Respuesta correcta
- BEntrenar adicionalmente un modelo con datos específicos de un dominio para cambiar su comportamiento permanentemente en una tarea
Explicación
El ajuste fino (fine-tuning) es el proceso de tomar un modelo de lenguaje preentrenado y entrenarlo adicionalmente en un conjunto de datos específico de un dominio para adaptar su comportamiento de forma permanente para una tarea particular. Esto se utiliza en lugar de la ingeniería de prompts cuando la tarea requiere salidas consistentes y especializadas que no se pueden lograr de manera confiable solo mediante instrucciones en los prompts, como clasificar registros médicos o generar documentos legales.
Para profundizar
El ajuste fino continúa entrenando los pesos de un modelo preentrenado en un conjunto de datos curado para que el comportamiento aprendido persista en cada inferencia futura sin necesidad de incluir los ejemplos en el prompt. La ingeniería de prompts, en cambio, da forma a la salida en el momento de la solicitud a través de instrucciones, ejemplos o mensajes del sistema, dejando los pesos intactos. El ajuste fino se adapta a un tono consistente, esquemas de salida estrictos o vocabulario especializado que de otro modo consumiría grandes presupuestos de prompts, y puede reducir la latencia y el costo de los tokens. Una sutileza: el ajuste fino no puede inyectar de forma confiable nuevos conocimientos factuales y puede empeorar la capacidad general si el conjunto de datos es reducido o ruidoso, por lo que la aumentación por recuperación suele ser preferible para cambiar hechos. Un caso realista es un asistente de soporte que siempre debe emitir un esquema de ticket JSON fijo.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.