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

Introducción a los Modelos de Lenguaje Grande (LLM)

• Descripción general de los LLM
• Definición e importancia
• Aplicaciones en la inteligencia artificial actual

Arquitectura Transformadora

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

Modelos Transformadores

• Mecanismo de autoatención
• Arquitectura codificador-decodificador
• Incrustaciones posicionales
• BERT (Representaciones Codificadoras Bidireccionales de Transformadores)
• GPT (Transformador Preentrenado Generativo)

Optimización del rendimiento y errores comunes

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

Mejora de los transformadores

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

Ajuste fino (Fine-Tuning)

• Teoría de la adaptación de bajo rango
• Ajuste fino con QLora

Leyes de escalado y optimización en LLM

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

Optimización

• Relación entre el tamaño del modelo, el tamaño de los datos, el presupuesto de cómputo y los requisitos de inferencia
• Optimización del rendimiento y la eficiencia de los LLM
• Mejores prácticas y herramientas para entrenar y ajustar finamente los LLM

Entrenamiento y ajuste fino de LLM

• Etapas 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
• Panorama de los LLM de código abierto

Fundamentos del Aprendizaje por Refuerzo (RL)

• Introducción al aprendizaje por refuerzo
• Aprendizaje mediante refuerzo positivo
• Definición y conceptos clave
• Proceso de decisión de Markov (MDP, por sus siglas en inglés)
• Programación dinámica
• Métodos de Monte Carlo
• Aprendizaje de diferencia temporal

Aprendizaje profundo por refuerzo

• Redes Q profundas (DQN, por sus siglas en inglés)
• Optimización de política proximal (PPO, por sus siglas en inglés)
• Elementos del aprendizaje por refuerzo

Integración de LLM y Aprendizaje por Refuerzo

• Combinación de LLM con aprendizaje por refuerzo
• Cómo se utiliza el RL en los LLM
• Aprendizaje por refuerzo con retroalimentación humana (RLHF, por sus siglas en inglés)
• Alternativas al RLHF

Casos de estudio y aplicaciones

• Aplicaciones en el mundo real
• Ejemplos de éxito y desafíos

Tópicos avanzados

• Técnicas avanzadas
• Métodos avanzados de optimización
• Investigación y desarrollos de vanguardia

Resumen y próximos pasos