Ajuste fino de modelos de lenguaje grandes (LLM) 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.
• Visión general de LLaMA, Mistral, Qwen y otros modelos de la comunidad.
• Casos de uso para despliegues privados, on-premise o seguros.

Configuración del entorno y herramientas

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

Preparación y procesamiento de datos

• Formatos de conjuntos de datos (ajuste con instrucciones, datos de chat, solo texto).
• Tokenización y gestión de secuencias.
• Creación de conjuntos de datos personalizados y dataloaders.

Técnicas de ajuste fino

• Ajuste fino completo estándar frente a 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 ajuste de rendimiento y registro (logging).

Despliegue y uso privado

• Guardar y cargar modelos para inferencia.
• Implementar modelos ajustados en entornos empresariales seguros.
• Estrategias de despliegue on-premise frente a la nube.

Casos de estudio y ejemplos de uso

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

Resumen y próximos pasos