En un evento que ha capturado la atención de entusiastas de la tecnología en toda la región de la ASEAN, la AWS AI League, organizada por Amazon Web Services, ha abierto nuevas puertas a estudiantes interesados en la inteligencia artificial generativa. Esta competencia, que abarca países como Singapur, Indonesia, Malasia, Tailandia, Vietnam y Filipinas, invita a los jóvenes a experimentar con modelos de lenguaje de gran tamaño (LLMs) a través de un desafío basado en juegos.
La competición, que comenzó con una serie de tutoriales detallados impartidos por el equipo de AWS y la comunidad Gen-C, proporcionó a los estudiantes acceso a herramientas avanzadas como Amazon SageMaker JumpStart y PartyRock. Estas herramientas resultaron vitales para la formación de modelos y la gestión de datos, permitiendo a los participantes una experiencia práctica y educativa. SageMaker JumpStart facilitó el ajuste de los LLM en un entorno de nube, mientras que la plataforma interactiva de PartyRock promovió la creación de un conjunto de datos sintéticos cruciales para el éxito de los participantes.
El objetivo de los concursantes era desarrollar un modelo capaz de superar un modelo de referencia más grande en una serie de evaluaciones. Esto condujo a una intensa competencia centrada en tres pilares esenciales: la base de los modelos, la inteligencia artificial responsable y la ingeniería de prompts. Tras una fase preliminar, los modelos destacados avanzaron a la Gran Final Regional en Singapur, donde las expectativas eran altas.
Blix D. Foryasen emergió como campeón de esta edición, y su camino hacia el éxito es un testimonio de la importancia del aprendizaje continuo y la adaptación. A pesar de comenzar tarde en la competencia, Foryasen pudo construir un conjunto de datos robusto y ajustar los hiperparámetros de manera efectiva, aprovechando técnicas existentes y académicas en la alineación de modelos de lenguaje.
Un punto crucial en su estrategia fue el uso de PartyRock para generar datos sintéticos, un proceso que demandó un ajuste meticuloso de parámetros para lograr datos de alta calidad. Para Foryasen, la calidad del conjunto de datos fue primordial, ya que el aumento de su tamaño requería ajustes adicionales en los hiperparámetros para evitar que las adaptaciones resultaran contraproducentes.
Colaborando con sus compañeros competidores, Foryasen adoptó estrategias avanzadas de ajuste como LoRA (adaptación de bajo rango), mejorando significativamente su modelo para obtener el rendimiento deseado. Esta colaboración no solo le aseguró un lugar en la final, sino que le dejó valiosas lecciones sobre trabajo en equipo y adaptación en un campo en constante evolución.
La culminación en la Gran Final fue una celebración del esfuerzo conjunto, donde campeones de distintos países intercambiaron conocimientos y estrategias, reforzando la idea de que la comunidad y la colaboración son pilares fundamentales para la innovación en la tecnología.
