Técnicas de Ajuste Fino de Bajo Coste Computacional (PEFT) para LLMs

Introducción al Ajuste Fino de Bajo Coste Computacional (PEFT)

• Motivación y limitaciones del ajuste fino completo
• Resumen de PEFT: objetivos y beneficios
• Aplicaciones y casos de uso en la industria

LoRA (Adaptación de Bajo Rango)

• Concepto e intuición detrás de LoRA
• Implementación de LoRA utilizando Hugging Face y PyTorch
• Práctica: Ajuste fino de un modelo con LoRA

Adapter Tuning

• Cómo funcionan los módulos de adaptadores
• Integración con modelos basados en transformadores
• Práctica: Aplicación de Adapter Tuning a un modelo de transformador

Prefix Tuning

• Uso de prompts suaves para el ajuste fino
• Fortalezas y limitaciones comparadas con LoRA y adaptadores
• Práctica: Prefix Tuning en una tarea de LLM

Evaluación y Comparación de Métodos PEFT

• Métricas para evaluar el rendimiento y la eficiencia
• Compromisos en velocidad de entrenamiento, uso de memoria y precisión
• Experimentos de referencia e interpretación de resultados

Despliegue de Modelos Ajustados

• Guardado y carga de modelos ajustados
• Consideraciones de despliegue para modelos basados en PEFT
• Integración en aplicaciones y pipelines

Prácticas Óptimas y Extensiones

• Combinación de PEFT con cuantización y destilación
• Uso en entornos de bajos recursos y multilingües
• Direcciones futuras y áreas de investigación activa