Fine-tuning

Fine-tuning é categoria técnica com implicações dogmáticas relevantes para responsabilidade, proteção de dados, e governança de IA.

(i) Pipeline técnico: fine-tuning típico envolve (a) modelo base — pré-treinado em corpus massivo (Llama 3, Mistral, GPT-3.5/4, Gemini); (b) dataset específico — exemplos do domínio (centenas a milhões); (c) infraestrutura computacional — GPUs (NVIDIA H100, A100); (d) hyperparameters — learning rate, batch size, épocas; (e) avaliação — benchmarks específicos do domínio; (f) deployment — disponibilização via API ou on-premises.

(ii) Fine-tuning para uso criminoso — preocupação: vetor de risco crescente. Modelos abertos (Llama, Mistral, Qwen) podem ser fine-tuned para remover safety guardrails — criação de "uncensored models" via datasets adversariais. Comunidade técnica documenta dezenas de modelos disponíveis em Hugging Face e correlatos. Aplicações criminosas potenciais — geração de desinformação personalizada, phishing em escala, CSAM sintético, instruções para fabricação de armas, código malicioso. Caso paradigmático — WormGPT (2023, posteriormente desativado) — variante de GPT-J fine-tuned para fraude.

(iii) Tipificação aplicável: zona em construção. Fine-tuning per se não é crime. Mas pode incidir em concurso quando (a) gera CSAM sintético — ECA arts. 240, 241; (b) instrumentaliza fraude em escala — art. 171 do CP; (c) opera em organização criminosa — Lei 12.850/2013; (d) viola direitos autorais em datasets sem autorização — Lei 9.610/1998; (e) dirige-se a menores manipulativamente — ECA Digital. Construção dogmática brasileira é incipiente.

(iv) Fine-tuning e LGPD — dados de treinamento: implicações estruturais. Datasets de fine-tuning frequentemente contêm dados pessoais — comunicações, documentos, conteúdo de redes sociais. Tratamento exige (a) base legal adequada sob LGPD; (b) finalidade específica; (c) limitação de retenção após treinamento; (d) direito de oposição dos titulares; (e) consideração sobre memorization — modelos podem reproduzir dados de treinamento literalmente em casos específicos. AI Act europeu (Regulamento UE 2024/1689) endereça em arts. 10 e 53.

(v) Fine-tuning forense — emergente: aplicação positiva. Modelos podem ser fine-tuned em bases jurídicas brasileiras específicas — jurisprudência STF/STJ, doutrina brasileira, processos anonimizados — para uso em (a) defesa técnica; (b) pesquisa acadêmica; (c) suporte a órgãos públicos. Resolução CNJ 615/2025 estabelece parâmetros para uso de IA pelo Judiciário, incluindo modelos fine-tuned.

(vi) Memorization e leakage: zona técnica preocupante. Pesquisa documenta que LLMs podem memorizar e reproduzir literalmente dados de treinamento em prompts específicos (Carlini et al., 2021, 2023). Fine-tuning sobre dados sensíveis cria risco específico — modelo pode vazar trechos de treinamento.

Mitigações incluem (a) differential privacy durante treinamento; (b) deduplicação de datasets; (c) adversarial training contra extração; (d) avaliação de memorization pré-deployment.

(vii) Fine-tuning vs. RAG — escolha arquitetural: trade-offs. Fine-tuning é preferível quando (a) necessidade de internalização profunda de domínio; (b) estilo organizacional consistente; (c) latência crítica; (d) disponibilidade offline. RAG é preferível quando (a) base de conhecimento atualiza frequentemente; (b) rastreabilidade essencial; (c) proteção de dados exige separação entre modelo e dados; (d) economia de recursos computacionais. Combinação fine-tuning + RAG é frequente em aplicações jurídicas de ponta.

(viii) Open weights vs. closed weights: tensão estrutural. Modelos com open weights (Llama, Mistral, Qwen, DeepSeek) permitem fine-tuning livre, com diferentes licenças sobre uso comercial. Closed weights (GPT, Claude, Gemini) só permitem fine-tuning via APIs do provedor, com políticas de uso restritivas. Debate regulatório sobre risco-benefício de open weights — argumentos pro (inovação, descentralização, transparência) vs. contra (uso criminoso, perda de controle, supply chain risk).

(ix) Direitos autorais em datasets: zona litigiosa. NYT v. OpenAI (2023-) e dezenas de ações análogas globalmente questionam uso de obras protegidas em datasets sem autorização. Decisões iniciais variadas — algumas aceitando uso transformativo (fair use no contexto americano), outras rejeitando. Implicações para fine-tuning são análogas. Brasil — Lei 9.610/1998 não tem doutrina consolidada de fair use, com regime mais restritivo.

(x) Implicações dogmáticas: fine-tuning é categoria técnica de relevância crescente em aplicações brasileiras, com implicações sobre (a) responsabilidade penal em casos de fine-tuning para uso criminoso; (b) proteção de dados sob LGPD em datasets sensíveis; (c) direitos autorais em uso de obras protegidas; (d) governança de IA em organizações com modelos próprios; (e) sigilo profissional em fine-tuning de bases sensíveis; (f) responsabilidade civil por falhas em modelos fine-tuned com prejuízo a terceiros. Categoria de fronteira regulatória contemporânea relevante.