Ajuste fino de modelos de lenguaje grandes (LLMs) de código abierto (LLaMA, Mistral, Qwen, etc.)

Introducción a los LLMs de código abierto

• ¿Qué son los modelos de pesos abiertos y por qué son importantes?
• Resumen de LLaMA, Mistral, Qwen y otros modelos de la comunidad.
• Casos de uso para despliegues privados, in situ o en entornos seguros.

Configuración del entorno y herramientas

• Instalación y configuración de las bibliotecas Transformers, Datasets y PEFT.
• Selección del hardware adecuado para el ajuste fino.
• Carga de modelos preentrenados desde Hugging Face u otros repositorios.

Preparación y procesamiento de datos

• Formatos de conjuntos de datos (ajuste por instrucciones, datos de chat, solo texto).
• Tokenización y gestión de secuencias.
• Creación de conjuntos de datos personalizados y cargas de datos (data loaders).

Técnicas de ajuste fino

• Ajuste fino completo estándar versus métodos eficientes en parámetros.
• Aplicación de LoRA y QLoRA para un ajuste fino eficiente.
• Uso de la API Trainer para experimentación rápida.

Evaluación y optimización del modelo

• Evaluación de modelos ajustados mediante métricas de generación y precisión.
• Gestión del sobreajuste, la generalización y los conjuntos de validación.
• Consejos de optimización del rendimiento y registro de datos (logging).

Despliegue y uso privado

• Guardado y carga de modelos para inferencia.
• Despliegue de modelos ajustados en entornos empresariales seguros.
• Estrategias de despliegue in situ frente a en la nube.

Estudios de caso y casos de uso

• Ejemplos de uso empresarial de LLaMA, Mistral y Qwen.
• Manejo del ajuste fino multilingüe y específico de dominio.
• Debate: Ventajas y desventajas entre modelos abiertos y cerrados.

Resumen y próximos pasos