Entrenar un modelo de inteligencia artificial no es lo mismo que hacerle responder una pregunta. Este proceso se divide en dos fases clave: el entrenamiento, donde el modelo aprende patrones a partir de datos, y la inferencia, donde utiliza esos patrones para producir una salida ante una nueva entrada. La confusión entre estas dos fases puede llevar a malentendidos sobre cómo funcionan los modelos de lenguaje, especialmente cuando se trata de ajustar su comportamiento.
La idea, paso a paso
Durante el entrenamiento, el modelo ajusta sus parámetros internos basándose en un conjunto de datos y un objetivo definido. Por ejemplo, si se quiere que un modelo responda preguntas sobre un tema específico, se le entrena con textos relacionados a ese tema. El proceso implica que el modelo "aprende" a identificar patrones entre las preguntas y las respuestas correctas, y ajusta sus parámetros para minimizar los errores. Este ajuste no ocurre de forma automática durante una conversación habitual; es un proceso que requiere tiempo, recursos y un conjunto de datos bien definido.
Un ejemplo para entenderlo
Una aplicación utiliza un modelo ya entrenado y recibe un manual actualizado dentro de una consulta. Puede emplear esa información al responder sin modificar sus pesos. Si el manual desaparece de la siguiente llamada y no hay otra forma de recuperarlo, no debemos asumir que el modelo conserva esa actualización como conocimiento aprendido de forma permanente.
Qué conviene comprobar
Una vez que el modelo está entrenado, entra en la fase de inferencia. Aquí, el modelo ya no está aprendiendo, sino que está usando los parámetros que ya ajustó para producir una respuesta ante una nueva entrada. Por ejemplo, si un usuario le pregunta algo relacionado con el tema sobre el cual fue entrenado, el modelo busca en su base de conocimientos (que no está actualizándose en tiempo real) una respuesta que se ajuste a la pregunta. Es como si tuvieras un libro de recetas: durante el entrenamiento, aprendes todas las recetas, pero al momento de preparar una comida, simplemente buscas en el índice y seleccionas la receta adecuada.
Un error común es pensar que añadir información nueva a un prompt (como un manual de instrucciones) equivale a reentrenar el modelo. En realidad, esto solo ayuda a la inferencia, ya que el modelo puede usar esa información adicional para construir una respuesta más precisa, sin alterar sus parámetros internos. Esto es especialmente relevante en el uso de datos en contexto o sistemas como RAG (Retrieval-Augmented Generation), donde la información extra se recupera durante la inferencia, pero no se incorpora al modelo como parte de su entrenamiento.
En un ejercicio práctico, si se quiere que un modelo responda preguntas sobre un nuevo protocolo de seguridad, se debe decidir si ese protocolo se entrena como parte del modelo, si se incluye en las instrucciones para que el modelo lo use durante la inferencia, o si se recupera desde una base de datos en tiempo real. Cada opción tiene implicaciones diferentes en términos de precisión, tiempo de respuesta y recursos necesarios.
Añadir un documento al contexto cambia la información de la llamada, no los parámetros del modelo. Que un proveedor conserve conversaciones o las use después en otro proceso de entrenamiento es una política distinta que debe consultarse por separado.
Pruébalo con un caso pequeño
Decide si un cambio debe ir en instrucciones, documentación recuperada o entrenamiento, y justifica.
Para revisar tu ejercicio, distingue qué dato entra, qué resultado esperas y con qué evidencia lo comprobarías. Si aparece una duda, anótala como tal en lugar de completar el dato. El propósito es detectar una decisión concreta que puedas justificar, no obtener una respuesta que solo suene convincente.
Cómo leer el esquema
Entrenar cambia parámetros. Consultar un modelo no lo reentrena por sí solo.
Fuentes
Documentación original utilizada para los conceptos de este artículo.