Contacta con nosotros

Temario del curso

Introducción al Ajuste Fino Eficiente en Parámetros (PEFT)

  • Motivación y limitaciones del ajuste fino completo.
  • Visión general 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.

Ajuste de Adaptadores (Adapter Tuning)

  • Funcionamiento de los módulos adaptadores.
  • Integración con modelos basados en transformadores.
  • Práctica: Aplicación del ajuste de adaptadores a un modelo transformador.

Ajuste de Prefijos (Prefix Tuning)

  • Uso de promps suaves para el ajuste fino.
  • Ventajas y limitaciones en comparación con LoRA y adaptadores.
  • Práctica: Ajuste de prefijos en una tarea de LLM.

Evaluación y comparación de métodos PEFT

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

Despliegue de modelos ajustados fino

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

Mejores prácticas y extensiones

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

Resumen y próximos pasos

Requerimientos

  • Comprensión de los fundamentos del aprendizaje automático.
  • Experiencia trabajando con grandes modelos de lenguaje (LLM).
  • Familiaridad con Python y PyTorch.

Público objetivo

  • Científicos de datos.
  • Ingenieros de IA.
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas