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.
Temario del curso
Introducción a los Modelos de Lenguaje Pequeños (SLMs)
- Vista general de los modelos de lenguaje.
- Evolución desde modelos grandes hacia Modelos de Lenguaje Pequeños.
- Arquitectura y diseño de los SLMs.
- Ventajas y limitaciones de los SLMs.
Fundamentos Técnicos
- Comprensión de redes neuronales y parámetros.
- Procesos de entrenamiento para SLMs.
- Requisitos de datos y optimización del modelo.
- Métricas de evaluación para modelos de lenguaje.
SLMs en Procesamiento de Lenguaje Natural
- Generación de texto con SLMs.
- Traducción e localización de idiomas.
- Análisis de sentimiento y clasificación de texto.
- Respondimiento a preguntas y chatbots.
Aplicaciones en el Mundo Real de los SLMs
- Aplicaciones móviles: procesamiento de lenguaje en el dispositivo.
- Sistemas embebidos: SLMs en dispositivos IoT.
- IA que preserva la privacidad: procesamiento de datos local.
- Computación en el borde: SLMs en entornos de baja latencia.
Casos de Estudio
- Análisis de implementaciones exitosas de SLMs.
- Aplicaciones específicas por industria (Salud, Finanzas, etc.).
- Estudio comparativo: SLMs vs. modelos grandes en producción.
Direcciones Futuras
- Tendencias de investigación en SLMs.
- Desafíos en el escalado y despliegue.
- Consideraciones éticas e IA responsable.
- El camino a seguir: SLMs de próxima generación.
Talleres Prácticos
- Construcción de un SLM simple para generación de texto.
- Integración de SLMs en aplicaciones móviles.
- Ajuste fino (fine-tuning) de SLMs para tareas específicas.
- Análisis de rendimiento e interpretabilidad del modelo.
Proyecto Final
- Identificación de un espacio de problemas para la aplicación de SLMs.
- Diseño e implementación de una solución basada en SLMs.
- Pruebas e iteración sobre el modelo.
- Presentación del proyecto y resultados.
Resumen y Próximos Pasos
Requerimientos
- Conocimiento básico de conceptos de aprendizaje automático.
- Domino familiaridad con la programación en Python.
- Conocimientos sobre redes neuronales y aprendizaje profundo.
Público Objetivo
- Científicos de datos.
- Desarrolladores de software.
- Entusiastas de la IA.
14 Horas