Ajuste fino (fine-tuning)

El ajuste fino toma un modelo que ya pasó por el preentrenamiento y lo sigue entrenando con ejemplos de una tarea concreta: clasificar quejas, redactar con el tono de una marca, extraer datos de contratos o responder en el vocabulario de una especialidad médica. Es una forma de aprendizaje por transferencia: se aprovecha lo aprendido en general y se pule para algo particular.

Técnicamente, el modelo vuelve a ajustar sus parámetros con un conjunto de datos etiquetado, normalmente de cientos a miles de ejemplos de entrada y salida esperada. Ajustar todos los parámetros de un modelo grande es caro, por lo que hoy se usan mucho métodos eficientes como LoRA, que sólo entrenan una pequeña fracción.

¿Cuándo conviene? Cuando necesitas un formato o estilo muy consistente, una tarea repetitiva con muchos ejemplos o reducir costos usando un modelo más pequeño especializado. ¿Cuándo no? Si lo que quieres es que el modelo «sepa» información que cambia (precios, inventario, normas vigentes), suele ser mejor RAG, porque el ajuste fino no garantiza que el modelo recuerde datos con exactitud y habría que repetirlo cada vez que cambien.

Riesgos: con pocos datos, el modelo puede sobreajustarse u olvidar capacidades generales, y un ajuste mal hecho puede debilitar sus salvaguardas de seguridad.