
El fine-tuning, o ajuste fino, es el proceso de tomar un modelo de IA que ya está entrenado y especializarlo con un conjunto más pequeño de ejemplos propios, para que haga mejor una tarea concreta o adopte un estilo determinado.
Es como contratar a alguien con una buena formación general y darle unas semanas de capacitación en tu empresa: no le enseñas a leer y escribir, le enseñas cómo se hacen las cosas aquí.
En esta página
- ¿Qué es el fine-tuning?
- ¿Cómo funciona?
- ¿Cuándo conviene hacer fine-tuning?
- Fine-tuning, prompts o RAG: qué elegir
- Preguntas frecuentes
¿Qué es el fine-tuning?
Entrenar un modelo desde cero, sobre todo un modelo de lenguaje grande, es carísimo. El fine-tuning aprovecha todo lo que el modelo ya sabe y solo ajusta una parte de sus parámetros con tus datos. Es una forma de lo que se llama aprendizaje por transferencia: el conocimiento general se transfiere a una tarea específica.
Así se consiguen modelos que, por ejemplo, responden siempre con el tono de una marca, clasifican los correos de un servicio de atención al cliente o entienden la jerga de un sector.
¿Cómo funciona?
- Se elige un modelo base ya entrenado, abierto o de una empresa que ofrezca ajuste fino.
- Se prepara un dataset con ejemplos de lo que quieres: preguntas con su respuesta ideal, textos con su clasificación, etc. Suelen bastar desde cientos hasta unos miles de ejemplos de buena calidad.
- Se reentrena el modelo con esos ejemplos durante un entrenamiento corto. Sus parámetros cambian un poco para adaptarse.
- Se evalúa con ejemplos nuevos para comprobar que mejoró en la tarea y no empeoró en lo demás.
Existen técnicas como LoRA que ajustan solo una pequeña parte del modelo, lo que lo hace mucho más rápido y barato.
¿Cuándo conviene hacer fine-tuning?
- Cuando necesitas un formato o estilo muy constante que no logras solo con instrucciones.
- Cuando la tarea es muy específica y repetitiva, como clasificar miles de documentos.
- Cuando quieres un modelo más pequeño y barato que haga una sola cosa tan bien como uno grande.
Fine-tuning, prompts o RAG: qué elegir
Antes de ajustar un modelo, conviene probar alternativas más sencillas:
- Buenos prompts: muchas veces basta con dar mejores instrucciones y ejemplos en el prompt. Es lo primero que hay que probar, con técnicas de ingeniería de prompts.
- RAG (darle tus documentos): si lo que necesitas es que la IA conozca información de tu empresa, es mejor conectarla a tus documentos mediante embeddings. La información se puede actualizar sin reentrenar.
- Fine-tuning: cuando lo que quieres cambiar es el comportamiento, el estilo o la especialización del modelo, no solo lo que sabe.
Preguntas frecuentes
¿El fine-tuning le enseña datos nuevos al modelo?
Un poco, pero no es su punto fuerte. Sirve sobre todo para cambiar cómo responde. Para que conozca información actualizada o específica, el RAG suele funcionar mejor y equivocarse menos.
¿ChatGPT pasó por un fine-tuning?
Sí. Después del preentrenamiento, los modelos de ChatGPT se ajustaron con ejemplos de conversaciones y con valoraciones humanas para aprender a seguir instrucciones y responder de forma útil.
¿Se puede hacer fine-tuning sin programar?
Algunas plataformas ofrecen interfaces sencillas para subir tus ejemplos y ajustar un modelo, pero preparar bien los datos y evaluar el resultado sigue requiriendo cierto conocimiento técnico.
