Ajuste Fino de Modelos de Lenguaje de Gran Escala (LLMs) de Código Abierto (LLaMA, Mistral, Qwen, etc.)

Introducción a los LLMs de Código Abierto

• ¿Qué son los modelos de peso abierto y por qué son importantes?
• Resumen de LLaMA, Mistral, Qwen y otros modelos de la comunidad.
• Casos de uso para despliegues privados, locales o seguros.

Configuración del Entorno y Herramientas

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

Preparación y Preprocesamiento 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 cargadores de datos (data loaders).

Técnicas de Ajuste Fino

• Ajuste fino completo estándar vs. métodos eficientes en parámetros.
• Aplicación de LoRA y QLoRA para un ajuste 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, generalización y conjuntos de validación.
• Consejos de optimización de 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 local vs. en la nube.

Casos de Estudio y Ejemplos de Uso

• Ejemplos de uso empresarial de LLaMA, Mistral y Qwen.
• Gestión del ajuste fino multilingüe y específico del dominio.
• Discusión: Compensaciones entre modelos abiertos y cerrados.

Resumen y Próximos Pasos