NVIDIA ha anunciado la capacidad de ajustar modelos de lenguaje como Nemotron para incorporar conocimientos de reglas y cultura local, superando las limitaciones de los modelos de propósito general. Esta técnica, denominada ‘post-training’, permite adaptar la IA a mercados específicos, como Francia y Bélgica.
Datos clave
- Nemotron-Personas-France y Nemotron-Personas-Belgium son datasets que proporcionan residentes sintéticos anclados en demografía, geografía, idioma y cultura regional.
- El proceso de ajuste fino (fine-tuning) utiliza estos 'personajes' junto a textos de procedimientos oficiales para generar conversaciones sintéticas.
- Nemotron 3.5 Lightning puede ser ajustado con LoRA en NVIDIA NeMo, y el repositorio Nemotron facilita pasos reutilizables para la generación de datos y la evaluación.
- El dataset Nemotron-Personas-France incluye datos de la comuna, la edad, el trabajo y el hogar, además de seguir datos censales franceses.
La necesidad de conocimiento local más allá del idioma
NVIDIA ha presentado un método avanzado de post-training para adaptar modelos de lenguaje de gran escala, como Nemotron, superando la deficiencia de los modelos de propósito general. Estos modelos, si bien son potentes, a menudo carecen del conocimiento local, matices culturales o precisión requerida por aplicaciones específicas. La técnica Nemotron-Personas-France y Nemotron-Personas-Belgium, desarrolladas con startups como Pleias, provee datasets de residentes sintéticos que incorporan demografía, geografía, idioma y cultura regional. Estos datos permiten a los desarrolladores adaptar modelos de forma específica para mercados concretos, dando a los países y sectores un mayor control sobre cómo sus agentes reflejan prioridades locales.
Nemotron-Personas: Datos sintéticos anclados en la realidad regional
El valor de estos datasets reside en su capacidad de generar conversaciones sintéticas altamente contextualizadas. Un personaje genérico podría simplemente decir que la solicitud de pasaporte se realiza por correo, sin considerar las regulaciones locales. Sin embargo, tras el ajuste fino con Nemotron-Personas, la respuesta puede ser mucho más precisa: si el usuario no puede viajar por motivos de salud, se le indica que puede solicitar que un agente acuda a su domicilio, y se especifican requisitos como un certificado médico de menos de tres meses. Este proceso se puede replicar para otros mercados, como Bélgica, que abarca neerlandés, francés, alemán e inglés.
Flujo de trabajo completo: De los datos al agente especializado
El flujo de trabajo completo de ajuste fino es robusto y reproducible. Se utiliza Nemotron 3.5 Lightning, ajustándolo con LoRA en NVIDIA NeMo. Los datos de los ‘personajes’ se combinan con un contrato de comportamiento y textos de procedimientos oficiales para generar conversaciones sintéticas. El repositorio Nemotron suministra pasos reutilizables para la generación de datos, el entrenamiento y la evaluación, incluyendo habilidades de agente que ayudan a los agentes de codificación a ensamblar todo el flujo. Además, el asistente Lamina de Pleias aplica estos datasets de personas en su aplicación de cuidado de la columna, ampliando la cobertura más allá de casos reales de pacientes.
Aplicaciones prácticas y próximos pasos para desarrolladores
Para los desarrolladores interesados en implementar esta tecnología, NVIDIA ha habilitado recursos clave. Se pueden explorar los pasos de flujo de trabajo y las habilidades de agente en el repositorio Nemotron. También es posible revisar los modelos abiertos de Nemotron y los datasets en Hugging Face. Además, se dispone de una calculadora de dimensionamiento que permite estimar las necesidades de GPU, el tiempo de entrenamiento y los costes asociados a la personalización de los modelos Nemotron.
Más sobre este tema: Herramientas de IA
Fuente de esta noticia: consultar el anuncio o artículo original.
