Fine-tuning

Fine-tuning (ajuste fino) é pegar um modelo de IA já treinado e continuá-lo treinando com um conjunto menor de exemplos do seu próprio domínio: pares de entrada e saída que mostram exatamente como você quer que ele responda. O modelo mantém tudo o que já sabia e incorpora o comportamento dos seus exemplos: tom de voz, formato, vocabulário, decisões de classificação.

É diferente de RAG: o RAG dá conhecimento ao modelo na hora da pergunta (busca documentos e injeta no prompt); o fine-tuning muda o comportamento do próprio modelo. Regra prática: informação que muda com frequência → RAG; estilo, formato e tarefas repetitivas bem definidas → fine-tuning. Provedores como a OpenAI oferecem fine-tuning como serviço na API; modelos abertos podem ser ajustados em infraestrutura de GPU própria ou alugada (Replicate, RunPod).

Os custos: preparar centenas ou milhares de exemplos de qualidade, treinar e avaliar; por isso vale começar com prompt engineering e RAG, e só partir para fine-tuning quando eles não bastarem. Exemplo concreto: uma fintech ajusta um modelo com milhares de mensagens de clientes já classificadas por categoria; o modelo fine-tunado passa a classificar tickets novos no padrão exato da empresa, com prompts curtos e custo menor por chamada.