Glosario de IA Models & Architecture
¿Qué es la adaptación de dominio en IA?
← Todos los términos del glosarioAjustar un modelo de IA de propósito general para que funcione bien en un campo especializado, como el legal, el sanitario o el asegurador, con su lenguaje y sus reglas.
Explicación
La adaptación de dominio consiste en conseguir que un modelo de propósito general funcione bien en un dominio especializado, como documentos legales, historias clínicas o siniestros de seguros. Los modelos generales saben mucho, pero pueden fallar con el vocabulario, los formatos y las reglas de un sector o de una empresa. Las opciones van desde darle contexto del dominio en cada consulta con generación aumentada por recuperación (RAG), hasta hacer fine-tuning con ejemplos del dominio o seguir su preentrenamiento con mucho texto del sector. Cuál encaja depende de si lo que falta es conocimiento, comportamiento o lenguaje.
Formas de adaptar un modelo
- Recuperación (RAG): el modelo no cambia y recibe documentos relevantes del dominio con cada pregunta. Lo mejor cuando falta conocimiento que cambia o que hay que citar.
- Prompting y ejemplos: instrucciones y unos pocos ejemplos del dominio en el prompt. Rápido de probar, limitado por la ventana de contexto.
- Fine-tuning: seguir entrenando el modelo con ejemplos etiquetados del dominio. Lo mejor cuando falla el formato, el tono o una tarea concreta.
- Preentrenamiento continuado: entrenar con mucho texto del dominio sin etiquetar. Lo mejor cuando el propio lenguaje del sector es ajeno al modelo, y la opción más cara.
Qué dice la investigación
Un estudio conocido encontró que una segunda fase de preentrenamiento con texto del dominio objetivo mejoraba los resultados en tareas de ese dominio, y que preentrenar además con el texto sin etiquetar de la propia tarea ayudaba incluso después de adaptar al dominio. La lección para una empresa es que los datos del dominio valen mucho, pero tienen que ser relevantes y estar limpios.
Con los modelos grandes actuales, la mayoría de empresas empieza por recuperación y prompting, y deja el entrenamiento para los casos en que eso no basta.
Cuándo tiene sentido
- El modelo interpreta mal términos, abreviaturas o formatos de documento del sector.
- Las respuestas deben seguir siempre reglas del dominio o un estilo de la casa.
- Hay suficientes datos buenos del dominio y alguien capaz de juzgar si los resultados son correctos.
- Existe un conjunto de evaluación que demuestre si la adaptación ha servido de verdad.
Preguntas frecuentes
¿Qué es un ejemplo de adaptación de dominio?
Coger un modelo de lenguaje general y adaptarlo para leer siniestros de seguros: aprende el vocabulario de pólizas y coberturas, la estructura de los partes y las reglas de la compañía para clasificarlos. Lo mismo vale para contratos legales, notas clínicas o registros de mantenimiento técnico.
¿La adaptación de dominio es lo mismo que el fine-tuning?
El fine-tuning es una forma de hacerla, pero no la única. La adaptación de dominio es el objetivo; el fine-tuning, el preentrenamiento continuado, la recuperación y el prompting son métodos. Muchos proyectos combinan recuperación para el conocimiento con un fine-tuning ligero para el formato.
¿RAG o fine-tuning para adaptar un modelo a un dominio?
Usa RAG cuando al modelo le faltan datos que cambian o que hay que poder rastrear hasta su fuente. Usa fine-tuning cuando el modelo sabe lo suficiente pero se comporta mal, por ejemplo en formato o estilo. Si dudas, empieza por RAG y prompting, mide y entrena solo si queda un hueco claro.
¿Cuántos datos hacen falta para adaptar un modelo a un dominio?
Depende del método. La recuperación necesita una base documental bien organizada más que datos de entrenamiento. El fine-tuning necesita un conjunto de buenos ejemplos del comportamiento deseado. El preentrenamiento continuado necesita muchísimo más texto del dominio. En todos los casos importa más la calidad que el volumen.
Dónde aparece en Thinkia
Para seguir leyendo
Términos relacionados
Fuentes
- Gururangan et al. · Don't Stop Pretraining: Adapt Language Models to Domains and Tasks (en inglés)
- Ben-David et al. · A theory of learning from different domains (Machine Learning, 2010) (en inglés)
- Wilson and Cook · A Survey of Unsupervised Deep Domain Adaptation (arXiv) (en inglés)
Actualizado: 2026-10-21