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

Introducción a los Modelos de Lenguaje Grande (LLM)

• Visión general de los LLM
• Definición e importancia
• Aplicaciones en IA hoy en día

Arquitectura Transformadora

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

Modelos Transformadores

• Mecanismo de autoatención
• Arquitectura codificador-decodificador
• Alineamientos posicionales
• BERT (Representaciones Codificadas Bidireccionales desde Transformadores)
• GPT (Transformador Preentrenado Generativo)

Optimización del rendimiento y errores comunes

• Longitud del contexto
• Mamba y modelos de espacio de estado
• Atención flash
• Transformadores dispersos
• Transformadores visuales
• Importancia de la cuantización

Mejora de los Transformadores

• Generación de texto aumentada por recuperación
• Mezcla de modelos
• Árbol de pensamientos

Afinamiento

• Teoría de adaptación de bajo rango
• Afinamiento con QLora

Leyes de escalado y optimización en LLM

• Importancia de las leyes de escalado para los LLM
• Escalado del tamaño de los datos y del modelo
• Escalado computacional
• Escalado de la eficiencia de parámetros

Optimización

• Relación entre el tamaño del modelo, el tamaño de los datos, el presupuesto computacional y los requisitos de inferencia
• Optimización del rendimiento y eficiencia de los LLM
• Buenas prácticas y herramientas para entrenar y afinar LLM

Entrenamiento y Afinamiento de LLM

• Pasos 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
• Cuadro general de los LLM de código abierto

Fundamentos del Aprendizaje por Refuerzo (RL)

• Introducción al Aprendizaje por Refuerzo
• Aprendizaje a través del refuerzo positivo
• Definición y conceptos fundamentales
• Proceso de Decisión de Markov (MDP)
• Programación dinámica
• Métodos de Monte Carlo
• Aprendizaje por Diferencia Temporal

Aprendizaje Profundo por Refuerzo

• Redes Q Profundas (DQN)
• Optimización de Política Próxima (PPO)
• Elementos del Aprendizaje por Refuerzo

Integración de LLM y Aprendizaje por Refuerzo

• Combinar LLM con Aprendizaje por Refuerzo
• Cómo se utiliza RL en LLM
• Aprendizaje por Refuerzo con Retroalimentación Humana (RLHF)
• Alternativas a 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 desarrollos de vanguardia

Resumen y siguientes pasos