Overfitting
Quando um modelo decora os exemplos de treino e falha no mundo real.
Overfitting (sobreajuste) acontece quando um modelo aprende os exemplos de treino bem demais — inclusive os ruídos e casos particulares — e por isso vai mal em dados novos que nunca viu. Ele "decorou" em vez de "generalizar". O sintoma clássico: desempenho ótimo no treino e fraco na vida real.
É um conceito de aprendizado de máquina em geral, mas aparece direto em fine-tuning: ajustar um modelo com poucos exemplos, ou exemplos muito parecidos, faz ele colar naquele padrão e perder flexibilidade. Por que importa: mesmo sem treinar modelos, o conceito é útil como metáfora de análise — uma regra que explica perfeitamente o passado e falha no futuro provavelmente está sobreajustada aos dados que você tinha. Generalizar é o objetivo; decorar é a armadilha.