O fine-tuning (ajuste fino) consiste em partir de um modelo já treinado de forma geral e retreiná-lo com um conjunto de dados mais reduzido e específico, de modo a que se especialize numa tarefa ou domínio concretos. Em vez de treinar do zero, aproveita-se o conhecimento prévio do modelo base e adaptam-se os seus parâmetros às necessidades particulares.
Esta técnica é importante porque permite obter modelos especializados com menos dados, menos tempo e menos custo computacional do que um treino completo. É especialmente útil para:
- Adaptar a linguagem a um setor (jurídico, médico, financeiro).
- Ajustar o estilo ou o tom das respostas.
- Melhorar o desempenho em tarefas muito concretas.
Uma nuance prática: existem variantes mais leves como LoRA ou QLoRA, que modificam apenas uma pequena parte dos parâmetros e reduzem ainda mais os recursos necessários. Convém distinguir o fine-tuning de outras alternativas, como o prompt engineering ou a RAG, que não alteram os pesos do modelo e, por vezes, são suficientes para resolver o problema.