Fine-tuning orientado por intenção: a metáfora do bibliotecário

Hoje eu quero falar com você sobre fine-tuning orientado à intenção. E eu vou explicar esse conceito a partir de uma metáfora: a biblioteca e o bibliotecário.

A biblioteca

Imagina uma biblioteca enorme, muito grande, com milhares e milhares de livros organizados em estantes. Tem conhecimento ali sobre história, ciência, medicina, literatura, matemática, tudo.

Agora, existe um conhecimento que não está disponível nessa biblioteca: o seu.

Aí você imagina que pode simplesmente pegar uma caixa com o seu conhecimento, entrar e encaixar o seu livro ali na prateleira. Pode até ser simples de colocar, mas dá uma bagunça danada. Não é assim que a biblioteca funciona.

Para o seu conteúdo ser incorporado corretamente ao acervo, existe todo um processo técnico: tombamento, catalogação, classificação, indexação, metadados, controle de autoridade.

E quem faz esse processo é o bibliotecário, porque ele sabe como fazer isso. Você entrega o material, explica o que deseja, e ele cuida de tudo, com aquele cuidado meticuloso, para que depois o livro seja encontrável.

Agora pensa assim: a biblioteca é a LLM, e você está tentando colocar o seu conhecimento lá dentro. As técnicas do meio do caminho, quantização, LoRA, QLoRA, hiperparâmetros, learning rate, épocas, checkpoints, validação, talvez você não conheça.

Mas tudo bem. Você não precisa ser o bibliotecário. Basta conhecer o bibliotecário e conversar com ele.

O IT'S FINE é esse bibliotecário

Ele é um framework de fine-tuning orientado por intenção.

Fine-tuning não é novidade nenhuma, viu? A gente usa isso desde 2013, 2014, vindo da visão computacional, que é uma das minhas principais áreas de pesquisa. Aqui no canal mesmo tem vários vídeos antigos em que eu faço fine-tuning para visão computacional.

O que mudou é o contexto. Eu sei que você tem dados na sua empresa, dados pessoais, e gostaria de treinar uma LLM privada, sem que ela suba para a nuvem, sem virar documento externo, rodando localmente para usar a IA a seu favor.

O IT'S FINE é parecido com o Reversa nesse aspecto: você instala no harness e conduz tudo a partir da intenção, conversando. Obviamente ele não faz o treinamento por você, mas prepara toda a codificação, a sua base de dados e tudo que você precisa para treinar ou retreinar uma LLM aberta com os seus dados.

As 11 etapas

1. Intenção. Primeiro a gente precisa definir exatamente o que você quer, ou o que o modelo tem que fazer melhor.
2. Ambiente. Onde o treinamento vai rodar: local, nuvem, Colab, e quais recursos computacionais você tem.
3. Organização dos dados. Aqui tem um ponto importante de privacidade, que eu explico logo abaixo.
4. Escolha do modelo. O próprio framework recomenda o mais indicado para o seu problema. Se você tiver uma placa de vídeo rodando bacana, ele baixa o modelo do Hugging Face e prepara para treinar na sua máquina.
5. A régua e o ponto de partida. Antes de treinar, a gente precisa definir como medir a qualidade e avaliar o modelo original, para ter referência no fim.
6. Congelar o objetivo. Definir antecipadamente o resultado que você quer alcançar e não mudar as regras durante o processo.
7. A receita. A escolha da técnica (LoRA, QLoRA), as configurações do notebook de treinamento e os hiperparâmetros da rede.
8. Ensaio. Um teste pequeno para ver se está tudo funcionando, se o código roda.
9. Treinamento. Local ou na nuvem. Se você não tem placa de vídeo, sem problema: o Google Colab resolve.
10. Avaliação e exportação. Comparar o modelo treinado com o original usando a mesma régua, e preparar o modelo no formato adequado para rodar fora do ambiente de treinamento.
11. Entrega. O modelo especializado no assunto que você queria, com os seus dados e com os registros do que foi produzido.

O guardrail que protege os seus dados

Vale destacar a etapa 3, porque esse detalhe importa para quem tem dado sensível.

Internamente, o IT'S FINE bloqueia o envio dos seus dados locais para a LLM que está conduzindo a conversa.

Se você está rodando o framework dentro do Claude Code, o Fable 5.1 não lê os seus dados, a não ser que você autorize explicitamente num arquivo de configuração.

É o mesmo princípio do Reversa, que é proibido de mexer no código legado até você liberar. E faz todo sentido: o objetivo do fine-tuning local é justamente não mandar nada para fora.

Onde conseguir

O IT'S FINE está disponível para os alunos do livro de fine-tuning. É diferente do Reversa, que é aberto.

O livro tem 124 páginas em nove capítulos, com a parte teórica do fine-tuning, que vem da visão computacional, e a parte prática de conduzir o processo conversando com o harness, seja Claude Code, Codex ou DeepSeek Harness.

E ele foi feito para leigos mesmo. A ideia é que uma pessoa que não consegue programar um fine-tuning em Python, conversando com o Claude Code e usando o framework como guia, consiga produzir todos os códigos necessários para retreinar uma LLM com os próprios dados.

Quem adquire o livro ganha as aulas ao vivo comigo pelo Meet, todas as quartas às 20 horas, duas horas de aula, um capítulo por encontro, além do grupo de WhatsApp dos alunos e do acesso ao framework.

O livro está em physia.com.br/fine, com versão de fundo escuro para ler na tela, fundo branco tradicional e EPUB para Kindle. E você pode baixar o primeiro capítulo de graça para dar uma olhada no sumário antes.