 사전 학습(pre-training)** 되며, 이 단계를 통해 **사전 학습된 모델**이 만들어집니다. 예를 들어 [google/gemma-2-2b](https://huggingface.co/google/gemma-2-2b)는 단순히 **다음 토큰을 예측하는 데 특화된 기반 모델**로, **지시문을 따르는 능력이 강하지 않은** 상태입니다.

[harheem]

Suggested change

	2. 채팅 환경에서 유용하게 사용되기 위해서는 모델이 **명령어를 따르도록(fine-tuning)** 추가 학습이 필요합니다. 이 단계는 모델 개발자, 오픈소스 커뮤니티, 또는 여러분이 직접 수행할 수 있습니다. 예를 들어 [google/gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it)은 Google의 Gemma 프로젝트 팀이 **지시문 기반 미세 조정(instruction-tuning)** 을 거친 모델입니다.
	2. 모델을 채팅 환경에서 유용하게 사용하려면, 모델이 **명령어를 따르도록(fine-tuning)** 추가 학습이 필요합니다. 이 단계는 모델 개발자, 오픈소스 커뮤니티, 또는 여러분이 직접 수행할 수 있습니다. 예를 들어 [google/gemma-2-2b-it](https://huggingface.co/google/gemma-2-2b-it)은 Google의 Gemma 프로젝트 팀이 **지시문 기반 미세 조정(instruction-tuning)** 을 수행한 모델입니다.

[harheem]

Suggested change

	3. 이후 모델은 개발자의 선호도에 맞게 **조정(alignment)** 될 수 있습니다. 예를 들어 고객 응대용 챗봇 모델은 어떤 상황에서도 고객에게 무례하게 응답하지 않도록 조정되어야 합니다.
	3. 이후 모델은 개발자의 선호도에 맞게 **조정(alignment)** 될 수 있습니다. 예를 들어 고객 응대용 챗봇 모델을 어떤 상황에서도 고객에게 무례하게 응답하지 않도록 조정할 수 있습니다.

[harheem]

Suggested change

	사전 학습된 모델로부터 시작한다면, **명령어 수행, 대화, 함수 호출을 학습하기 위해 훨씬 더 많은 훈련이 필요**합니다.
	만약 사전 학습 모델에서부터 시작한다면, **지시문 이해, 채팅, 함수 호출 기능을 모두 학습시켜야 하므로 훨씬 더 많은 훈련**이 필요합니다.

[harheem]

Suggested change

	이 기법은 모델 내부에 **소량의 새로운 가중치를 어댑터 형태로 삽입해 학습**하도록 합니다. 이를 통해 LoRA 학습은 훨씬 빠르고, 메모리 효율적이며, 수백 MB 수준의 **작고 가벼운 가중치 파일**을 생성하여 저장 및 공유가 용이합니다.
	이 기법은 모델 내부에 **어댑터(adapter)**라 불리는 **소규모의 새로운 가중치 레이어를 추가하여, 이 부분만 집중적으로 학습**시킵니다. 이를 통해 LoRA 학습은 훨씬 빠르고, 메모리 효율적이며, **학습 결과물인 가중치 파일의 크기도 수백 MB 수준으로 작아져** 저장하고 공유하기 편리합니다.

[harheem]

Suggested change

	LoRA는 Transformer의 선형 계층(linear layer)에 **랭크 분해(rank decomposition) 행렬 쌍을 추가**하는 방식으로 동작합니다. 학습 중에 나머지 모델은 “고정(freeze)”하고, 새로 추가된 어댑터의 가중치만 업데이트합니다.
	LoRA는 Transformer의 선형 계층(linear layer)에 **랭크 분해(rank decomposition) 행렬 쌍을 추가**하는 방식으로 동작합니다. 학습 중에 나머지 모델은 "고정(freeze)"하고, 새로 추가된 어댑터의 가중치만 업데이트합니다.

[harheem]

Suggested change

	추론 단계에서는 입력이 어댑터와 기본 모델 모두를 통과하거나, 어댑터 가중치가 기본 모델에 병합되어 사용됩니다. 이 방식은 **추가적인 지연(latency)** 을 발생시키지 않습니다.
	추론 단계에서는 입력이 어댑터와 기본 모델 모두를 통과하거나, 어댑터 가중치가 기본 모델에 병합되어 사용되어 **추가적인 지연 시간(latency)** 없이 모델을 사용할 수 있습니다.

[harheem]

이 부분이 현재 PR에 같이 들어가면 안될 것 같습니다!
What is Function Calling? 이 문서가 merge되고 나서 conflict를 해결하는 방식으로 가야할 것 같아요 ㅎㅎ
번거롭겠지만 삭제 부탁드립니당!

[harheem]

Suggested change

	- local: bonus-unit1/what-is-function-calling
	- local: bonus-unit1/fine-tuning

[harheem]

Suggested change

	title: fine-tuning
	title: Let’s Fine-Tune Your Model for Function-Calling