Introducción a los Modelos de Lenguaje Grande (LLM)

Introducción

• ¿Qué son los Modelos de Lenguaje Grande (LLM)?
• LLM frente a modelos tradicionales de NLP
• Visión general de las características y arquitectura de los LLM
• Desafíos y limitaciones de los LLM

Comprensión de los LLM

• El ciclo de vida de un LLM
• Cómo funcionan los LLM
• Los componentes principales de un LLM: codificador, decodificador, atención, embebedidos, etc.

Primeros pasos

• Configuración del entorno de desarrollo
• Instalación de un LLM como herramienta de desarrollo, por ejemplo, Google Colab o Hugging Face

Trabajo con LLM

• Exploración de las opciones de LLM disponibles
• Creación y uso de un LLM
• Ajuste fino (fine-tuning) de un LLM en un conjunto de datos personalizado

Resumización de textos

• Comprensión de la tarea de resumización de textos y sus aplicaciones
• Uso de un LLM para la resumización extractiva y abstractiva de textos
• Evaluación de la calidad de los resúmenes generados mediante métricas como ROUGE, BLEU, etc.

Respuesta a preguntas

• Comprensión de la tarea de respuesta a preguntas y sus aplicaciones
• Uso de un LLM para la respuesta a preguntas en dominios abiertos (open-domain) y cerrados (closed-domain)
• Evaluación de la precisión de las respuestas generadas mediante métricas como F1, EM, etc.

Generación de texto

• Comprensión de la tarea de generación de texto y sus aplicaciones
• Uso de un LLM para la generación de texto condicional e incondicional
• Control del estilo, tono y contenido de los textos generados mediante parámetros como temperatura, top-k, top-p, etc.

Integración de LLM con otros marcos y plataformas

• Uso de LLM junto con PyTorch o TensorFlow
• Uso de LLM junto con Flask o Streamlit
• Uso de LLM en Google Cloud o AWS

Resolución de problemas

• Comprensión de los errores y fallos comunes en los LLM
• Uso de TensorBoard para monitorear y visualizar el proceso de entrenamiento
• Uso de PyTorch Lightning para simplificar el código de entrenamiento y mejorar el rendimiento
• Uso de Hugging Face Datasets para cargar y preprocesar los datos

Resumen y próximos pasos