Ajuste Fino de Modelos de Lenguaje Grande de Código Abierto (LLaMA, Mistral, Qwen, etc.)

Introducción a los LLM 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 implementaciones privadas, en las instalaciones (on-premise) o seguras.

Configuración del entorno y herramientas

• Instalación y configuración de las bibliotecas Transformers, Datasets y PEFT.
• Selección del hardware adecuado 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 frente a métodos eficientes en parámetros.
• Aplicación de LoRA y QLoRA para un ajuste fino eficiente.
• Uso de la API Trainer para experimentación rápida.

Evaluación y optimización de modelos

• Evaluación de modelos ajustados mediante métricas de generación y precisión.
• Gestión del sobreajuste, la generalización y los conjuntos de validación.
• Consejos de ajuste de rendimiento y registro (logging).

Implementación y uso privado

• Guardado y carga de modelos para inferencia.
• Despliegue de modelos ajustados en entornos empresariales seguros.
• Estrategias de implementación en las instalaciones (on-premise) frente a la nube.

Casos de estudio y casos de uso

• Ejemplos de uso empresarial de LLaMA, Mistral y Qwen.
• Gestión del ajuste fino multilingüe y específico de dominios.
• Discusión: compensaciones (trade-offs) entre modelos abiertos y cerrados.

Resumen y próximos pasos