FácilOpción múltiple

Pregunta de práctica de AI-900

¿Qué es el 'ajuste fino' (fine-tuning) de un modelo de lenguaje y cuándo debe utilizarse en lugar de la ingeniería de prompts?

Elige la mejor respuesta.

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.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

El ajuste fino repara errores en los datos de entrenamiento base de un modelo

El ajuste fino ajusta los pesos de un modelo preentrenado utilizando ejemplos específicos de una tarea para moldear su comportamiento y estilo de salida; no repara errores en los datos de entrenamiento base, lo cual no es factible ni su propósito. Es tentador porque ambos involucran datos de entrenamiento. El ajuste fino se adapta a un formato consistente o tono de dominio, mientras que la ingeniería de prompts se adapta a ajustes de comportamiento rápidos y de bajo costo.

B

Correcta

Entrenar adicionalmente un modelo con datos específicos de un dominio para cambiar su comportamiento permanentemente en una tarea

El ajuste fino realiza un entrenamiento adicional en datos específicos de un dominio, alterando permanentemente los pesos y el comportamiento del modelo para una tarea. Úsalo cuando la ingeniería de prompts no pueda lograr la consistencia o especialización requerida, no para ajustes simples de formato o tono.

C

Incorrecta

Ajustar la configuración de temperatura del modelo para producir resultados más consistentes

La temperatura es un parámetro de muestreo en el momento de la inferencia que controla la aleatoriedad; no altera ningún peso, por lo que no puede enseñar al modelo un nuevo comportamiento de tarea. Tienta porque bajar la temperatura produce resultados más consistentes, lo cual es la solución correcta cuando un modelo desplegado ya realiza la tarea pero las respuestas varían demasiado.

D

Incorrecta

Seleccionar qué modelo preentrenado del catálogo de modelos de Azure se adapta mejor a tu tarea

Elegir un modelo preentrenado del catálogo es selección de modelos, no ajuste fino, el cual reentrena los pesos de un modelo existente con tus propios datos etiquetados. Tienta porque la selección del catálogo es un paso genuino al iniciar un proyecto y no existe un modelo base adecuado, pero no cambia ningún parámetro ni agrega comportamiento específico de la tarea.

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.