Fine-Tuning
El Fine-Tuning es el proceso de entrenar aún más un modelo de IA existente con datos adicionales específicos de una tarea o dominio para modificar su comportamiento o capacidades.
Definición
El Fine-Tuning (ajuste fino) es el proceso de entrenar aún más un modelo de IA existente con datos adicionales específicos de una tarea o dominio para modificar su comportamiento o capacidades.
El Fine-Tuning es el proceso de entrenar aún más un modelo de IA existente con datos adicionales específicos de una tarea o dominio para modificar su comportamiento o capacidades. Este concepto se encuentra comúnmente al aprender o trabajar con inteligencia artificial moderna. Su implementación y comportamiento exactos pueden variar entre modelos, plataformas y casos de uso, por lo que debe entenderse en el contexto del sistema en el que se está utilizando.
Por qué es importante
El Fine-Tuning puede especializar un modelo general para tareas, estilos, dominios o comportamientos de salida particulares cuando el prompting por sí solo es insuficiente.
Ejemplo real
Un modelo de lenguaje general puede ser ajustado (fine-tuned) utilizando ejemplos específicos de un dominio para mejorar su rendimiento en tareas de clasificación especializadas.
Ejemplos
- Un modelo de lenguaje general puede ser ajustado (fine-tuned) utilizando ejemplos específicos de un dominio para mejorar su rendimiento en tareas de clasificación especializadas.
Errores frecuentes
- Tratar el Fine-Tuning como intercambiable con cualquier concepto relacionado de IA
- Ignorar las limitaciones y el contexto en el que se utiliza el Fine-Tuning
- Confiar en explicaciones generadas por IA sin verificar afirmaciones técnicas o fácticas importantes
Preguntas frecuentes
¿Qué es el Fine-Tuning?
El Fine-Tuning es el proceso de entrenar aún más un modelo de IA existente con datos adicionales específicos de una tarea o dominio para modificar su comportamiento o capacidades.
¿Por qué es importante el Fine-Tuning?
El Fine-Tuning es importante porque ayuda a explicar cómo funcionan los sistemas, aplicaciones o flujos de trabajo de IA modernos y cómo deben utilizarse de manera efectiva.
¿El Fine-Tuning solo es relevante para los desarrolladores?
No. La profundidad técnica requerida varía, pero comprender el Fine-Tuning también puede ser útil para usuarios de IA, investigadores, creadores, especialistas en marketing y otros profesionales que trabajan con IA.
Cursos relacionados
Generative AI for Everyone
Generative AI for Everyone es un curso de nivel principiante de DeepLearning.AI impartido por Andrew Ng. Explica cómo funciona la IA generativa, qué pueden y no pueden hacer los sistemas actuales, y cómo se puede aplicar la tecnología en el trabajo diario y en los negocios. Los estudiantes son introducidos a la creación de prompts, ciclos de vida de proyectos de IA generativa, modelos de lenguaje grandes, generación aumentada por recuperación (RAG), ajuste fino (fine-tuning), selección de modelos, uso de herramientas, agentes de IA, oportunidades de automatización e IA responsable.
Prompt Engineering for Vision Models
Prompt Engineering for Vision Models es un curso corto para principiantes de DeepLearning.AI en colaboración con Comet. Extiende la ingeniería de prompts más allá de los modelos basados en texto y demuestra cómo los modelos de visión pueden controlarse mediante lenguaje natural, coordenadas de píxeles, cuadros delimitadores, máscaras de segmentación y parámetros de generación. Los estudiantes trabajan con tecnologías como Segment Anything Model de Meta, OWL-ViT, Stable Diffusion y DreamBooth, mientras exploran la segmentación de imágenes, detección de objetos, generación de imágenes, in-painting, ajuste fino y seguimiento de experimentos.
Rutas de aprendizaje relacionadas
Ruta de aprendizaje para desarrolladores de IA
Una ruta de aprendizaje estructurada para aspirantes a desarrolladores de IA que desean comprender los sistemas de IA modernos y construir aplicaciones útiles impulsadas por IA. La ruta combina conceptos fundamentales, herramientas de IA prácticas, flujos de trabajo de codificación, proyectos guiados e hitos de desarrollo.
Ruta de aprendizaje para diseñadores de IA
Una ruta de aprendizaje práctica para diseñadores, creadores y profesionales visuales que desean integrar la inteligencia artificial en los flujos de trabajo de diseño modernos. La ruta cubre briefs creativos, ideación visual, creación de prompts para imágenes, herramientas de imágenes generativas, diseño de maquetación y presentaciones, mejora de imágenes, consistencia, control de calidad y desarrollo de portafolio.
Términos relacionados
Foundation Model
Un modelo base (foundation model) es un modelo de IA entrenado de forma amplia que puede dar soporte a muchas tareas posteriores y que a menudo puede adaptarse mediante prompting, recuperación, fine-tuning o herramientas adicionales.
Generación aumentada por recuperación (RAG)
La generación aumentada por recuperación es una arquitectura de IA que recupera información relevante de fuentes externas y la suministra a un modelo generativo al producir una respuesta.
Inferencia
La inferencia es el proceso de utilizar un modelo de IA o aprendizaje automático entrenado para generar una salida a partir de nuevos datos de entrada.
Modelo de IA
Un modelo de IA es un sistema computacional entrenado o configurado para transformar entradas en predicciones, clasificaciones, contenido generado, decisiones u otros resultados.