Catedra.ai’s Blog

Optimización del fine-tuning en modelos masivos de lenguaje de acceso abierto con Hugging Face

Hugging Face está revolucionando el acceso a las tecnologías de última generación de procesamiento del lenguaje natural (PLN), facilitando a desarrolladores e investigadores la adaptación de modelos masivos de lenguaje (MML) a necesidades y casos de uso específicos. A través de su biblioteca Transformers, la plataforma hace posible tanto la accesibilidad como la personalización de modelos de acceso abierto, posicionándose así como un recurso esencial para avanzar en el campo de las aplicaciones de Inteligencia Artificial (IA) para el procesamiento del lenguaje.


Subir al tren de Hugging Face


Pese al papel de referencia de Hugging Face para los iniciados en el mundo de los MMLs, navegar a través de su amplia oferta puede desanimar al principio dada su aparente complejidad. Ahora bien, su valor radica precisamente en esto: en su gran riqueza de documentación, tutoriales y conocimiento construido de forma comunitaria, que permite estar al día de las últimas novedades en desarrollo y prácticas recomendadas.


Pasos básicos del fine-tuning


La técnica del fine-tuning (que en castellano puede traducirse como afinamiento) conlleva una serie de pasos que exigen un grado de detalle y precisión considerable:

  • Preparación de los datos: El proceso comienza con la organización y representación de vuestro conjunto de datos en un formato adecuado, como por ejemplo .csv, que es una opción habitual debido a su facilidad de uso y amplia compatibilidad. Sin embargo, este paso es más complejo que eso: previamente, conviene también limpiar los datos, asegurarse de que sean representativos del problema que se pretende solucionar y, finalmente, dividirlos en conjuntos separados para las fases de entrenamiento, validación y testeo del modelo. La finalidad de este paso es, en definitiva, preparar el conjunto de datos para poder realizar el fine-tuning del modelo de manera efectiva, evitando al máximo cualquier tipo de sesgo o error.
  • Carga de modelos y tokenizadores: A continuación, es crucial seleccionar correctamente el modelo, así como el tokenizador que preparará los datos de texto para éste. Esta decisión no es trivial, puesto que implica navegar por un sinfín de modelos disponibles, cada uno con un conjunto de parámetros y capacidades específicos. Igualmente, la elección del tokenizador debe ser compatible con el modelo seleccionado. Esta fase comporta una serie de decisiones técnicas para las que es clave entender los matices del impacto de cada parámetro en el rendimiento del modelo. Es un proceso de equilibrio entre la complejidad del modelo, el rendimiento esperado y los recursos disponibles.
  • Entrenamiento: El paso final consiste en hacer el fine-tuning del modelo utilizando los datos que se han preparado previamente. Aquí es donde entra en juego un entrenador (trainer), el cual automatiza el proceso de alimentación de datos al modelo, ajusta sus pesos y optimiza su rendimiento. En Hugging Face, la simplicidad que entraña iniciar una sesión de entrenamiento esconde, de hecho, la complejidad real del proceso. Aquí es fundamental ajustar el uso de memoria GPU ya que existen modelos que consumen una cantidad elevada de recursos (véase la discusión a continuación).


Un vistazo a algunos aspectos del fine-tuning


Hacer un buen fine-tuning de MMLs dentro del ecosistema de Hugging Face implica dominar varias sutilezas:

  • Carga de modelos: De preferencia, selecciona los parámetros predeterminados o por defecto, modificándolos sólo cuando sea necesario. Es muy probable que recibas errores sin o con muy poca información asociada. Cuando así sea, revisa tus opciones de parámetros.
  • Gestión de la memoria GPU: Un uso eficiente de las capacidades de la GPU es crucial. Intenta utilizar formatos de precisión más baja, como fp16 o bf16, para poder conservar memoria GPU y ajusta los tamaños de los batchs como mejor convenga para adaptarte a las limitaciones de tu hardware.
  • Optimización del tamaño del batch: Encontrar el tamaño adecuado del batch implica un equilibrio entre eficiencia y las limitaciones de tu sistema, lo cual a menudo requiere una experimentación previa para encontrar el punto óptimo.
  • Evaluaciones intermedias: Evaluar regularmente el rendimiento de tu modelo durante el entrenamiento permite ir haciendo los ajustes necesarios y ayuda a identificar la iteración más eficaz del modelo.


Uso de varias GPUs y cuantización


Para proyectos que exigen una mayor potencia computacional, el uso de varias GPU y de bibliotecas como deepspeed puede mejorar significativamente el proceso de fine-tuning. Esto implica un cálculo estratégico del tamaño total del batch para equilibrar la velocidad del fine-tuning con la precisión resultante.


De manera similar, la cuantización ofrece una vía para aumentar la eficiencia del modelo, reduciendo su tamaño y mejorando su velocidad de inferencia al convertir sus pesos a formatos de menor precisión una vez terminada la fase de entrenamiento. Este paso es crucial para poder desplegar modelos que sean eficientes dados recursos computacionales limitados, sin comprometer significativamente su rendimiento.


Consideraciones finales


Aunque el proceso para hacer fine-tuning de MMLs con Hugging Face implica tener una comprensión detallada de varios pasos y estrategias, conocer los principios fundamentales del proceso y partir de una aproximación con parametrización básica ayuda a desmitificar la tarea. Aspectos como la navegación por los recursos de la plataforma, la parametrización y optimización de la eficiencia del modelo, el uso de estrategias multi-GPU y de las ventajas de la cuantificación, tienen todos un mismo objetivo: conseguir un ajuste máximamente eficaz para aprovechar todo el potencial de la IA en vuestros proyectos.


¿Necesitas ayuda en tu viaje a través de la IA Generativa? En Catedra.ai podemos ayudarte a navegar por las complejidades del fine-tuning con Hugging Face.

El propósito de la IA: Hagámosla pegajosa

De construir pirámides a gestionar icebergs: La revolución de los modelos masivos de lenguaje en la ciencia de datos

Principales consideraciones a la hora de elegir un modelo masivo de lenguaje

Cómo adaptar modelos masivos de lenguaje a tus necesidades específicas