Vídeos complementarios

Elegir entre prompting, RAG y fine-tuning (y cuándo combinarlos) — vídeos complementarios

Esta es una decisión que los equipos toman mal con frecuencia: aplican fine-tuning cuando el problema real es la recuperación o añaden RAG cuando bastaría con mejorar el prompt. El artículo presenta un marco de decisión; estos dos vídeos de IBM Technology muestran el mismo marco en una pizarra y comparan las opciones en paralelo, algo útil para defender la decisión ante un colega escéptico.

Selección principal

13:10

RAG vs Fine-Tuning vs Prompt Engineering: Optimizando modelos de IA

IBM Technology

Es un repaso claro en la pizarra de las tres técnicas y sus costes respectivos —latencia de recuperación, cómputo de entrenamiento, olvido catastrófico y límites de las soluciones basadas únicamente en prompts—, además de las combinaciones que tienen sentido en producción. El ejemplo final de un sistema de IA jurídica que utiliza las tres técnicas coincide casi exactamente con el argumento del artículo sobre cuándo combinarlas.

Qué aprenderás: Elegirás entre prompting, RAG, fine-tuning o una combinación según el modo de fallo real.

Qué ver o saber antes: Conocer el significado general de cada técnica.

Nota de AI Expert: Este es un marco de decisión estable. Úsalo antes de comprar infraestructura o iniciar un proyecto de fine-tuning; la mayoría de las decisiones equivocadas provienen de diagnosticar mal problemas de frescura, atribución, estilo o comportamiento.

Abrir página del vídeo

También merece la pena

8:57

RAG frente a ajuste fino

IBM Technology

Se centra en las dos técnicas que los equipos confunden con mayor frecuencia. Profundiza en la vigencia de los datos, la atribución de fuentes y la ventaja de velocidad durante la inferencia que puede aportar el fine-tuning. Merece la pena verlo si necesitas argumentar contra un proyecto de fine-tuning innecesario.

Qué aprenderás: Explicarás cuándo la recuperación es la solución adecuada y cuándo puede ayudar realmente el fine-tuning.

Qué ver o saber antes: Vocabulario básico de RAG y fine-tuning.

Nota de AI Expert: Resulta útil para conversaciones con las partes interesadas porque separa la vigencia del conocimiento del comportamiento del modelo. Aun así, valida los costes vigentes del fine-tuning, los modelos compatibles y las restricciones de gobernanza de datos antes de comprometerte.

Abrir página del vídeo