FácilMúltipla escolha

Questão de prática de AI-900

O que é o 'ajuste fino' (fine-tuning) de um modelo de linguagem e quando você deve usá-lo em vez da engenharia de prompt?

Escolha a melhor resposta.

Resposta correta

  • BTreinar ainda mais um modelo com dados específicos de um domínio para alterar seu comportamento permanentemente em uma tarefa

Explicação

O ajuste fino (fine-tuning) é o processo de pegar um modelo de linguagem pré-treinado e treiná-lo adicionalmente em um conjunto de dados específico de um domínio para adaptar seu comportamento permanentemente para uma tarefa específica. Isso é usado em vez da engenharia de prompt quando a tarefa requer saídas consistentes e especializadas que não podem ser alcançadas de forma confiável apenas por instruções de prompt, como classificar registros médicos ou gerar documentos legais.

Por que cada alternativa está certa ou errada

A

Incorreta

O ajuste fino corrige erros nos dados de treinamento base de um modelo

O ajuste fino ajusta os pesos de um modelo pré-treinado usando exemplos específicos de tarefas para moldar seu comportamento e estilo de saída; ele não corrige erros nos dados de treinamento base, o que não é viável nem seu objetivo. É tentador porque ambos envolvem dados de treinamento. O ajuste fino se adapta a uma formatação consistente ou tom de domínio, enquanto a engenharia de prompt se adapta a ajustes comportamentais rápidos e de baixo custo.

B

Correta

Treinar ainda mais um modelo com dados específicos de um domínio para alterar seu comportamento permanentemente em uma tarefa

O ajuste fino realiza treinamento adicional em dados específicos de um domínio, alterando permanentemente os pesos e o comportamento do modelo para uma tarefa. Use-o quando a engenharia de prompt não puder alcançar a consistência ou especialização necessária, e não para ajustes simples de formato ou tom.

C

Incorreta

Ajustar a configuração de temperatura do modelo para produzir resultados mais consistentes

A temperatura é um parâmetro de amostragem em tempo de inferência que controla a aleatoriedade; não altera nenhum peso, portanto não pode ensinar ao modelo um novo comportamento de tarefa. É tentador porque baixar a temperatura gera resultados mais consistentes, o que é a correção certa quando um modelo implantado já realiza a tarefa, mas as respostas variam demais.

D

Incorreta

Selecionar qual modelo pré-treinado do catálogo de modelos do Azure melhor se adapta à sua tarefa

Escolher um modelo pré-treinado do catálogo é a seleção de modelo, não o ajuste fino, que retreina os pesos de um modelo existente em seus próprios dados rotulados. É tentador porque a seleção no catálogo é uma etapa genuína ao iniciar um projeto e nenhum modelo base adequado existe, mas não altera nenhum parâmetro e não adiciona nenhum comportamento específico de tarefa.

Para se aprofundar

O ajuste fino continua treinando os pesos de um modelo pré-treinado em um conjunto de dados curado para que o comportamento aprendido persista em cada inferência futura sem precisar dos exemplos no prompt. A engenharia de prompt, em vez disso, molda a saída no momento da solicitação por meio de instruções, exemplos ou mensagens do sistema, deixando os pesos intactos. O ajuste fino é adequado para tom consistente, esquemas de saída estritos ou vocabulário especializado que, de outra forma, consumiria grandes orçamentos de prompts, e pode reduzir a latência e o custo de tokens. Uma sutileza: o ajuste fino não pode injetar de forma confiável novos conhecimentos factuais e pode piorar a capacidade geral se o conjunto de dados for restrito ou ruidoso, portanto, a geração aumentada por recuperação costuma ser preferível para alterar fatos. Um caso realista é um assistente de suporte que deve sempre emitir um esquema de ticket JSON fixo.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-900 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.