# Fine-tuning de LLM y RAG | Slash Digital Lab, Bogotá Source: https://slash-digital.io/fine-tuning/ Inteligencia artificial RAG cuando el conocimiento debe estar al día y las citas importan. Fine-tuning cuando el estilo, el idioma o una skill estrecha no caben en el contexto. Híbrido cuando ambas cosas son ciertas. - Por defecto RAG - Cuando toca Adapters · LoRA - Regla Evaluación > hype Iniciar un proyecto Ver trabajo real En resumen Slash Digital Lab elige entre fine-tuning de LLM y RAG según tus restricciones, no por receta. Si tus datos cambian a diario, RAG. Si el tono o el formato deben ser tuyos, fine-tuning. Si el cumplimiento exige tener el conocimiento en casa, inferencia local con modelos abiertos. Lee el criterio completo en Fine-tuning vs RAG y cómo elegimos modelos en Cómo elegimos un modelo. Para IA privada en servidores propios: cómo dimensionar tu propio servidor de IA y modelos open-weight en 2026. Qué entregamos ## Qué construimos El camino más barato que cumple la calidad; el resto es lucro de consultores. 01 ### RAG en producción Indexación, re-ranking, citas y evaluación de respuestas con tus documentos reales. 02 ### Fine-tuning con propósito Adapters LoRA para estilo, formato o tareas estrechas; sin quemar dinero en lo que RAG ya resuelve. 03 ### Evaluación honesta Juegos de prueba con tus casos y comparación de coste/calidad entre rutas. 04 ### Privacidad Residencia de datos, inferencia local o VPC cuando el cumplimiento lo exige. Cómo trabajamos ## Cómo decidimos y construimos - ### Restricciones Datos, idiomas, presupuesto y cumplimiento: el marco antes que el modelo. - ### Baseline Probamos el mejor modelo genérico; es la vara contra la que medimos todo. - ### Experimento RAG y/o adapters sobre el baseline con métricas comparables y coste por corrida. - ### Decisión La ruta más barata que cumple la calidad, documentada; si no la hay, lo decimos. Alcance y entregables ## Qué entrega el proyecto - **Análisis de restricciones:** Datos, idioma, coste y cumplimiento, por escrito. - **Baseline:** El mejor modelo genérico evaluado sobre tus casos. - **Experimento:** RAG y adapters con métricas y coste comparables. - **Recomendación:** Ruta elegida con coste estimado y riesgos. - **Implementación:** Pipeline productivo si decides continuar. - **Publicación:** El criterio queda documentado y compartible. Prueba en producción ## El criterio aplicado 30, prompts fijos por evaluación 3, idiomas evaluados 2, rutas comparadas: RAG y adapters 100%, decisiones con evidencia Ver más Peoplesnap ### Del smartphone al mosaico DOOH, sin una sola cabina Peoplesnap es el producto photobooth de Slash Experience: una web app white-label que convierte el móvil del asistente en la activación. QR, selfie, edición con IA (más de 100 parámetros), compartir en redes, impresión y mosaicos en pantallas de evento. Ya en campañas para Mouton Cadet, La French Tech Bordeaux, CEA Marcoule, Denver Pub Crawl, With Agency, We Love Beer y CES Las Vegas 2024. Saber más → Preguntas frecuentes ## Las preguntas que escuchamos a menudo **¿Cuándo NO conviene fine-tuning?** Cuando el problema es conocimiento faltante o cambiante: eso lo resuelve RAG con menos coste y riesgo. **¿Trabajan con modelos abiertos?** Sí, incluida inferencia local con GLM, Qwen, Mistral u otros, cuando el cumplimiento lo pide. **¿Cuánto cuesta un experimento?** Se acota por sprints; el diagnóstico define el tamaño. Escríbenos con tu caso. **¿Mejorarás el resultado en español?** Evaluamos explícitamente el español de tu negocio; es uno de los ejes del lab. **¿Cuándo recomiendan híbrido?** Cuando el estilo debe ser tuyo y el conocimiento cambia a diario: adapters para el tono, RAG para el dato. **¿Qué datos necesitamos para un fine-tuning?** Ejemplos reales de tu caso, revisados por alguien experto y anonimizados cuando contienen datos personales; con tus casos armamos también el juego de pruebas. Antes dejamos por escrito tus restricciones de datos, idioma, presupuesto y cumplimiento, porque muchas veces RAG resuelve el problema con menos coste y riesgo. **¿Nuestros datos tienen que salir de la empresa?** No necesariamente. Si el cumplimiento exige tener el conocimiento en casa, usamos modelos abiertos con inferencia local, en tu VPC o en tu propio hardware. Además, los prompts de clientes nunca se publican: en /insights/ solo publicamos el método y las conclusiones. **¿Qué costos hay después del entrenamiento?** Servir el modelo, por uso o con GPU dedicada, y mantenerlo: cuando el modelo base se retira o cambias de proveedor, toca un nuevo ciclo de entrenamiento y evaluación. Por eso comparamos el coste y la calidad de cada ruta, RAG o adapters, antes de recomendar una.