<h2>Fine-Tuning: Quando e Por Que</h2>
<p>Fine-tuning adapta um modelo pré-treinado para tarefas específicas usando seus próprios dados. Use quando: prompting sozinho não alcança a qualidade necessária, você precisa de formato de output muito específico e consistente, ou o modelo precisa incorporar conhecimento de domínio que não está nos dados de treinamento. Não use quando: poucos exemplos são suficientes (few-shot funciona), os dados de treinamento são insuficientes (<100 exemplos), ou prompt engineering resolve o problema.</p>
<h2>Preparação de Dados</h2>
<p>A qualidade do fine-tuning depende diretamente dos dados. Formato padrão: JSONL com pares de messages (system, user, assistant). Mínimo recomendado: 50-100 exemplos de alta qualidade para classificação, 200+ para geração de texto. Diversifique os exemplos para cobrir edge cases. Inclua exemplos negativos (o que NÃO fazer). Divida em 80% treino e 20% validação. Use ferramentas como Argilla ou Label Studio para anotação eficiente. Qualidade > quantidade — 100 exemplos perfeitos superam 1000 medíocres.</p>
<h2>Fine-Tuning na Prática com OpenAI e Hugging Face</h2>
<p>OpenAI: upload do dataset via API, configure hyperparâmetros (epochs, learning rate multiplier, batch size), e inicie o job. O modelo fine-tuned fica acessível via API como qualquer outro modelo. Custo: treino + uso por token. Hugging Face + PEFT: para modelos open-source, use LoRA (Low-Rank Adaptation) que treina apenas uma fração dos parâmetros — reduz custo de GPU em 90%. Ferramentas como Unsloth aceleram o processo e suportam quantização para rodar em GPUs menores.</p>
<h2>Avaliação e Iteração</h2>
<p>Compare: output do modelo base vs fine-tuned nos mesmos inputs. Use métricas automáticas (BLEU, ROUGE para texto, accuracy para classificação) E avaliação humana — métricas automáticas não capturam nuances. A/B test em produção: roteie uma porcentagem de requests para o modelo fine-tuned e compare. Se o fine-tuning degradar performance em tarefas gerais, considere usar routing: modelo base para tarefas gerais, fine-tuned para a tarefa específica. Retreine periodicamente conforme seus dados evoluem.</p>