El rápido avance de los modelos de lenguaje grande (LLMs) ha revolucionado el procesamiento del lenguaje natural (NLP), sin embargo, ajustar estos modelos para aplicaciones específicas de dominio sigue siendo un desafío que consume muchos recursos. Una nueva metodología de ajuste fino es la optimización de la preferencia de razón de probabilidades (ORPO), que unifica el ajuste fino supervisado (SFT) y la alineación en un único objetivo de optimización. Al eludir la tradicional tubería de múltiples etapas del ajuste fino supervisado del modelo base (SFT) y el aprendizaje por refuerzo con retroalimentación humana (RLHF), ORPO logra reducciones significativas en la complejidad computacional mientras mejora el rendimiento. Demostramos la eficacia de ORPO a través de su aplicación al análisis de sentimientos multiclase, una tarea crítica en el modelado de sentimientos con conjuntos de etiquetas diversos y matizados. Usando la plataforma de análisis KNIME como una interfaz accesible y sin código, nuestro enfoque simplifica y agiliza el desarrollo y la implementación del modelo, haciendo que una herramienta avanzada de análisis de sentimientos sea más usable y rentable para las empresas. Los resultados experimentales revelan que el LLM ajustado con ORPO logra una alta precisión con un conjunto de datos clásico y disponible públicamente de aerolíneas, superando los métodos tradicionales de ajuste fino y NLP tanto en precisión como en eficiencia. Este trabajo destaca el potencial transformador de ORPO para simplificar el ajuste fino y permitir soluciones escalables para el análisis de sentimientos y más allá. Al integrar ORPO con KNIME, se muestra la sinergia entre metodologías innovadoras y plataformas amigables para el usuario, avanzando en la accesibilidad de la IA. Las contribuciones se centran en mejorar el análisis de sentimientos neutrales, desarrollar un sistema KLSAS accesible y proporcionar recursos clave para una fácil implementación, todo lo cual promueve el uso práctico y la adopción más amplia de la IA tanto en la investigación como en la industria.