Documentation Index

Fetch the complete documentation index at: https://docs.monostate.ai/llms.txt

Use this file to discover all available pages before exploring further.

​

Entendiendo Tipos de Modelos

Diferentes tareas de IA requieren diferentes arquitecturas de modelos. Piensa en ello como elegir la herramienta correcta para el trabajo - no usarías un martillo para pintar una pared.

​

Language Models (LLMs)

Los modelos más versátiles que entienden y generan lenguaje humano.

​

Qué Hacen

Los modelos de lenguaje pueden:

• Responder preguntas
• Escribir contenido
• Traducir idiomas
• Resumir texto
• Generar código
• Seguir instrucciones

​

Modelos Comunes

​

Cuándo Usar

Elige modelos de lenguaje cuando necesites:

• Entendimiento de lenguaje natural
• Generación de texto
• Respuesta a preguntas
• IA conversacional
• Generación de código

​

Modelos de Clasificación

Especializados para clasificar cosas en categorías.

​

Text Classification

Categoriza texto en grupos predefinidos:

• Análisis de sentimiento (positivo/negativo)
• Clasificación de temas
• Detección de intención
• Detección de idioma

Mejores modelos: BERT, DistilBERT, RoBERTa

​

Image Classification

Identifica qué hay en una imagen:

• Reconocimiento de objetos
• Diagnóstico médico
• Control de calidad
• Moderación de contenido

Mejores modelos: ResNet, EfficientNet, Vision Transformer (ViT)

​

Multimodal Classification

Maneja tanto texto como imágenes:

• Entendimiento de memes
• Análisis de documentos
• Categorización de productos

Mejores modelos: CLIP, LayoutLM, ALIGN

​

Token Classification

Etiqueta palabras individuales o tokens en texto.

​

Named Entity Recognition (NER)

Encuentra y etiqueta información específica:

• Nombres de personas, lugares, organizaciones
• Fechas y horas
• Nombres de productos
• Términos médicos

​

Part-of-Speech Tagging

Identifica roles gramaticales:

• Sustantivos, verbos, adjetivos
• Análisis de estructura de oraciones

Mejores modelos: BERT-NER, RoBERTa-token, SpaCy transformers

​

Sequence-to-Sequence

Transforma una secuencia en otra.

​

Translation

Convierte texto entre idiomas:

• Traducción de documentos
• Traducción de chat en tiempo real
• Traducción de código

​

Summarization

Condensa texto largo:

• Resúmenes de artículos
• Notas de reuniones
• Resúmenes de informes

​

Question Answering

Extrae respuestas del contexto:

• Atención al cliente
• Q&A de documentos
• Herramientas educativas

Mejores modelos: T5, BART, mT5 (multilingüe)

​

Modelos de Computer Vision

Procesan y entienden imágenes.

​

Object Detection

Encuentra y localiza objetos en imágenes:

• Bounding boxes alrededor de objetos
• Contar elementos
• Rastrear movimiento

Mejores modelos: YOLO, Faster R-CNN, DETR

​

Image Segmentation

Entendimiento a nivel de píxel:

• Imágenes médicas
• Conducción autónoma
• Edición de fotos

Mejores modelos: U-Net, Mask R-CNN, SAM

​

Image Generation

Crea nuevas imágenes:

• Generación de arte
• Visualización de productos
• Aumento de datos

Mejores modelos: Stable Diffusion, DALL-E, Midjourney

​

Modelos Tabulares

Trabajan con datos estructurados como hojas de cálculo.

​

Regression

Predice valores continuos:

• Predicción de precios
• Pronóstico de ventas
• Puntuación de riesgo

​

Classification

Categoriza filas:

• Churn de clientes
• Detección de fraude
• Diagnóstico de enfermedades

Mejores modelos: XGBoost, CatBoost, TabNet

​

Eligiendo el Modelo Correcto

​

Considera Tus Datos

​

Considera Tus Recursos

Recursos Limitados (< 8GB GPU)

• DistilBERT (66M parámetros)
• MobileBERT (25M parámetros)
• TinyBERT (15M parámetros)

Recursos Moderados (8-16GB GPU)

• BERT-base (110M parámetros)
• GPT-2 small (124M parámetros)
• RoBERTa-base (125M parámetros)

Buenos Recursos (24GB+ GPU)

• GPT-2 large (774M parámetros)
• T5-large (770M parámetros)
• LLaMA 7B (7B parámetros)

​

Considera Tus Necesidades de Precisión

Velocidad sobre precisión

• Usa modelos destilados (DistilBERT, DistilGPT-2)
• Arquitecturas más pequeñas
• Modelos cuantizados

Precisión sobre velocidad

• Usa modelos más grandes
• Ensemble de múltiples modelos
• Tiempos de entrenamiento más largos

​

Tamaños de Modelos y Trade-offs

​

Conteo de Parámetros

Los parámetros son las partes ajustables de un modelo. Más parámetros generalmente significan:

• Mejor entendimiento
• Mayor precisión
• Más memoria necesaria
• Inferencia más lenta

​

Directrices de Tamaño

​

Pre-entrenado vs Desde Cero

​

Usa Modelos Pre-entrenados

99% del tiempo, comienza con un modelo pre-entrenado:

• Ya entiende lenguaje/imágenes
• Necesita menos datos de entrenamiento
• Más rápido de entrenar
• Mejores resultados

​

Entrena Desde Cero Solo Cuando

• Trabajas con tipos de datos únicos
• Dominio especial (médico, legal)
• Arquitecturas personalizadas
• Propósitos de investigación

​

Estrategias de Fine-tuning

​

Full Fine-tuning

Actualiza todos los parámetros del modelo:

• Mejor precisión
• Necesita más memoria
• Riesgo de overfitting

​

LoRA (Low-Rank Adaptation)

Actualiza solo pequeños adaptadores:

• 90% menos memoria
• Entrenamiento más rápido
• Precisión ligeramente menor
• Perfecto para modelos grandes

​

Prompt Tuning

Entrena solo embeddings de prompt:

• Memoria mínima
• Muy rápido
• Bueno para few-shot learning

​

Estrategias de Freeze

Congela algunas capas:

• Freeze early layers: Mantiene características generales
• Freeze late layers: Mantiene características específicas de tarea
• Gradual unfreezing: Comienza congelado, descongela lentamente

​

Modelos Multi-tarea

Algunos modelos pueden manejar múltiples tareas:

​

Familia T5

• Resumen de texto
• Traducción
• Respuesta a preguntas
• Clasificación

Solo cambia el prefijo del prompt:

• “summarize: …”
• “translate English to French: …”
• “question: … context: …”

​

Modelos FLAN

Pre-entrenados en muchas tareas:

• Mejor rendimiento zero-shot
• Más flexibles
• Buen seguimiento de instrucciones

​

Arquitecturas Especializadas

​

Transformers

El estándar actual:

• Procesamiento paralelo
• Dependencias de largo alcance
• La mayoría de modelos modernos

​

CNNs (Convolutional Neural Networks)

Todavía geniales para imágenes:

• Eficientes
• Bien entendidos
• Buenos para dispositivos edge

​

RNNs (Recurrent Neural Networks)

Más antiguos pero todavía útiles:

• Datos secuenciales
• Series temporales
• Aplicaciones streaming

​

Escucha: Más Allá de LLMs - Una Inmersión Profunda

Una conversación de 45 minutos sobre tipos de modelos más allá de modelos de lenguaje, cubriendo visión, tabular y arquitecturas especializadas.

​

Próximos Pasos

¿Listo para comenzar a entrenar?