Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Programa del Curso
Introducción a QLoRA y la Cuantización
- Visión general de la cuantización y su papel en la optimización del modelo
- Introducción al marco QLoRA y sus beneficios
- Diferencias clave entre QLoRA y los métodos tradicionales de ajuste fino
Fundamentos de Large Language Models (LLMs)
- Introducción a los LLMs (Modelos de Lenguaje Grande) y su arquitectura
- Dificultades del ajuste fino de modelos grandes a gran escala
- Cómo la cuantización ayuda a superar las restricciones computacionales en el ajuste fino de LLMs
Implementando QLoRA para Fine-Tuning LLMs
- Configuración del marco y entorno QLoRA
- Preparación de conjuntos de datos para el ajuste fino con QLoRA
- Guía paso a paso para implementar QLoRA en LLMs utilizando Python y PyTorch/TensorFlow
Optimizando el Rendimiento de Fine-Tuning con QLoRA
- Cómo equilibrar la precisión del modelo y su rendimiento mediante cuantización
- Técnicas para reducir los costos computacionales y el uso de memoria durante el ajuste fino
- Estrategias para realizar el ajuste fino con requisitos mínimos de hardware
Evaluación de Modelos Ajustados Fino
- Cómo evaluar la efectividad de los modelos ajustados finamente
- Métricas comunes de evaluación para modelos de lenguaje
- Optimización del rendimiento del modelo después del ajuste y solución de problemas
Implementación y Escalado de Modelos Ajustados Fino
- Prácticas recomendadas para implementar LLMs cuantificados en entornos de producción
- Escalar la implementación para manejar solicitudes en tiempo real
- Herramientas y marcos para la implementación y monitoreo del modelo
Casos Reales Use Case y Estudios de Caso
- Estudio de caso: Ajuste fino de LLMs para soporte al cliente y tareas NLP
- Ejemplos de ajuste fino de LLMs en diversas industrias como la salud, finanzas y comercio electrónico
- Lecciones aprendidas de implementaciones reales de modelos basados en QLoRA
Resumen y Próximos Pasos
Requerimientos
- Comprensión de los fundamentos del aprendizaje automático y las redes neuronales
- Experiencia en el ajuste fino de modelos y el aprendizaje por transferencia
- Familiaridad con los grandes modelos de lenguaje (LLMs) y los marcos de aprendizaje profundo (por ejemplo, PyTorch, TensorFlow)
Publlico objetivo
- Ingenieros de aprendizaje automático
- Desarrolladores de IA
- Científicos de datos
14 Horas
