Ir al contenido principal
Español— Elegir un idioma
Menú

Edición en español

Ajuste fino de modelos de OpenAI

Prepara tus datos, entrena, evalúa y despliega un modelo con ajuste fino para tu dominio de negocio. Nota: el servicio de ajuste fino de OpenAI está cerrando gradualmente (no se aceptarán nuevos trabajos después del 6 de enero de 2027).

16 lecciones ca. 1 h 45 min Avanzado

Lo que aprenderás

  • Determinar si el ajuste fino está justificado frente al uso de prompts o la recuperación de documentos
  • Preparar un conjunto de datos de entrenamiento en formato JSONL conversacional, limpio y validado
  • Iniciar el entrenamiento mediante la API y ajustar épocas, tasa de aprendizaje y tamaño de lote
  • Evaluar un modelo con ajuste fino frente al modelo base mediante pruebas A/B y métricas de negocio
  • Desplegar, versionar y restaurar una versión anterior de un modelo con ajuste fino mientras se controlan los costes

Ficha del curso

Dirigido a
Desarrolladores, ingenieros e integradores que buscan aprovechar ChatGPT mediante API en sus aplicaciones.
Requisitos previos
Experiencia demostrada en desarrollo de aplicaciones y despliegue a producción.
Duración
1 h 45 min — 16 lecciones
Modalidades
Curso 100 % en línea y a tu propio ritmo, accesible 24/7 desde un navegador. El progreso se guarda; puedes retomarlo en cualquier momento. Duración estimada: 1 h 45 min.
Evaluación
Autoevaluación basada en los puntos clave que concluyen cada lección y práctica directa de los ejemplos con tus propios casos. Un cuestionario final de 5 preguntas con respuestas proporcionadas al final de la última lección valida los conocimientos adquiridos.
Accesibilidad
Curso a tu propio ritmo accesible para personas con discapacidad: contenido de texto compatible con lectores de pantalla, navegación por teclado y contrastes conformes. Para cualquier necesidad de adaptación, escribe a [email protected].
Precio
Gratis

Contenido del curso

  1. 01 Cuándo y por qué ajustar un modelo
  2. 02 Prepara tus datos de entrenamiento
  3. 03 Formato de datos: conversaciones en JSONL
  4. 04 Calidad de los datos: limpieza y validación
  5. 05 Lanzar el ajuste fino mediante la API
  6. 06 Hiperparámetros: épocas, tasa de aprendizaje, tamaño de lote
  7. 07 Seguimiento del entrenamiento
  8. 08 DPO (Optimización Directa de Preferencias)
  9. 09 Ajuste fino para llamadas a funciones
  10. 10 Evalúa tu modelo ajustado
  11. 11 Comparación con el modelo base
  12. 12 Pruebas A/B y métricas de negocio
  13. 13 Iteración: cuándo volver a hacer fine-tuning
  14. 14 Despliegue de un modelo ajustado
  15. 15 Costes y optimización
  16. 16 Versionado y retroceso