Modelos de Lenguaje Grande (LLM) y Aprendizaje por Refuerzo (RL)

Introducción a los modelos de lenguaje grande (LLM)

• Resumen de los LLM.
• Definición e importancia.
• Aplicaciones en la inteligencia artificial actual.

Arquitectura del transformador

• ¿Qué es un transformador y cómo funciona?
• Componentes principales y características.
• Incrustación y codificación posicional.
• Atención de múltiples cabezas.
• Red neuronal de alimentación directa.
• Normalización y conexiones residuales.

Modelos de transformador

• Mecanismo de autoatención.
• Arquitectura codificador-decodificador.
• Incrustaciones posicionales.
• BERT (Representaciones del Codificador Bidireccional de Transformers).
• GPT (Transformador Preentrenado Generativo).

Optimización del rendimiento y posibles problemas

• Longitud del contexto.
• Mamba y modelos de espacio de estado.
• Atención Flash.
• Transformadores dispersos.
• Transformadores de visión.
• Importancia de la cuantización.

Mejora de los transformadores

• Generación de texto con recuperación aumentada.
• Mezcla de modelos.
• Árbol de pensamientos.

Ajuste fino

• Teoría de la adaptación de bajo rango.
• Ajuste fino con QLora.

Leyes de escala y optimización en los LLM

• Importancia de las leyes de escala para los LLM.
• Escala del tamaño de datos y del modelo.
• Escala computacional.
• Escala de la eficiencia de parámetros.

Optimización

• Relación entre el tamaño del modelo, el tamaño de los datos, el presupuesto de cómputo y los requisitos de inferencia.
• Optimización del rendimiento y la eficiencia de los LLM.
• Mejores prácticas y herramientas para entrenar y ajustar finamente los LLM.

Entrenamiento y ajuste fino de los LLM

• Etapas y desafíos del entrenamiento de LLM desde cero.
• Adquisición y mantenimiento de datos.
• Requisitos de datos a gran escala, CPU y memoria.
• Desafíos de optimización.
• panorama de los LLM de código abierto.

Fundamentos del aprendizaje por refuerzo (RL)

• Introducción al aprendizaje por refuerzo.
• Aprendizaje mediante refuerzo positivo.
• Definición y conceptos principales.
• Proceso de decisión de Markov (MDP).
• Programación dinámica.
• Métodos de Monte Carlo.
• Aprendizaje por diferencia temporal.

Aprendizaje por refuerzo profundo

• Redes Q profundas (DQN).
• Optimización de política proximal (PPO).
• Elementos del aprendizaje por refuerzo.

Integración de LLM y aprendizaje por refuerzo

• Combinación de LLM con aprendizaje por refuerzo.
• Cómo se utiliza el RL en los LLM.
• Aprendizaje por refuerzo con retroalimentación humana (RLHF).
• Alternativas al RLHF.

Casos de estudio y aplicaciones

• Aplicaciones del mundo real.
• Historias de éxito y desafíos.

Tópicos avanzados

• Técnicas avanzadas.
• Métodos de optimización avanzada.
• Investigación y desarrollo de vanguardia.

Resumen y próximos pasos