Glosario

Ajuste fino (fine-tuning)

¿Qué es Ajuste fino (fine-tuning)?

El ajuste fino (fine-tuning) consiste en seguir entrenando un modelo de IA ya preentrenado con datos adicionales, normalmente específicos de una tarea. Se modifican sus pesos internos para que domine con más fiabilidad, por ejemplo, un estilo de redacción, un vocabulario técnico o un formato de salida. Requiere ejemplos bien preparados, capacidad de cálculo y pruebas. Para muchas aplicaciones bastan unas instrucciones bien redactadas y conocimiento conectado, que son más fáciles de cambiar.

Cómo ayuda KI.ordo

KI.ordo no reentrena modelos: adaptas los agentes con instrucciones y tu propio conocimiento, así que los cambios se aplican al momento.

Más información →

Temas

Entrenamiento
Personalización
Modelos de lenguaje

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

Ajuste fino eficiente en parámetros (PEFT)

El Parameter-Efficient Fine-Tuning (PEFT) agrupa técnicas que adaptan un gran modelo preentrenado a una tarea entrenando solo una pequeña parte de sus parámetros o añadiendo unos pocos. Métodos conocidos son LoRA, QLoRA, los adaptadores y el prefix tuning. Esto reduce mucho las necesidades de cálculo y memoria, y para varias tareas puedes guardar pequeños módulos adicionales en lugar de copias completas del modelo. Ejemplo: adaptar un modelo de lenguaje al estilo de los textos técnicos internos.

ajuste fino
entrenamiento
+1

Ajuste por instrucciones (instruction tuning)

El instruction tuning es una forma de ajuste fino en la que un modelo de lenguaje preentrenado se sigue entrenando con muchos pares de instrucción y respuesta deseada. Así el modelo aprende a cumplir tareas formuladas en lenguaje natural en lugar de limitarse a continuar un texto. Es un paso clave para convertir un modelo base en un asistente y suele combinarse con métodos como RLHF. Ejemplo: «Resume este texto en tres frases» se ejecuta de forma fiable.

Ajuste fino
Modelos de lenguaje
+1

Aprendizaje por transferencia

En el aprendizaje por transferencia (transfer learning), un modelo que ya ha aprendido una tarea amplia y general sirve como punto de partida para otra nueva y específica. En lugar de empezar de cero, se adapta, por ejemplo mediante ajuste fino, con relativamente pocos datos propios. Así ahorras cómputo y datos, por ejemplo cuando un modelo de imágenes general debe aprender a detectar defectos de fabricación en fotos.

Machine learning
Entrenamiento
+1

Generación aumentada por recuperación (RAG)

La generación aumentada por recuperación combina búsqueda y generación de texto: antes de responder, el sistema busca en una colección de conocimiento, como manuales, políticas o preguntas frecuentes, los fragmentos relevantes y se los pasa al modelo de lenguaje como contexto. Así la respuesta se apoya en contenido actual y propio de la empresa, no solo en lo aprendido durante el entrenamiento. Esto reduce las afirmaciones inventadas, hace rastreables las fuentes y permite actualizar sin reentrenar.

RAG
búsqueda de conocimiento
+1