En algún momento de la primera semana de cualquier proyecto con un asistente de IA, alguien pregunta si no convendría hacer fine-tuning de un modelo con el contenido de la empresa. Suena a la opción más seria.
Casi nunca lo es, y la razón se entiende en cuanto se ponen las dos lado a lado. El fine-tuning cambia cómo escribe un modelo. La recuperación cambia lo que puede leer en el momento en que responde. La mayoría de los equipos que hacen la pregunta tienen un problema de lectura.
Responde tres preguntas
Lo decide tu situación, no la técnica. Elige sí o no en cada una.
Fíjate qué pocas veces gana el fine-tuning solo. Necesita datos estables, que nadie pida una fuente y un problema que sea puramente de estilo. Esa combinación existe, pero no se parece a un asistente de soporte ni a un buscador de documentación.
Qué cambia realmente cada uno
La tercera fila es la que cierra casi todas las discusiones. Un asistente que no puede mostrar su fuente no se puede revisar, y uno que no se puede revisar es difícil de poner frente a clientes.
Por qué sale mal hacer fine-tuning con tu centro de ayuda
La idea atrae, y se entiende: entrenar el modelo con todo lo que escribiste para que simplemente conozca tu negocio. Lo que obtienes, en cambio, es una foto fija.
El día que cambia un precio, una política o una función, el modelo queda desactualizado, y nada en la página se lo avisa al lector. Corregirlo implica otra corrida de entrenamiento. Mientras tanto, los datos quedan repartidos en los pesos del modelo, así que no hay un documento que corregir ni un fragmento que mostrar cuando un cliente pregunta de dónde salió una respuesta.
La recuperación mantiene los datos en documentos, que es donde tu equipo ya los mantiene. Cambias el documento y la próxima respuesta cambia con él.
welcomeai.dev¿Qué es RAG? La generación aumentada por recuperación, explicadaDónde el fine-tuning sí vale la pena
Es la herramienta correcta cuando el problema de verdad es la escritura, y nada más lo resolvió: una estructura de salida estricta, un registro del que el modelo se sigue saliendo, una clasificación que tiene que hacer siempre igual.
Antes de entrenar nada, escribe la instrucción que le darías a alguien nuevo en el equipo: el formato, el tono, lo que nunca debe decir. Después pruébala con preguntas reales. Una instrucción clara en un modelo capaz resuelve casi todo lo que la gente intenta arreglar con fine-tuning, y se cambia en un minuto.
Cuando existen los dos problemas, se apilan en un orden claro: recuperación para los datos, instrucciones para la voz, y fine-tuning solo si aun así no se sostiene una forma consistente.
Cómo lo resuelve WelcomeAI
WelcomeAI responde por recuperación. Tus páginas, documentos y pares de pregunta y respuesta se indexan, los mejores fragmentos se le pasan al modelo que responde, y la respuesta los cita. Eliges el modelo que responde en cada base de conocimiento: los modelos más grandes siguen las instrucciones con más precisión y están más dispuestos a decir que el contenido no cubre algo.
Lo que la elección del modelo no cambia es lo que se recuperó. Si el fragmento correcto nunca llegó al modelo, ningún modelo puede responder desde ahí, y por eso conviene leer los fragmentos antes de cambiar de modelo.
welcomeai.devModelos, y cuál usarPreguntas frecuentes
Si lo estás decidiendo esta semana, empieza con recuperación y una instrucción clara, y guarda el fine-tuning para el día en que un problema de formato sobreviva a las dos.
welcomeai.devCómo entrenar un chatbot de IA con tu propio contenido
