? medida que organiza??es buscam formas de fazer com que os modelos de linguagem de grande porte (LLMs) funcionem no contexto de seus produtos, dom¨ªnios ou conhecimento organizacional, estamos vendo uma corrida para o fine-tuning de LLMs. Embora o fine-tuning possa ser uma ferramenta poderosa para aumentar a especificidade de tarefas em um caso de uso, em muitos casos ele n?o ¨¦ necess¨¢rio. Um dos erros mais comuns nessa pressa pelo fine-tuning ¨¦ tentar tornar um aplicativo baseado em LLM ciente de conhecimento e fatos espec¨ªficos ou do c¨®digo-base de uma organiza??o. Na grande maioria desses casos, usar uma forma de gera??o aumentada por recupera??o (RAG) oferece uma solu??o melhor e uma rela??o custo-benef¨ªcio mais vantajosa. O fine-tuning requer recursos computacionais consider¨¢veis e expertise, al¨¦m de introduzir desafios ainda maiores relacionados a dados sens¨ªveis e propriet¨¢rios do que a RAG. H¨¢ tamb¨¦m o risco de subajuste (underfitting), quando n?o h¨¢ dados suficientes para o fine-tuning, ou, menos frequentemente, de superajuste (overfitting), quando h¨¢ dados em excesso, o que resulta em um desbalanceamento na especificidade de tarefas que voc¨º precisa. Analise atentamente esses pr¨®s e contras e considere as alternativas antes de se apressar para fazer o fine-tuning de um LLM para o seu caso de uso.
