Definición
El fine-tuning, o ajuste fino, es el proceso de entrenar adicionalmente un modelo de IA ya existente con un conjunto de datos específico, para que se adapte mejor a una tarea, un estilo o un dominio. Por ejemplo, ajustar un modelo con ejemplos de clasificaciones o respuestas propias de una industria. Puede mejorar la consistencia del tono y el formato, pero requiere datos de calidad, conocimientos técnicos y mantenimiento. En muchos casos de negocio se obtienen buenos resultados con prompts bien diseñados y RAG, sin necesidad de ajustar el modelo.
¿Qué significa Fine-tuning y cómo funciona?
Piensa en un profesional con formación general que toma un curso especializado para dominar el estilo y los procesos de tu empresa. El fine-tuning, o ajuste fino, es el proceso de entrenar adicionalmente un modelo de IA existente con datos específicos para que mejore en una tarea, estilo o dominio concreto.
Así funciona
- Partes de un modelo de IA ya entrenado.
- Preparas ejemplos de calidad de la tarea deseada.
- Entrenas el modelo con esos ejemplos.
- Evalúas los resultados y repites si es necesario.
No siempre es necesario. Muchas veces un buen prompt o una base de conocimiento conectada resuelven el problema con menos costo y esfuerzo.
Términos relacionados
Preguntas frecuentes
Otras preguntas de los usuarios
¿Qué es Fine-tuning?
Entrenamiento adicional de un modelo con datos propios para especializarlo en una tarea.
¿Qué diferencia hay entre fine-tuning y RAG?
El fine-tuning modifica el modelo con ejemplos para que aprenda un estilo, formato o tarea específica. El RAG no cambia el modelo, sino que le da acceso a información externa en el momento de responder. Para conocimiento que cambia con frecuencia, el RAG suele ser más práctico y fácil de actualizar.
¿Cuándo conviene hacer fine-tuning?
Conviene cuando necesitas un formato o estilo muy específico de forma consistente, tareas repetitivas con muchos ejemplos de calidad, o reducir instrucciones largas en procesos de alto volumen. Requiere datos bien preparados y evaluación cuidadosa. Para la mayoría de las empresas, conviene empezar con prompts y bases de conocimiento.
¿Qué datos se necesitan para el fine-tuning?
Se necesitan ejemplos representativos de entrada y salida deseada, revisados, consistentes y libres de información sensible no autorizada. La calidad importa más que la cantidad. Datos con errores o sesgos se trasladan al modelo, por lo que la preparación y limpieza es una parte crítica del proceso.
