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
• Resumen de PEFT: objetivos y beneficios
• Aplicaciones y casos de uso en la industria

LoRA (Adaptación de Bajo Rango)

• 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)

• Funcionamiento de 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
• Compromisos en velocidad de entrenamiento, uso de memoria y precisión
• Experimentos de referencia (benchmarking) 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 tuberías de procesamiento (pipelines)

Prácticas recomendadas y extensiones

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