Preguntas frecuentes
El ajuste fino busca modificar el comportamiento, estilo o formato de salida de un modelo preentrenado, en lugar de enseñarle nueva información fáctica. Ayuda al modelo a adoptar un tono específico o a estructurar sus respuestas de manera consistente.
No, la API de ajuste fino de OpenAI no está diseñada para impartir nuevos conocimientos fácticos. Su propósito es influir en el comportamiento y estilo del modelo. Para la recuperación dinámica de conocimientos, la Generación Aumentada por Recuperación (RAG) es la solución más apropiada.
La preparación de datos para la API de ajuste fino de OpenAI requiere seleccionar y formatear meticulosamente cientos, a menudo miles, de conversaciones de ejemplo de alta calidad. Estos datos deben estructurarse en un formato JSONL específico con roles definidos para "system", "user" y "assistant".
La API de ajuste fino de OpenAI es ideal para casos de uso específicos como establecer un tono de marca consistente, garantizar una salida fiable en un formato preciso (por ejemplo, JSON), u optimizar el rendimiento para tareas muy concretas y repetitivas. Se trata de cambiar cómo responde el modelo.
Los modelos de ajuste fino son instantáneas estáticas ligadas a una versión específica del modelo base. Para aprovechar los modelos base más nuevos o incorporar cambios de comportamiento importantes, debes realizar todo el proceso de ajuste fino de nuevo, incluyendo la reformateación de datos y nuevos trabajos de entrenamiento, lo que conlleva mantenimiento y costos continuos.
Los costos ocultos incluyen los significativos salarios de desarrolladores o científicos de datos para la preparación de datos, la gestión del entrenamiento y la evaluación continua. También está el costo de oportunidad de desviar recursos de ingeniería del desarrollo del producto principal y los gastos en infraestructura y herramientas.
