Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a los Modelos de Lenguaje Pequeños (SLM)
- Resumen de modelos lingüísticos.
- Evolución desde modelos grandes hacia Modelos de Lenguaje Pequeños.
- Arquitectura y diseño de SLM.
- Ventajas y limitaciones de los SLM.
Fundamentos técnicos
- Comprensión de redes neuronales y parámetros.
- Procesos de entrenamiento para SLM.
- Requisitos de datos y optimización del modelo.
- Métricas de evaluación para modelos lingüísticos.
SLM en Procesamiento de Lenguaje Natural (NLP)
- Generación de texto con SLM.
- Traducción e localización de idiomas.
- Análisis de sentimiento y clasificación de texto.
- Respuesta a preguntas y chatbots.
Aplicaciones del mundo real de los SLM
- Aplicaciones móviles: Procesamiento lingüístico en el dispositivo.
- Sistemas embebidos: SLM en dispositivos IoT.
- IA que preserva la privacidad: procesamiento de datos local.
- Computación perimetral (edge computing): SLM en entornos de baja latencia.
Casos de estudio
- Análisis de implementaciones exitosas de SLM.
- Aplicaciones específicas por sector (Salud, Finanzas, etc.).
- Estudio comparativo: SLM frente a modelos grandes en producción.
Direcciones futuras
- Tendencias de investigación en SLM.
- Desafíos en el escalado y despliegue.
- Consideraciones éticas e IA responsable.
- El camino por recorrer: SLM de próxima generación.
Talleres prácticos
- Construcción de un SLM simple para generación de texto.
- Integración de SLM en aplicaciones móviles.
- Ajuste fino (fine-tuning) de SLM para tareas específicas.
- Análisis de rendimiento e interpretabilidad del modelo.
Proyecto final
- Identificación de un espacio de problemas para la aplicación de SLM.
- Diseño e implementación de una solución con SLM.
- Prueba e iteración del modelo.
- Presentación del proyecto y los resultados.
Resumen y próximos pasos
Requerimientos
- Comprensión básica de conceptos de aprendizaje automático (machine learning).
- Familiaridad con la programación en Python.
- Conocimiento de redes neuronales y aprendizaje profundo.
Audiencia
- Científicos de datos.
- Desarrolladores de software.
- Entusiastas de la IA.
14 Horas
