Leer un documento y aprender una tarea no son lo mismo
Cuando subes un PDF a un chat para resumirlo, normalmente estás aportando material de consulta, no creando un modelo entrenado para ti. El fine-tuning, o ajuste fino, sí es un proceso de entrenamiento: parte de un modelo existente y modifica parámetros, los valores numéricos que determinan cómo procesa la información, para adaptarlo a una tarea.
Hugging Face lo describe como continuar el entrenamiento con un conjunto de datos específico. No se empieza desde cero. En el ajuste supervisado, los ejemplos muestran una entrada y la respuesta que se considera correcta. Una empresa podría preparar mensajes de clientes junto a su clasificación esperada: devolución, avería o consulta de entrega.
Eso no significa que cada corrección escrita en una conversación cambie esos parámetros. Las instrucciones del chat actúan dentro de su contexto disponible. Otra cuestión es si el proveedor utiliza conversaciones para mejorar sus modelos más adelante: depende de sus condiciones y de tus ajustes de privacidad.
Cuándo necesitas ejemplos y cuándo necesitas fuentes
El ajuste fino encaja con comportamientos que quieres repetir de forma consistente. Por ejemplo, clasificar miles de mensajes usando siempre las mismas categorías. La documentación de Google incluye clasificación y extracción de información entre las tareas apropiadas para el ajuste supervisado.
Si el problema es conocer el precio de hoy o consultar un manual actualizado ayer, conviene empezar por darle acceso a esa fuente. Un sistema de RAG busca los pasajes pertinentes y se los entrega al modelo al responder. Google describe ese recorrido desde la incorporación de documentos hasta la recuperación del fragmento.
Ambas técnicas pueden convivir. Un asistente podría estar ajustado para clasificar consultas y consultar después la política de devoluciones vigente. El entrenamiento determina mejor cómo hace esa tarea, mientras la consulta aporta la información que puede cambiar. Ninguna de las dos cosas garantiza por sí sola que todas las respuestas sean correctas.
La prueba que conviene hacer antes de entrenar
Empieza con una instrucción clara y unos pocos ejemplos dentro del prompt. Guarda un conjunto de casos reales que no uses para enseñar al sistema. Después compara las respuestas con un criterio concreto: cuántas clasificaciones acierta, cuántos campos omite o cuántas veces incumple el formato. Así tendrás una referencia para saber si el ajuste mejora algo.
Revisa también los ejemplos contradictorios. Si dos consultas equivalentes llevan etiquetas distintas por un error de preparación, entrenar más no arregla la definición de la tarea. Corrige el conjunto antes de gastar recursos y conserva casos difíciles para la evaluación.
Si decides ajustar el modelo, repite la misma prueba con los casos reservados y compara el trabajo de revisión que queda. Un resultado vistoso en los ejemplos de entrenamiento no basta para justificar el cambio. Lo útil es que falle menos con mensajes que todavía no ha visto.
La conversación empieza aquí
Accede con una cuenta de apoyo para comentar. Entrar
Todavía no ha comentado nadie. ¿Estrenas tú?