El fine-tuning, o ajuste fino, es seguir entrenando un modelo de IA ya hecho con tus propios ejemplos para que se especialice en una tarea. Cambia sus pesos, así que el cambio queda en el modelo: aprende a responder con el tono, el formato o el criterio de esos ejemplos sin que se los repitas en cada prompt.
Una pregunta de la app. Elige una respuesta.
Una tienda quiere que su bot dé precios que cambian cada semana. ¿Qué conviene?
Puede aprender algunos precios, pero no garantiza recordarlos bien. Y cada cambio pide reentrenar.
El dato está a la vista en cada respuesta. Cambia un precio, cambias el archivo, y el modelo queda igual.
Ser más grande o más nuevo no le da tus precios actuales. Sin consultarlos, puede equivocarse o inventarlos.
Partes de un modelo que ya aprendió el idioma y mucho del mundo. Le preparas ejemplos: un pedido y la respuesta ideal, una y otra vez. Al entrenar con ellos, sus pesos se mueven un poco hacia esa forma de responder. El resultado es una versión nueva del modelo, que usas igual que la original.
Muchos LLM pasan por un ajuste fino antes de salir: así aprenden a seguir instrucciones y a contestar como asistente. Técnicas como LoRA dejan fijos los pesos originales y entrenan matrices chicas que se suman al modelo, que sale más barato.
Una tienda quiere un bot. Que salude y sea breve: eso va en el prompt, y se prueba en minutos. Que sepa precios y stock, que cambian cada semana: eso es RAG, el bot busca en la lista vigente antes de responder. Que mantenga mejor el tono de la marca y el formato que lee el sistema de pedidos, cuando el prompt no alcanza: ahí puede ayudar el fine-tuning.
La regla corta: fine-tuning cambia cómo responde; RAG le da datos que no tiene. Se pueden combinar, y casi siempre conviene probar primero con el prompt.
Los pesos no son una base de datos. Si entrenas con tu lista de precios, el modelo puede aprender datos, pero no garantiza recordarlos bien y no se actualiza solo: cada cambio pide reentrenar. Para precios y stock, que el bot consulte la fuente vigente. Con RAG busca por significado en tus documentos y, si cambia un precio, actualizas el archivo y su índice.
El costo incluye preparar y revisar buenos ejemplos, entrenar y usar el modelo ajustado. Los errores de los ejemplos pueden pasar al modelo. Además, no todos los modelos dejan ajustarse, y en algunas plataformas usar el modelo ajustado cuesta más por token que el original. Antes de decidir, haz la cuenta de cuánto cuesta contra un buen prompt.