Técnicas de Fine-Tuning Eficiente en Parámetros (PEFT) para LLMs

Introducción al Fine-Tuning Eficiente en Parámetros (PEFT)

• Motivación y limitaciones del fine-tuning completo
• Vista general 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: Afinación de un modelo con LoRA

Adapter Tuning

• Cómo funcionan los módulos de adaptador
• Integración con modelos basados en transformadores
• Práctica: Aplicación de Adapter Tuning a un modelo transformador

Prefix Tuning

• Uso de prompts suaves (soft prompts) para fine-tuning
• 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 benchmarking e interpretación de resultados

Despliegue de Modelos Afinados

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

Mejores Prácticas y Extensiones

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