El fine-tuning (ajuste fino) consiste en partir de un modelo ya entrenado de forma general y reentrenarlo con un conjunto de datos más reducido y específico, de modo que se especialice en una tarea o dominio concretos. En lugar de entrenar desde cero, se aprovecha el conocimiento previo del modelo base y se adaptan sus parámetros a las necesidades particulares.
Esta técnica importa porque permite obtener modelos especializados con menos datos, menos tiempo y menos coste computacional que un entrenamiento completo. Resulta especialmente útil para:
- Adaptar el lenguaje a un sector (legal, médico, financiero).
- Ajustar el estilo o el tono de las respuestas.
- Mejorar el rendimiento en tareas muy concretas.
Un matiz práctico: existen variantes más ligeras como LoRA o QLoRA, que modifican solo una pequeña parte de los parámetros y reducen aún más los recursos necesarios. Conviene distinguir el fine-tuning de otras alternativas, como el prompt engineering o la RAG, que no alteran los pesos del modelo y a veces bastan para resolver el problema.