Microsoft presenta una mejora significativa en el ajuste de modelos en Azure AI Foundry

Microsoft presenta una mejora significativa en el ajuste de modelos en Azure AI Foundry

Mejoras en las capacidades de ajuste de modelos de Azure AI Foundry

Microsoft ha logrado avances significativos en el ajuste fino de modelos con su última actualización de Azure AI Foundry, que ahora incluye compatibilidad avanzada con el ajuste fino de refuerzo (RFT).Esta nueva mejora está diseñada para optimizar el rendimiento de los modelos mediante técnicas innovadoras como el razonamiento en cadena de pensamiento y la calificación orientada a tareas, adaptadas específicamente a diversos dominios.

Introducción del ajuste fino del refuerzo

Presentado originalmente por OpenAI durante su programa alfa en diciembre pasado, RFT ha mostrado resultados impresionantes, logrando una mejora de hasta un 40 % en la efectividad del modelo en comparación con los modelos tradicionales preconfigurados. Microsoft ha revelado que RFT pronto será compatible con el modelo o4-mini de OpenAI en la plataforma Azure, lo que está destinado a impulsar significativamente a las organizaciones en diversas aplicaciones.

Cuándo aprovechar el ajuste fino del refuerzo

Microsoft recomienda implementar RFT en circunstancias específicas donde la mejora de la toma de decisiones y la adaptabilidad son cruciales. Estos son los tres escenarios óptimos para utilizar esta potente técnica:

  • Implementación de reglas personalizadas: RFT resulta especialmente ventajoso en entornos donde la lógica de decisión organizacional única no puede capturarse eficazmente con datos de entrenamiento convencionales ni indicaciones estáticas. Permite que los modelos se adapten a reglas flexibles y en constante evolución que reflejan las complejidades del mundo real.
  • Estándares Operacionales Específicos del Dominio: Esta técnica es ideal para situaciones donde los procedimientos internos difieren significativamente de las prácticas estándar de la industria, y el éxito depende del cumplimiento de estas normas específicas. RFT integra eficazmente estos matices en los comportamientos del modelo.
  • Alta complejidad en la toma de decisiones: RFT destaca en dominios caracterizados por árboles de decisión complejos y lógica multifacética. En entornos donde los resultados requieren la gestión de numerosos subcasos y la ponderación dinámica de diversas entradas, RFT permite que los modelos se generalicen y generen decisiones más consistentes y precisas.

Nuevo soporte para el ajuste fino supervisado

Además de RFT, Microsoft ha anunciado el lanzamiento del Ajuste Fino Supervisado (SFT) para el último modelo GPT-4.1-nano de OpenAI, diseñado para implementaciones de IA con costos ajustados. Esta capacidad de ajuste fino estará disponible en los próximos días, ofreciendo a las organizaciones opciones económicas para mejorar sus modelos de IA.

Integración del modelo Llama 4 Scout

Por último, Microsoft introdujo la compatibilidad con el ajuste del modelo Llama 4 Scout de Meta, que cuenta con 17 mil millones de parámetros y facilita una ventana de contexto de 10 millones de tokens. Esta opción de ajuste formará parte del servicio de computación administrada de Azure. Los usuarios pueden acceder al modelo Llama optimizado a través de los componentes de Azure AI Foundry y Azure Machine Learning, lo que mejora su capacidad para utilizar tecnologías de IA de vanguardia.

Para más detalles, puedes ver el vídeo del anuncio.

.

Manténgase actualizado con las últimas innovaciones visitando la fuente oficial aquí.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *