En los últimos meses he trabajado en un proyecto donde necesitaba que un modelo generativo respondiera con precisión dentro de un dominio muy específico. El objetivo no era generar texto genérico, sino obtener respuestas coherentes, pertinentes y basadas en contenidos fiables.

En esta charla compartiré lo que he aprendido comparando dos enfoques diferentes: el fine-tuning, donde el modelo se reentrena con un dataset personalizado, y el enfoque RAG (Retrieval-Augmented Generation), que enriquece las respuestas recuperando información desde una base de conocimientos externa.

Hablaremos de:
• Cuándo conviene realizar un fine-tuning y cuándo, en cambio, es mejor optar por un enfoque RAG.
• Una visión general del flujo de trabajo de ambos enfoques: desde la preparación del dataset hasta la infraestructura en la nube y los scripts en Python.
• Cuáles son los costes, las complejidades y las ventajas de cada opción.
• Cómo cambia el control sobre el contenido, la capacidad de actualización y la interpretabilidad de las respuestas.