Pular para o conteúdo principal

Documentation Index

Fetch the complete documentation index at: https://docs.monostate.ai/llms.txt

Use this file to discover all available pages before exploring further.

​
Escolhendo Sua Abordagem de Treinamento

Nem todo problema de IA precisa da mesma solução. Às vezes você precisa de treinamento completo, às vezes apenas fine-tuning, e às vezes nenhum treinamento.

​
As Três Abordagens

Prompt Engineering

Sem treinamento necessárioUse modelos existentes com prompts inteligentes
  • Resultados instantâneos
  • Custo zero de treinamento
  • 0-10 exemplos necessários

Fine-Tuning

Abordagem recomendadaAdapte modelos pré-treinados às suas necessidades
  • Comportamento consistente
  • 100-10K exemplos
  • Horas a dias

Treinamento do Zero

Raramente necessárioConstrua modelos completamente novos
  • Controle total
  • Milhões de exemplos
  • Muito caro

​
1. Prompt Engineering (Sem Treinamento)

Use modelos existentes com prompts cuidadosamente elaborados. O que é: Escrever instruções que fazem o modelo fazer o que você quer sem nenhum treinamento. Exemplo: 
You are a customer service agent for TechCorp.
Always be polite and helpful.
Product return policy: 30 days with receipt.

Customer: Can I return my laptop?
Quando usar:
  • Testar ideias rapidamente
  • Poucos exemplos disponíveis
  • Tarefa está dentro das capacidades do modelo
  • Restrições de orçamento/tempo
Prós:
  • Tempo zero de treinamento
  • Sem dados de treinamento necessários
  • Resultados instantâneos
  • Grátis para tentar
Contras:
  • Personalização limitada
  • Resultados inconsistentes
  • Não pode adicionar novo conhecimento
  • Custo de inferência maior

​
2. Fine-Tuning (Recomendado)

Adapte um modelo pré-treinado às suas necessidades específicas. O que é: Pegar um modelo que já entende linguagem/imagens e ensinar sua tarefa específica. Quando usar:
  • Tem centenas a milhares de exemplos
  • Precisa de comportamento consistente
  • Quer adicionar conhecimento de domínio
  • Construindo sistemas de produção
Prós:
  • Mais rápido que treinamento do zero
  • Precisa de menos dados
  • Melhor desempenho que prompting
  • Custo de inferência menor que prompting
Contras:
  • Requer dados de treinamento
  • Precisa de recursos de computação
  • Leva tempo para treinar
  • Pode fazer overfitting em datasets pequenos

​
3. Treinamento do Zero

Construa um modelo completamente novo. O que é: Começar com pesos aleatórios e treinar em datasets massivos. Quando usar:
  • Criando modelos fundamentais
  • Arquiteturas completamente novas
  • Dados e computação ilimitados
  • Propósitos de pesquisa
Prós:
  • Controle total
  • Pode criar capacidades novas
  • Sem vieses herdados
Contras:
  • Precisa de dados massivos (milhões de exemplos)
  • Extremamente caro
  • Leva semanas a meses
  • Geralmente desnecessário

​
Framework de Decisão

​
Guia de Decisão Rápida

1

Verifique seus dados

Você tem exemplos de treinamento?
  • Não → Use Prompt Engineering
  • Sim → Continue para Passo 2
2

Conte seus exemplos

Quantos exemplos você tem?
  • Menos de 100 → Use Prompt Engineering
  • 100-10.000 → Perfeito para Fine-tuning
  • Milhões → Poderia treinar do zero (mas por quê?)
3

Avalie suas necessidades

O que é mais importante?
  • Velocidade para implantar → Prompt Engineering
  • Comportamento consistente → Fine-tuning
  • Arquitetura nova → Treinamento do zero

​
Comparação Detalhada

AspectoPrompt EngineeringFine-TuningTreinamento do Zero
Dados Necessários0-10 exemplos100-10.000 exemplosMilhões de exemplos
Tempo para ImplantarMinutosHoras a diasSemanas a meses
Custo$0 inicial$10-1.000$10.000+
PersonalizaçãoLimitadaAltaCompleta
Novo ConhecimentoNãoSimSim
ConsistênciaVariávelAltaAlta
ManutençãoAtualizar promptsRetreinar periodicamenteTreinamento contínuo

​
Abordagem por Caso de Uso

Quando usar Prompt Engineering:
  • FAQs gerais
  • Roteamento simples
  • Baixo volume
  • Fase de teste
Quando usar Fine-Tuning:
  • Conhecimento da empresa
  • Voz da marca
  • Alto volume
  • Produtos complexos

​
Métodos de Fine-Tuning

Fine-Tuning Padrão

Atualizar todos os parâmetrosPrós:
  • Máxima precisão
Contras:
  • Precisa de mais memória
Melhor para: Sistemas de produção com boas GPUs

LoRA

Low-Rank AdaptationPrós:
  • 90% menos memória
  • Trocar adaptadores
  • Treinamento mais rápido
Melhor para: Modelos grandes, recursos limitados

QLoRA

LoRA QuantizadoPrós:
  • Funciona em GPUs de consumidor
  • Quantização 4-bit
Contras:
  • Precisão ligeiramente menor
Melhor para: Experimentação, recursos muito limitados

Prompt/Prefix Tuning

Treinar apenas promptsPrós:
  • Memória mínima
  • Muito rápido
Contras:
  • Capacidade limitada
Melhor para: Few-shot learning, múltiplas tarefas

​
Abordagem Progressiva

1

Estágio 1: Prompt Engineering

Comece simples, teste rápido
  • Teste o conceito
  • Colete feedback do usuário
  • Identifique limitações
  • Colete dados de treinamento
2

Estágio 2: Few-Shot Fine-Tuning

Melhore com exemplos
  • Use exemplos coletados
  • Melhore consistência
  • Reduza complexidade do prompt
  • Valide abordagem
3

Estágio 3: Fine-Tuning Completo

Escale para produção
  • Escale com mais dados
  • Otimize desempenho
  • Reduza custos de inferência
  • Implantação em produção
4

Estágio 4: Melhoria Contínua

Continue melhorando
  • Colete dados de produção
  • Retreinamento periódico
  • Teste A/B
  • Monitoramento de desempenho

​
Considerações de Custo

Custo de Treinamento: $0Inferência: $0.01-0.10 por 1K tokensMelhor para: Baixo volume, experimentaçãoEstimativa mensal (1M tokens): $10-100
Custo de Treinamento: $10-1.000 (única vez)Inferência: $0.001-0.01 por 1K tokensMelhor para: Alto volume, produçãoEstimativa mensal (1M tokens): $1-10 + hospedagem
Custo de Treinamento: $10.000-milhõesInferência: Variável com base no tamanhoMelhor para: Criadores de modelos fundamentaisNão recomendado a menos que você seja OpenAI/Google

​
Requisitos de Dados

​
Prompt Engineering

  • Mínimo: Zero-shot (sem exemplos)
  • Melhor: Few-shot (3-5 exemplos)
  • Ótimo: Many-shot (10+ exemplos no contexto)

​
Fine-Tuning

  • Mínimo: 50-100 exemplos
  • Melhor: 500-1.000 exemplos
  • Ótimo: 5.000+ exemplos

​
Treinamento do Zero

  • Mínimo: 1M+ exemplos
  • Melhor: 100M+ exemplos
  • Ótimo: Bilhões de exemplos

​
Trade-offs Qualidade vs Quantidade

​
Alta Qualidade, Baixa Quantidade

→ Fine-tune com curadoria cuidadosa de dados
  • Exemplos selecionados manualmente
  • Anotações de especialistas
  • Aumento de dados

​
Baixa Qualidade, Alta Quantidade

→ Use modelos maiores com filtragem
  • Limpeza automatizada
  • Filtragem estatística
  • Métodos de ensemble

​
Qualidade Mista

→ Abordagem de filtragem progressiva
  • Comece com todos os dados
  • Identifique indicadores de qualidade
  • Pondere por qualidade

​
Erros Comuns a Evitar

Pular para Treinamento Muito RápidoSempre tente prompt engineering primeiro. Você pode não precisar de treinamento.
Dados de Treinamento InsuficientesFine-tuning com 10 exemplos não funcionará. Precisa de pelo menos 100 exemplos de qualidade.
Soluções Super-EngenhosasNão treine do zero para tarefas padrão. Use modelos pré-treinados.
Ignorar ManutençãoModelos precisam de atualizações. Planeje retreinamento desde o primeiro dia.

​
Abordagens Híbridas

​
RAG (Retrieval Augmented Generation)

Combine prompting com conhecimento externo. Use quando:
  • Precisa de conhecimento atualizável
  • Não pode fazer fine-tuning frequentemente
  • Tem dados estruturados

​
Métodos de Ensemble

Combine múltiplas abordagens. Exemplo:
  • Prompt para criatividade
  • Modelo fine-tunado para precisão
  • Vote/combine saídas

​
Chain of Thought + Fine-Tuning

Fine-tune em passos de raciocínio. Use quando:
  • Precisa de saídas explicáveis
  • Tarefas de raciocínio complexas
  • Aplicações educacionais

​
Tomando a Decisão

​
Perguntas a Fazer

  1. Qual é meu orçamento?
    • Baixo → Prompt engineering
    • Médio → Fine-tuning
    • Alto → Considere todas as opções
  2. Quantos dados eu tenho?
    • Menos de 100 exemplos → Prompt engineering
    • 100-10K → Fine-tuning
    • Mais de 1M → Poderia treinar do zero
  3. Quão única é minha tarefa?
    • Comum → Prompt engineering
    • Especializada → Fine-tuning
    • Nova → Treinamento do zero
  4. Que precisão eu preciso?
    • Aceitável → Prompt engineering
    • Alta → Fine-tuning
    • Perfeita → Múltiplas iterações
  5. Quão rápido preciso de resultados?
    • Hoje → Prompt engineering
    • Esta semana → Fine-tuning
    • Este trimestre → Qualquer abordagem

​
Próximos Passos

Pronto para começar a treinar?

Início Rápido

Experimente seu primeiro modelo

Escolha Interface

Escolha UI, CLI ou API

Tipos de Modelos

Selecione arquitetura