Fine-tuning (ajuste fino) é como 'especializar' um modelo de IA generalista. Em vez de treinar do zero — o que exigiria bilhões de exemplos e enorme poder computacional — você parte de um modelo já treinado e o expõe a exemplos do domínio específico que te interessa. O modelo atualiza seus parâmetros para ser melhor naquele contexto.
Por exemplo: um hospital pode fazer fine-tuning de um LLM com prontuários médicos anonimizados, tornando-o muito mais preciso em terminologia clínica. Uma empresa de atendimento pode ajustar um modelo com históricos de suporte, fazendo-o responder no tom e com o vocabulário da sua marca.
Com técnicas modernas como LoRA e QLoRA, o fine-tuning ficou muito mais acessível — é possível ajustar modelos poderosos em uma GPU doméstica. Mas em muitos casos, um bom prompt com exemplos (few-shot) resolve o problema sem precisar de fine-tuning. A escolha depende do volume de dados, da consistência necessária e do custo de cada abordagem.