Decisor: Fine-Tuning ou RAG

Escolha entre prompting, RAG e fine-tuning com um modelo de custo real e um plano em etapas.

Por Os Melhores Prompts

Categoria: Engenharia de IA

O que ele faz

Primeiro classifica a lacuna de qualidade — falta de conhecimento (RAG), falta de comportamento ou formato (fine-tuning), falta de clareza de instrução (prompting) ou falta de capacidade — e só então recomenda, nomeando a segunda opção e a condição que inverteria a decisão. O custo é modelado como custo total de propriedade: construção, serving mensal, cadência de retreino ou reindexação, impacto em latência e quem mantém, com a conta mostrada.

Use quando

• Uma proposta de fine-tuning que ninguém orçou ainda
• RAG que não fecha uma lacuna que só parece ser de conhecimento
• Escolher a abordagem antes de comprometer um trimestre de budget
• Um stakeholder perguntando por que não fazer só fine-tuning

O que você recebe

• Classificação da lacuna baseada nos seus exemplos que falham
• Uma recomendação, a segunda opção e o que inverteria a decisão
• Tabela de custo: build, serving, retreino, latência e responsável
• Um experimento de duas semanas com métrica e limiar de go/no-go
• Checagem de prontidão de dados: volume, labels, split, PII, licença

Como usar

1. Descreva a implementação atual em {{use_case}}.
2. Inventarie os dados em {{data_inventory}}: volume, labels, atualidade, licenciamento, PII.
3. Cole exemplos de falha na íntegra em {{quality_gap}} — é o que distingue lacuna de conhecimento de lacuna de comportamento.
4. Dê números reais em {{volume_and_latency}} para tráfego, SLO de latência e crescimento; sem eles a resposta vira conselho genérico.
5. Declare {{budget_constraints}}, incluindo skills do time e prazo.
6. Rode o experimento de duas semanas antes de financiar a construção completa.

Tags: fine-tuning, rag, llm-architecture, cost-modeling, tco, model-selection, ml-strategy

Preço: 10.00 BRL