Solicitar información

Temario del curso

Introducción a las técnicas de Ajuste Fino Eficiente en Parámetros (PEFT)

  • Razones que motivan el uso del ajuste fino eficiente y sus limitaciones frente al ajuste fino convencional.
  • Objetivos y ventajas principales de las técnicas PEFT.
  • Aplicaciones reales y casos prácticos en distintos sectores industriales.

LoRA (Low-Rank Adaptation)

  • Conceptos fundamentales y lógica detrás de LoRA.
  • Aplicación práctica de LoRA con las herramientas Hugging Face y PyTorch.
  • Ejercicio práctico: Ajuste fino de un modelo mediante LoRA.

Adapter Tuning

  • Función y funcionamiento de los módulos adaptadores.
  • Cómo integrar dichos módulos en modelos basados en transformadores.
  • Ejercicio práctico: Implementación del Adapter Tuning en un modelo transformador.

Prefix Tuning

  • Uso de indicadores flexibles como herramienta para el ajuste fino.
  • Ventajas y limitaciones frente a LoRA y los módulos adaptadores.
  • Ejercicio práctico: Realización del Prefix Tuning en una tarea relacionada con modelos lingüísticos grandes.

Evaluación y comparación de métodos PEFT

  • Parámetros clave para evaluar el rendimiento y la eficiencia de cada técnica.
  • Análisis detallado sobre diferencias en velocidad de entrenamiento, uso de memoria y precisión obtenida.
  • Realización de pruebas comparativas y análisis crítico de resultados obtenidos.

Despliegue de modelos ya ajustados finamente

  • Grabación y carga de modelos adaptados mediante PEFT.
  • Aspectos importantes al momento de desplegar tales modelos en entornos productivos.
  • Integración del modelo finalizado dentro de aplicaciones y sistemas en desarrollo.

Mejores prácticas y posibles extensiones futuras

  • Cómo combinar técnicas PEFT con procedimientos como la cuantización o la destilación de modelos.
  • Aplicación en contextos con recursos limitados y modelos multilingües.
  • Tendencias emergentes, investigaciones actuales y potencial evolutivo del campo.

Resumen final e indicaciones sobre pasos a seguir en adelante.

Requerimientos

  • Conocimientos básicos de los fundamentos del aprendizaje automático.
  • Experiencia previa con modelos lingüísticos grandes (LLMs).
  • Dominio práctico de Python y PyTorch.

Público objetivo

  • Científicos de datos.
  • Ingenieros de inteligencia artificial.
 14 Horas

Formación Corporativa a Medida

Soluciones de formación diseñadas exclusivamente para empresas.

  • Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
  • Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
  • Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Inversión

Precio por grupo privado (formación online) desde 2900 € + IVA*

Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales

Próximos cursos

Categorías Relacionadas