Fine-Tuning y Modelos Propios: Cuándo y Cómo
Guía técnica y estratégica de fine-tuning de modelos de lenguaje: cuándo tiene sentido construir un modelo propio vs usar RAG vs prompting avanzado, cómo preparar datos de entrenamiento y cómo evaluar el resultado.
Dirigido a: Ingenieros de ML con base técnica sólida, CTOs evaluando inversión en modelos propietarios, Equipos con casos de uso muy específicos de dominio
Antes de empezar
Python avanzado con experiencia en ML/DL Experiencia práctica con LLMs en producción Haber agotado las opciones de prompting y RAG para el caso de uso
Objetivos
- Evaluar objetivamente si el caso de uso justifica fine-tuning versus alternativas más baratas
- Preparar un dataset de fine-tuning de alta calidad con proceso documentado y reproducible
- Ejecutar fine-tuning en GPU cloud con costes controlados y resultados evaluados
- Desplegar y operar un modelo fine-tuned en producción
Programa
- Cuándo fine-tuning supera a prompting + RAG (y cuándo no)
- Tipos de fine-tuning: instruction tuning, RLHF, DPO, LoRA/QLoRA
- Costes reales de fine-tuning en 2026: GPU hours, datos, iteraciones
- Alternativas: prompt caching, few-shot avanzado, RAG — análisis comparativo
- Qué datos necesitas y cuántos (la regla práctica)
- Formatos de dataset: instruction, chat y preference
- Calidad vs cantidad: cómo evaluar y limpiar datos de entrenamiento
- Data augmentation con LLMs: cómo generar ejemplos sintéticos de calidad
- Taller: preparación de un dataset de 500 ejemplos desde cero
- LoRA y QLoRA: cómo fine-tune con recursos limitados
- Plataformas: OpenAI fine-tuning, Hugging Face, Unsloth, Modal
- Configuración de hiperparámetros: lo que realmente importa
- Monitorización del entrenamiento: overfitting y underfitting en LLMs
- Taller: fine-tuning de un modelo en GPU cloud
- Métricas de evaluación específicas para el caso de uso
- Comparativa A/B: modelo base vs fine-tuned en métricas de negocio
- Cómo saber si el fine-tuning ha valido la pena
- Ciclos de iteración: cuándo y cómo volver a entrenar
- Serving de modelos fine-tuned: vLLM, Ollama, APIs compatibles
- Costes de serving vs API de proveedor: análisis real
- Versionado y gestión del ciclo de vida del modelo
- Cuándo deprecar un modelo fine-tuned y cómo
Cómo solicitar este programa
La ficha es una referencia para preparar tu formación. En el diagnóstico acordamos el nivel del equipo, docente, ejercicios, modalidad, evaluación, calendario y presupuesto. La disponibilidad y la bonificación se confirman en la propuesta.
Consulta cómo funciona la formación y quién dirige Academy.
Entregables
- Framework de decisión make-vs-finetune-vs-prompt documentado para el caso de uso
- Dataset de fine-tuning preparado con al menos 1.000 ejemplos de calidad
- Modelo fine-tuned entrenado y evaluado con métricas objetivas
- Modelo desplegado en producción o staging con API compatible
Solicitar información
*La bonificación depende del crédito FUNDAE disponible.