> ## 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 > Decida entre fine-tuning, treinamento do zero ou prompt engineering # 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 **Sem treinamento necessário** Use modelos existentes com prompts inteligentes * Resultados instantâneos * Custo zero de treinamento * 0-10 exemplos necessários **Abordagem recomendada** Adapte modelos pré-treinados às suas necessidades * Comportamento consistente * 100-10K exemplos * Horas a dias **Raramente necessário** Construa 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 Você tem exemplos de treinamento? * **Não** → Use Prompt Engineering * **Sim** → Continue para Passo 2 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?) O que é mais importante? * **Velocidade para implantar** → Prompt Engineering * **Comportamento consistente** → Fine-tuning * **Arquitetura nova** → Treinamento do zero ### Comparação Detalhada | Aspecto | Prompt Engineering | Fine-Tuning | Treinamento do Zero | | ------------------------ | ------------------ | ------------------------ | -------------------- | | **Dados Necessários** | 0-10 exemplos | 100-10.000 exemplos | Milhões de exemplos | | **Tempo para Implantar** | Minutos | Horas a dias | Semanas a meses | | **Custo** | \$0 inicial | \$10-1.000 | \$10.000+ | | **Personalização** | Limitada | Alta | Completa | | **Novo Conhecimento** | Não | Sim | Sim | | **Consistência** | Variável | Alta | Alta | | **Manutenção** | Atualizar prompts | Retreinar periodicamente | Treinamento 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 **Quando usar Prompt Engineering:** * Posts de blog * Escrita criativa * Formatos variados * Experimentação **Quando usar Fine-Tuning:** * Consistência de marca * Conteúdo técnico * Otimização SEO * Adesão ao guia de estilo **Quando usar Prompt Engineering:** * Programação geral * Múltiplas linguagens * Aprendizado/prototipagem * Open source **Quando usar Fine-Tuning:** * Padrões da empresa * Frameworks personalizados * Linguagens de domínio * Padrões de segurança **Quando usar Prompt Engineering:** * Formatos padrão * Extração básica * Baixa precisão OK * Tarefas únicas **Quando usar Fine-Tuning:** * Formatos personalizados * Alta precisão * Legal/médico * Necessidades de conformidade ## Métodos de Fine-Tuning **Atualizar todos os parâmetros** Prós: * Máxima precisão Contras: * Precisa de mais memória Melhor para: Sistemas de produção com boas GPUs **Low-Rank Adaptation** Prós: * 90% menos memória * Trocar adaptadores * Treinamento mais rápido Melhor para: Modelos grandes, recursos limitados **LoRA Quantizado** Prós: * Funciona em GPUs de consumidor * Quantização 4-bit Contras: * Precisão ligeiramente menor Melhor para: Experimentação, recursos muito limitados **Treinar apenas prompts** Prós: * Memória mínima * Muito rápido Contras: * Capacidade limitada Melhor para: Few-shot learning, múltiplas tarefas ## Abordagem Progressiva **Comece simples, teste rápido** * Teste o conceito * Colete feedback do usuário * Identifique limitações * Colete dados de treinamento **Melhore com exemplos** * Use exemplos coletados * Melhore consistência * Reduza complexidade do prompt * Valide abordagem **Escale para produção** * Escale com mais dados * Otimize desempenho * Reduza custos de inferência * Implantação em produção **Continue melhorando** * Colete dados de produção * Retreinamento periódico * Teste A/B * Monitoramento de desempenho ## Considerações de Custo **Custo de Treinamento**: \$0 **Inferência**: \$0.01-0.10 por 1K tokens **Melhor para**: Baixo volume, experimentação Estimativa mensal (1M tokens): \$10-100 **Custo de Treinamento**: \$10-1.000 (única vez) **Inferência**: \$0.001-0.01 por 1K tokens **Melhor para**: Alto volume, produção Estimativa mensal (1M tokens): \$1-10 + hospedagem **Custo de Treinamento**: \$10.000-milhões **Inferência**: Variável com base no tamanho **Melhor para**: Criadores de modelos fundamentais Não 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 Rápido** Sempre tente prompt engineering primeiro. Você pode não precisar de treinamento. **Dados de Treinamento Insuficientes** Fine-tuning com 10 exemplos não funcionará. Precisa de pelo menos 100 exemplos de qualidade. **Soluções Super-Engenhosas** Não treine do zero para tarefas padrão. Use modelos pré-treinados. **Ignorar Manutenção** Modelos 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? Experimente seu primeiro modelo Escolha UI, CLI ou API Selecione arquitetura