Fine-tuning é o processo de pegar um modelo de IA já treinado e ajustá-lo com um conjunto de exemplos próprios, para que ele se especialize em uma tarefa, um formato ou um estilo específico. Em vez de treinar um modelo do zero (caríssimo), você parte de um modelo pronto e o "afina" com os seus dados.
Fine-tuning vs RAG
É a confusão mais comum. O RAG dá ao modelo acesso a conhecimento externo na hora de responder (bom para fatos que mudam). O fine-tuning muda o comportamento do modelo (bom para estilo, formato e tarefas repetitivas). Na maioria dos casos corporativos, RAG resolve primeiro; fine-tuning entra quando o padrão de resposta precisa ser muito consistente.
Quando vale a pena
Fine-tuning faz sentido quando você tem muitos exemplos de qualidade da tarefa desejada e precisa de consistência ou de reduzir custo por resposta. Não faz sentido para "ensinar fatos" ao modelo, esse é o trabalho do RAG. A regra prática: comece simples (prompt + RAG) e só invista em fine-tuning quando o problema exigir.