Fine-tuning
Ajuste fino
El ajuste fino consiste en seguir entrenando un modelo ya hecho con ejemplos cuidadosamente seleccionados de una tarea o campo. Esto cambia los pesos aprendidos y el comportamiento del modelo.
Otro ejemplo
Un ingeniero de ML revisa 18,000 chats de soporte y los divide por cliente antes de entrenar. El modelo ajustado mejora en un conjunto de prueba separado sin ver sus ejemplos. Poner ejemplos dentro de un prompt no es ajuste fino.
Partes principales
- 01punto de control base
- 02ejemplos de entrenamiento
- 03evaluación retenida
Úsalo cuando
Usa este término cuando los datos de una tarea o campo seleccionado se usan para actualizar los pesos de un modelo.
No lo uses cuando
No elija ajuste fino hasta que entienda los problemas en el aviso, la búsqueda, la calidad de los datos y las pruebas.
Nombre usado en código
pretrained weights + supervised examples → adapted checkpoint Antes de lanzarlo
Check the model and prompt versions, source data, versioned evaluation set, and measures. Verify links to evidence, tool permissions, privacy, common failures, decline-to-answer and fallback behavior, human review, monitoring, cost, speed, and rollback.
Outcome: Complete the task with Ajuste fino (Fine-tuning). User context: Un ingeniero de ML revisa 18,000 chats de soporte y los divide por cliente antes de entrenar. El modelo ajustado mejora en un conjunto de prueba separado sin ver sus ejemplos. Poner ejemplos dentro de un prompt no es ajuste fino. AI method or concept: Ajuste fino (Fine-tuning). Why it fits: Usa este término cuando los datos de una tarea o campo seleccionado se usan para actualizar los pesos de un modelo. Do not use it when: No elija ajuste fino hasta que entienda los problemas en el aviso, la búsqueda, la calidad de los datos y las pruebas. AI requirements: Define the input and source evidence. Set model and tool permissions. Use versioned evaluation data and measures. Define failure, decline-to-answer, privacy, speed, and cost limits. Operational safeguards: Keep a clear trace and hide sensitive log data. Show users a safe fallback. Mark steps that need human review. Define how to roll back the model or prompt. Acceptance criteria: Record baseline and target measures on a versioned evaluation set. Test edge cases and hostile inputs. Verify fallback, monitoring, permissions, and rollback. Evidence and limits (evidence boundary): Ningún estándar oficial único controla todo el término. Su significado puede cambiar según equipos, plataformas o marcos. Unknowns to confirm: Target task, model and version, evaluation owner, source data, risk limit, tool permissions, and production fallback.
Revisa esta petición
Review how Ajuste fino (Fine-tuning) is used now. Definition: El ajuste fino consiste en seguir entrenando un modelo ya hecho con ejemplos cuidadosamente seleccionados de una tarea o campo. Esto cambia los pesos aprendidos y el comportamiento del modelo. Release checks: Check the model and prompt versions, source data, versioned evaluation set, and measures. Verify links to evidence, tool permissions, privacy, common failures, decline-to-answer and fallback behavior, human review, monitoring, cost, speed, and rollback. Before changing code, list the evidence, gaps, severity, and the smallest safe fix.