Técnicas de Ajuste Fino Eficiente en Parámetros (PEFT) para LLMs

Introducción al Ajuste Fino Eficiente en Parámetros (PEFT)

• Motivación y limitaciones del ajuste fino completo
• Vista general de PEFT: objetivos y beneficios
• Aplicaciones y casos de uso en la industria

LoRA (Low-Rank Adaptation)

• Concepto e intuición detrás de LoRA
• Implementación de LoRA utilizando Hugging Face y PyTorch
• Práctica: Ajuste fino de un modelo con LoRA

Adapter Tuning (Ajuste con Adaptadores)

• Cómo funcionan los módulos de adaptador
• Integración con modelos basados en transformadores
• Práctica: Aplicación de Adapter Tuning a un modelo de transformador

Prefix Tuning (Ajuste de Prefijos)

• Uso de indicaciones suaves (soft prompts) para el ajuste fino
• Fortalezas y limitaciones en comparación con LoRA y adaptadores
• Práctica: Prefix Tuning 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

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

Mejores Prácticas y Extensiones

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