O fine-tuning, ou ajuste fino, é continuar treinando um modelo de IA já pronto com seus próprios exemplos para que ele se especialize numa tarefa. Muda os pesos, então a mudança fica no modelo: ele aprende a responder com o tom, o formato ou o critério desses exemplos sem você repetir isso em cada prompt.
Uma pergunta do app. Escolha uma resposta.
Uma loja quer que o bot informe preços que mudam toda semana. O que convém?
Pode aprender alguns preços, mas não garante lembrá-los bem. E cada mudança pede retreinar.
O dado fica à vista em cada resposta. Mudou um preço, você troca o arquivo, e o modelo continua igual.
Ser maior ou mais novo não dá a ele seus preços atuais. Sem consultá-los, pode errar ou inventá-los.
Você parte de um modelo que já aprendeu o idioma e muito sobre o mundo. Prepara exemplos para ele: um pedido e a resposta ideal, várias vezes. Ao treinar com eles, os pesos se movem um pouco na direção desse jeito de responder. O resultado é uma versão nova do modelo, que você usa igual à original.
Muitos LLMs passam por um ajuste fino antes de sair: é assim que aprendem a seguir instruções e a responder como assistente. Técnicas como LoRA mantêm fixos os pesos originais e treinam matrizes pequenas somadas ao modelo, o que sai mais barato.
Uma loja quer um bot. Que cumprimente e seja breve: isso vai no prompt, e se testa em minutos. Que saiba preços e estoque, que mudam toda semana: isso é RAG, o bot busca na lista atual antes de responder. Que mantenha melhor o tom da marca e o formato que o sistema de pedidos lê, quando o prompt não dá conta: aí o fine-tuning pode ajudar.
A regra curta: fine-tuning muda como ele responde; RAG dá dados que ele não tem. Dá para combinar, e quase sempre vale testar o prompt primeiro.
Os pesos não são um banco de dados. Se você treina com sua lista de preços, o modelo pode aprender dados, mas não garante lembrá-los bem e não se atualiza sozinho: cada mudança pede retreinar. Para preços e estoque, faça o bot consultar a fonte atual. Com RAG ele busca por significado nos seus documentos e, se um preço muda, você atualiza o arquivo e o índice.
O custo inclui preparar e revisar bons exemplos, treinar e usar o modelo ajustado. Os erros dos exemplos podem passar para o modelo. Além disso, nem todo modelo permite ajuste, e em algumas plataformas usar o modelo ajustado custa mais por token que o original. Antes de decidir, faça a conta de quanto custa contra um bom prompt.