Glossário · Inteligência Artificial
Fine-tuning
Definição
Fine-tuning é o processo de treinar um pouco mais um modelo de inteligência artificial já pronto, usando um conjunto menor de exemplos específicos, para ajustar seu comportamento a uma tarefa, formato, estilo ou domínio, de forma que o modelo passe a responder daquele jeito sem precisar de instruções longas em cada pedido.
- Ajuste fino
- Afinamento de modelo
- Treinamento adicional
- LoRA
- Cluster
- Inteligência Artificial
- Classificação
- Método
- Nível
- Avançado
O que é fine-tuning?
Fine-tuning, ou ajuste fino, é uma etapa extra de treinamento aplicada a um modelo que já sabe muita coisa. O LLM original aprendeu linguagem e conhecimento geral com enormes volumes de texto. O fine-tuning usa alguns milhares ou até poucas centenas de exemplos para especializar esse modelo.
O resultado é um modelo novo, derivado do original, que responde de um jeito mais previsível em uma tarefa específica. Ele não precisa mais receber instruções longas e exemplos em cada prompt, porque o comportamento passou a fazer parte dele.
Como funciona na prática?
- Definir a tarefa: o que o modelo deve fazer melhor, por exemplo classificar chamados em vinte categorias internas.
- Montar os exemplos: pares de entrada e saída esperada, revisados por quem conhece o processo.
- Treinar: o provedor ou a equipe técnica ajusta o modelo com esses exemplos, muitas vezes com técnicas leves como LoRA.
- Avaliar: comparar o modelo ajustado com o original em um conjunto de testes separado, com evals.
- Manter: repetir o processo quando o modelo base muda ou a tarefa evolui.
A qualidade dos exemplos decide o resultado. Exemplos inconsistentes ensinam inconsistência.
Fine-tuning vs RAG vs prompt: qual a diferença?
| Prompt | RAG | Fine-tuning | |
|---|---|---|---|
| O que muda | A instrução | O contexto da pergunta | O próprio modelo |
| Custo para começar | Baixo | Médio | Mais alto |
| Atualização | Imediata | Trocar documentos | Novo treinamento |
| Melhor para | Quase tudo, primeiro | Conhecimento que muda | Formato, estilo e tarefas estreitas |
Na prática, as três abordagens se combinam. Um sistema pode usar um modelo ajustado, alimentado por RAG e orientado por um bom prompt.
Exemplos
- Uma seguradora ajusta um modelo menor para extrair sempre os mesmos campos de laudos, com formato fixo e custo menor por documento.
- Uma marca ajusta um modelo para escrever descrições de produto no tom de voz da empresa, em grande volume.
- Um banco testa fine-tuning para classificar reclamações e descobre que um prompt com bons exemplos já resolvia, a um custo menor.
Erros comuns
- Usar fine-tuning para ensinar informações que mudam toda semana.
- Treinar com poucos exemplos de baixa qualidade.
- Pular a comparação com uma solução só de prompt.
- Esquecer que o modelo ajustado precisa de manutenção quando o modelo base é atualizado.
Por que importa para líderes e empresas?
Fine-tuning parece o caminho natural para ter uma IA própria, mas raramente é o primeiro passo certo. Para líderes, a pergunta útil é qual problema está sendo resolvido: comportamento, conhecimento ou instrução. Na maioria dos casos, prompt e RAG resolvem antes. Quando o fine-tuning faz sentido, o ativo valioso é o conjunto de exemplos curados, que continua útil quando o modelo muda.
Perguntas frequentes
Quando vale a pena fazer fine-tuning?
Vale quando a empresa precisa de um comportamento consistente que instruções e exemplos no prompt não garantem, como um formato de saída rígido, uma classificação muito específica ou um estilo próprio em grande volume. Também ajuda a usar modelos menores e mais baratos com qualidade parecida à de modelos maiores em uma tarefa estreita.
Fine-tuning ensina fatos novos ao modelo?
Ensina mal. O fine-tuning é bom para mudar comportamento, formato e estilo, mas é uma forma pouco confiável de adicionar conhecimento que muda com frequência, como preços, políticas e documentos internos. Para isso, o RAG costuma funcionar melhor, porque busca a informação atualizada no momento da pergunta e permite citar a fonte.
Qual a diferença entre fine-tuning, RAG e prompt?
O prompt orienta o modelo em cada pedido e é o ajuste mais barato. O RAG entrega documentos relevantes no momento da pergunta, sem mudar o modelo. O fine-tuning muda o próprio modelo com novos exemplos. A ordem usual é tentar primeiro o prompt, depois o RAG e só então o fine-tuning, se ainda for necessário.
O que é LoRA?
LoRA, sigla de Low-Rank Adaptation, é uma técnica de fine-tuning descrita por pesquisadores da Microsoft em 2021. Em vez de ajustar todos os parâmetros do modelo, ela treina um conjunto pequeno de parâmetros adicionais. Isso reduz custo, memória e tempo de treinamento, e tornou o ajuste fino acessível a muito mais empresas.