O que é fine-tuning? Como ajustar um modelo de IA

Modelos de linguagem como os que estão por trás do ChatGPT e do Claude já vêm treinados com uma quantidade enorme de texto. O fine-tuning (ajuste fino) é um treinamento extra, com exemplos específicos, que ensina o modelo a se comportar de um jeito particular: seguir um formato, usar um tom, classificar documentos de uma forma ou executar uma tarefa bem definida.

Resposta rápida

Fine-tuning é ajustar um modelo de IA já treinado com centenas ou milhares de exemplos de entrada e saída desejada. Serve para mudar comportamento, estilo e formato, não para ensinar fatos que mudam com frequência. Para isso, o mais indicado costuma ser RAG.

Como funciona

1. Defina a tarefa: por exemplo, classificar chamados de suporte em categorias.
2. Monte os exemplos: pares de entrada e resposta ideal, revisados por quem conhece o assunto.
3. Treine o ajuste: o modelo aprende o padrão a partir dos exemplos, em uma plataforma do fornecedor ou em infraestrutura própria.
4. Avalie: compare o modelo ajustado com o original em casos que ele não viu no treino.
5. Coloque em uso e monitore: acompanhe a qualidade e refaça o ajuste quando necessário.

Quando vale a pena

• a tarefa é repetitiva e bem definida (classificar, extrair, formatar);
• você precisa de um estilo ou formato muito consistente;
• instruções no prompt não estão resolvendo, mesmo com boas técnicas (veja engenharia de prompt);
• o volume é alto, e um modelo menor ajustado pode sair mais barato e rápido que um modelo grande.

Quando não vale a pena

• para ensinar informações que mudam (preços, políticas, catálogo): use RAG;
• quando você tem poucos exemplos de qualidade;
• quando um bom prompt já resolve;
• quando o problema exige citar fontes e mostrar de onde veio a resposta.

A diferença entre as duas abordagens está explicada em o que é RAG.

Quais dados são necessários

• exemplos reais e variados da tarefa, inclusive casos difíceis;
• respostas revisadas por especialistas, porque o modelo copia os erros dos exemplos;
• separação entre dados de treino e dados de teste;
• cuidado com dados pessoais: anonimize sempre que possível e siga a LGPD.

Custos e cuidados

• o custo vem da preparação dos dados, do treinamento e da avaliação, não só do processamento;
• cada nova versão do modelo base pode exigir refazer o ajuste;
• um modelo ajustado pode piorar em tarefas fora daquela para a qual foi treinado;
• é preciso saber onde os dados de treino ficam armazenados e quem tem acesso.

Perguntas frequentes

Fine-tuning é o mesmo que treinar uma IA do zero?

Não. Treinar do zero exige quantidades enormes de dados e computação. O fine-tuning parte de um modelo pronto e só ajusta o comportamento.

Quantos exemplos preciso?

Depende da tarefa e do modelo. Para ajustes simples de formato, algumas centenas de bons exemplos podem bastar; tarefas complexas pedem mais.

Fine-tuning faz a IA parar de inventar respostas?

Não por si só. Para respostas baseadas em documentos da empresa, RAG com citação das fontes é mais eficaz.

Posso fazer fine-tuning em qualquer modelo?

Nem todo modelo permite. Alguns fornecedores oferecem ajuste para modelos específicos, e modelos abertos podem ser ajustados em infraestrutura própria.

Para entender a base de tudo isso, veja o que é um LLM.

Conclusão

Fine-tuning é uma ferramenta poderosa para ensinar comportamento a um modelo, mas não é o primeiro passo para a maioria das empresas. Comece por um bom prompt, use RAG para conhecimento e reserve o ajuste fino para tarefas repetitivas de alto volume.