Técnicas de ajuste fino de baja complejidad paramétrica (PEFT) para LLMs

Introducción al ajuste fino de baja complejidad paramétrica (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

• Funcionamiento de los módulos adaptadores
• Integración con modelos basados en transformadores
• Práctica: Aplicación de Adapter Tuning a un modelo de transformador

Prefix Tuning

• Uso de prompts 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 benchmarking e interpretación de resultados

Despliegue de modelos ajustados

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

Mejores prácticas y extensiones

• Combinación de PEFT con cuantización y destilación
• Uso en escenarios de recursos limitados y contextos multilingües
• Direcciones futuras y áreas de investigación activa