El fine-tuning (ajuste fino) es el proceso de tomar un modelo de IA preentrenado y reentrenarlo con un conjunto de datos más pequeño y específico para adaptarlo a una tarea, dominio o estilo particular. Es como darle formación especializada a alguien que ya tiene una educación general sólida.
A diferencia de RAG, que añade contexto en el momento de la consulta, el fine-tuning modifica los pesos internos del modelo de forma permanente. Esto es útil cuando necesitas que el modelo cambie su estilo de escritura, aprenda un formato de respuesta específico, o se especialice en una terminología de dominio particular.
Los casos de uso más comunes incluyen: adaptar un modelo al tono de voz de tu marca, entrenarlo para clasificar tickets de soporte según tu categorización interna, hacer que genere respuestas en un formato estructurado específico, o especializarlo en un dominio técnico concreto.
Es importante entender cuándo usar fine-tuning vs. RAG. El fine-tuning es mejor para cambiar cómo se comporta el modelo (estilo, formato, personalidad). RAG es mejor para darle acceso a información específica y actualizada. En muchos casos, la combinación de ambos es la estrategia más potente.
El fine-tuning requiere datos de entrenamiento de calidad (normalmente pares de pregunta-respuesta), acceso a la API del proveedor del modelo y un coste adicional. OpenAI y otros proveedores ofrecen fine-tuning como servicio, pero hay que evaluar si el beneficio justifica la inversión frente a alternativas como prompt engineering avanzado o RAG.