Entrenar tu propia inteligencia artificial (IA) puede sonar complejo, pero hoy en día es más accesible de lo que parece. Gracias a recursos gratuitos como Google Colab y comunidades como Hugging Face, es posible afinar (realizar fine-tuning) un modelo de IA existente para que haga tareas específicas.
En esta guía divulgativa explicaremos el proceso de forma sencilla, sin necesidad de ser un experto ni de contar con un superordenador. Aprenderás qué son los modelos preentrenados, en qué consiste el fine-tuning, cómo preparar un dataset (conjunto de datos) de ejemplo, y finalmente cómo entrenar tu modelo paso a paso usando herramientas gratuitas.
¿Qué necesitas para empezar? Tan solo unos pocos recursos al alcance de cualquiera:
- Una cuenta de Google para usar Google Colab (que nos proporcionará un entorno de programación con GPU gratis).
- Opcional: Una cuenta en Hugging Face (gratis) para descargar ciertos modelos o guardar el resultado.
- Un dataset de entrenamiento (tus datos de ejemplo, por ejemplo texto con preguntas y respuestas, del tema que quieras enseñar a la IA).
- Ganar un poco de tiempo y paciencia: el proceso puede tomar desde minutos hasta horas, dependiendo del tamaño del modelo y la cantidad de datos, ¡pero vale la pena!
A continuación, vamos a estructurar todo el proceso en secciones claras. ¡Comencemos!
Modelos preentrenados: el ejemplo de Llama 3.2 3B
Para entrenar una IA sin empezar desde cero, usamos modelos preentrenados. Un modelo preentrenado es un modelo de IA que ya ha sido entrenado previamente con una enorme cantidad de datos generales. Esto significa que el modelo ya "sabe" muchas cosas del lenguaje y tiene habilidades básicas, gracias a ese entrenamiento inicial. En vez de entrenar un modelo nuevo desde cero (lo cual requeriría millones de frases y muchísimo poder de cómputo), aprovechamos este conocimiento ya adquirido.
Llama 3.2 3B es un ejemplo de modelo preentrenado que utilizaremos en esta guía. Llama 3.2 es un modelo de lenguaje de última generación desarrollado por Meta. La versión "3B" significa que tiene 3 mil millones de parámetros, que son como las neuronas del modelo. Aunque 3 mil millones suena enorme, en el mundo de las IA es un modelo relativamente pequeño (hay modelos con 7B, 13B o hasta 70B parámetros). ¿Por qué elegir Llama 3.2 3B como punto de partida? Porque es un modelo multilingüe (entiende español y otros idiomas) y está optimizado para conversaciones y tareas de lenguaje. Al ser más pequeño que otros modelos avanzados, es más fácil de entrenar en hardware modesto (como la GPU gratuita de Colab) manteniendo un buen desempeño.
En resumen, piensa en un modelo preentrenado como un estudiante que ya pasó por la escuela básica. Sabe leer, escribir y conoce información general. Ahora nosotros vamos a ser los profesores particulares que le enseñen una materia específica mediante el fine-tuning.
Fine-tuning: entrenar un modelo sin empezar de cero
Ahora que tenemos un modelo base, necesitamos personalizarlo. Aquí entra el concepto de fine-tuning (ajuste fino). El fine-tuning consiste en re-entrenar ligeramente un modelo preentrenado para que se adapte a una tarea o conjunto de datos específicos. En lugar de alterar todos sus conocimientos, simplemente ajustamos sus parámetros un poco con nuevos ejemplos, para que aprenda patrones particulares sin olvidar lo aprendido previamente.
¿Por qué es útil el fine-tuning? Porque te permite personalizar la IA sin requerir el costo de entrenarla desde cero. Por ejemplo, si quieres un modelo que genere descripciones de productos para tu tienda, puedes tomar un modelo preentrenado (como Llama 3.2 3B) y hacerle fine-tuning con descripciones de producto reales de tu catálogo. El resultado será una IA ajustada que entiende mejor tu dominio y responde según tus necesidades.
Otra ventaja es que el fine-tuning necesita muchos menos datos que un entrenamiento desde cero. Quizá con unos pocos miles de ejemplos buenos ya puedas obtener resultados decentes, en lugar de los millones que se requerirían para entrenar una IA sin ninguna base.
Google Colab: tu laboratorio de IA gratuito en la nube
Hacer fine-tuning de un modelo requiere poder de cómputo, especialmente una GPU (unidad de procesamiento gráfico) potente para acelerar los cálculos. Si no tienes una tarjeta gráfica avanzada en tu ordenador, no te preocupes: Google Colab viene al rescate. Google Colab es un servicio en la nube que te permite ejecutar cuadernos de Python (notebooks) en un entorno gratuito, con hasta GPU Tesla T4 o similares gratis por sesión. En otras palabras, Colab te presta una computadora virtual con potencia para que realices experimentos de IA.
¿Cómo funciona Colab? Es muy sencillo: con tu cuenta de Google, puedes abrir un notebook (cuaderno de código) en tu navegador. Tienes la opción de activar hardware acelerado: ve al menú "Entorno de ejecución" -> "Cambiar tipo de entorno de ejecución" y selecciona GPU. Al hacer esto, el código que ejecutes en el notebook aprovechará la GPU, haciendo el entrenamiento de la IA mucho más rápido que si usaras solo CPU.
Colab es ideal para proyectos pequeños y medianos porque es gratis, pero ten en cuenta algunas limitaciones: la sesión desconecta después de ~12 horas (o menos, dependiendo de la carga), y la memoria GPU es limitada (las GPU gratuitas tienen alrededor de 12-16 GB de VRAM). Por suerte, 12 GB son suficientes para fine-tunear modelos como Llama 3.2 3B si usamos las optimizaciones correctas (veremos pronto cómo Unsloth nos ayuda con esto). Si tu entrenamiento no termina a tiempo, siempre puedes guardar los resultados parciales y continuar en una nueva sesión.
Continuaremos en la parte 2 de nuestra serie de IA.
Luis Ortiz de Villalba
