Qué es el fine-tuning
Entrenar un modelo desde cero cuesta millones. El fine-tuning aprovecha un modelo general y lo adapta con cientos o miles de ejemplos propios. El resultado es un modelo que responde de forma más consistente en tu caso de uso.
Cómo funciona
- Preparas ejemplos de entrada y salida ideal (preguntas y respuestas, textos y su clasificación…).
- Entrenas el modelo base con esos ejemplos durante unas pocas rondas.
- El modelo ajusta sus parámetros para reproducir ese comportamiento.
- Evalúas con ejemplos que no ha visto y, si hace falta, repites.
Técnicas como LoRA permiten hacerlo ajustando solo una pequeña parte del modelo, con mucho menos coste.
Ejemplo real
Una empresa quiere que su IA clasifique incidencias de soporte en 25 categorías internas muy específicas. Con prompts, el modelo acierta el 80 %. Tras un fine-tuning con 3.000 incidencias ya clasificadas, sube al 95 % y además responde más rápido y más barato.
Para qué te sirve en tu negocio
Tiene sentido cuando necesitas un formato, un estilo o una clasificación muy consistente y tienes ejemplos de calidad. Si lo que necesitas es que la IA conozca tu información (catálogo, políticas, documentación), casi siempre es mejor RAG: más barato, más fácil de actualizar y sin reentrenar.
Errores comunes
- Usar fine-tuning para «enseñar datos» que cambian: para eso está RAG.
- Entrenar con pocos ejemplos o de mala calidad.
- No probar antes con buenos prompts: muchas veces bastan.
Preguntas frecuentes
¿Qué diferencia hay entre fine-tuning y RAG?
El fine-tuning modifica el modelo; RAG le da información en el momento de responder.
¿Cuántos ejemplos necesito?
Depende de la tarea, pero suele hablarse de cientos a miles de ejemplos de calidad.
¿Se puede hacer fine-tuning de ChatGPT o Claude?
Algunos proveedores lo ofrecen para ciertos modelos a través de su API o plataformas en la nube.