[et_pb_section fb_built=\u00bb1″ custom_padding_last_edited=\u00bbon|tablet\u00bb admin_label=\u00bbsection\u00bb _builder_version=\u00bb4.27.2″ custom_padding_tablet=\u00bb0px||0px||true|false\u00bb custom_padding_phone=\u00bb0px||0px||true|false\u00bb locked=\u00bboff\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb][et_pb_row admin_label=\u00bbrow\u00bb _builder_version=\u00bb4.27.2″ background_size=\u00bbinitial\u00bb background_position=\u00bbtop_left\u00bb background_repeat=\u00bbrepeat\u00bb width=\u00bb100%\u00bb custom_margin=\u00bb||0px||false|false\u00bb custom_padding=\u00bb0px||0px||true|false\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb][et_pb_column type=\u00bb4_4″ _builder_version=\u00bb4.16″ custom_padding=\u00bb|||\u00bb global_colors_info=\u00bb{}\u00bb custom_padding__hover=\u00bb|||\u00bb theme_builder_area=\u00bbpost_content\u00bb][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n
En Mosaic Factor, nos centramos en la creaci\u00f3n de LLM espec\u00edficos de sector (o modelos ling\u00fc\u00edsticos ligeros<\/em>) para nuestras organizaciones clientes.<\/p>\n Los LLM ligeros son de gran importancia teniendo en cuenta factores como:<\/p>\n Los LLM ligeros son modelos de IA que permiten un control mayor a nivel de la empresa, sin depender de servicios externos con coste adjunto. Necesitan menos capacidad de computaci\u00f3n, siendo modelos<\/em> m\u00e1s r\u00e1pidos y rentables<\/em>, y se adaptan mejor a las necesidades de la empresa.<\/p>\n Podemos decir que son m\u00e1s responsables, ya que se adaptan a las necesidades de una industria o dominio espec\u00edfico, lo que los hace m\u00e1s seguros, efectivos y livianos en todos los aspectos (considerando el consumo de energ\u00eda, el tama\u00f1o y la adaptaci\u00f3n a su uso previsto).<\/p>\n Nos enfocamos en construir LLMs que trabajen con los requisitos intr\u00ednsecos de seguridad y privacidad de las industrias que necesitan rastrear y tener pruebas legales de lo que sucede dentro de sus sistemas, e incluso cuando entrenan modelos de IA, como Salud, Servicios Corporativos, Industria, etc.<\/p>\n Claramente, tambi\u00e9n interesan a empresas que pretenden ser socialmente responsables a la hora de gestionar grandes cantidades de datos o documentaci\u00f3n y desean abordar las posibilidades de los modelos de IA, de forma responsable.<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb header_3_font=\u00bb|||on|||||\u00bb header_3_font_size=\u00bb28px\u00bb header_3_line_height=\u00bb1.2em\u00bb custom_margin=\u00bb||1em||false|false\u00bb custom_margin_tablet=\u00bb||0em||false|false\u00bb custom_margin_phone=\u00bb||0em||false|false\u00bb custom_margin_last_edited=\u00bbon|tablet\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb custom_margin=\u00bb||2em||false|false\u00bb custom_margin_tablet=\u00bb||2em||false|false\u00bb custom_margin_phone=\u00bb||1em||false|false\u00bb custom_margin_last_edited=\u00bboff|tablet\u00bb custom_padding=\u00bb||0px||false|false\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb header_3_font=\u00bb|||on|||||\u00bb header_3_font_size=\u00bb28px\u00bb header_3_line_height=\u00bb1.2em\u00bb custom_margin=\u00bb||1em||false|false\u00bb custom_margin_tablet=\u00bb||0em||false|false\u00bb custom_margin_phone=\u00bb||0em||false|false\u00bb custom_margin_last_edited=\u00bbon|tablet\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n La integraci\u00f3n de LLM ligeros en los sistemas existentes puede ser un elemento estrat\u00e9gico que debe gestionarse adecuadamente. As\u00ed es como lo hacemos en Mosaic Factor:<\/p>\n [\/et_pb_text][et_pb_image src=\u00bbhttps:\/\/www.mosaicfactor.com\/wp-content\/uploads\/2024\/12\/servei-llms-es-1.svg\u00bb alt=\u00bbLLMs-MosaicFactor\u00bb title_text=\u00bbservei-llms-es\u00bb _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb max_width=\u00bb700px\u00bb module_alignment=\u00bbcenter\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb][\/et_pb_image][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb custom_margin_tablet=\u00bb||2em||false|false\u00bb custom_margin_phone=\u00bb||2em||false|false\u00bb custom_margin_last_edited=\u00bbon|tablet\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n 1. Evaluaci\u00f3n y planificaci\u00f3n:<\/strong><\/p>\n a. Identificar casos de uso: determinamos d\u00f3nde un LLM puede agregar valor. Los casos de uso comunes incluyen chatbots, an\u00e1lisis de sentimientos, generaci\u00f3n de contenido y traducci\u00f3n.<\/p>\n b. Evaluar datos: evaluamos la calidad y cantidad de los datos disponibles. Los LLM requieren datos de entrenamiento sustanciales para un rendimiento \u00f3ptimo.<\/p>\n 2. Selecci\u00f3n del modelo:<\/strong><\/p>\n a. Selecci\u00f3n del light LLM: optamos por modelos m\u00e1s peque\u00f1os (por ejemplo, DistilBERT, TinyGPT) que ofrecen eficiencia sin sacrificar la calidad<\/p>\n b. Fine-tuning: cuando se utiliza un modelo previamente entrenado, lo ajustamos con datos espec\u00edficos del sector para mejorar la relevancia y la precisi\u00f3n.<\/p>\n 3. Infraestructura y despliegue:<\/strong><\/p>\n a. Recursos computacionales: asignamos suficientes recursos inform\u00e1ticos (CPU\/GPU) para el entrenamiento y la inferencia.<\/p>\n b. Integraci\u00f3n de API: configuramos APIs para interactuar con el LLM. Los frameworks m\u00e1s populares son Hugging Face Transformers y la API de OpenAI.<\/p>\n c. Escalabilidad: nos aseguramos de que el sistema pueda manejar una mayor carga a medida que crece el uso del modelo.<\/p>\n 4. Pre-tratamiento de datos:<\/strong><\/p>\n a. Tokenizaci\u00f3n: convertimos el texto en tokens adecuados para la entrada del LLM.<\/p>\n b. Formato de entrada: preparamos datos de entrada (por ejemplo, indicaciones, preguntas) para el LLM.<\/p>\n 5. Inferencia y output:<\/strong><\/p>\n a. Procesamiento por lotes: optimizamos la inferencia mediante el procesamiento por lotes de solicitudes.<\/p>\n b. Post-Procesamiento: limpiamos y damos formato a la salida generada por el LLM para la interacci\u00f3n con el usuario (ej. Chat o formulario de entrada).<\/p>\n 6. Seguimiento y mantenimiento:<\/strong><\/p>\n a. M\u00e9tricas de rendimiento: monitoreamos el rendimiento del LLM (por ejemplo, su precisi\u00f3n o el tiempo de respuesta).<\/p>\n b. Actualizaciones peri\u00f3dicas: mantenemos los LLM actualizados con nuevos datos y los volvemos a entrenar peri\u00f3dicamente.<\/p>\n c. Gesti\u00f3n de errores: implementamos una gesti\u00f3n robusta de errores para escenarios inesperados.<\/p>\n La integraci\u00f3n de LLMs es un proceso iterativo. Por lo general, recomendamos comenzar con un piloto a peque\u00f1a escala, recopilar feedback y refinar el sistema en funci\u00f3n de los datos de uso reales.<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb header_3_font=\u00bb|||on|||||\u00bb header_3_font_size=\u00bb28px\u00bb header_3_line_height=\u00bb1.2em\u00bb custom_margin=\u00bb||1em||false|false\u00bb custom_margin_tablet=\u00bb||0em||false|false\u00bb custom_margin_phone=\u00bb||0em||false|false\u00bb custom_margin_last_edited=\u00bbon|tablet\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n [\/et_pb_text][et_pb_text _builder_version=\u00bb4.27.2″ _module_preset=\u00bbdefault\u00bb text_font_size=\u00bb18px\u00bb text_line_height=\u00bb1.6em\u00bb global_colors_info=\u00bb{}\u00bb theme_builder_area=\u00bbpost_content\u00bb]<\/p>\n Nos centramos en la creaci\u00f3n de modelos de IA optimizados de alto rendimiento<\/strong> que minimicen el uso de recursos computacionales, lo que se traduce en menores costes y menor impacto medioambiental. <\/strong><\/p>\n Siempre evaluamos los casos de uso de IA dentro de la industria espec\u00edfica de la empresa para asegurarnos de que los LLM empoderen a las empresas para tomar decisiones basadas en datos, optimizar procesos y mantenerse a la vanguardia en un panorama de mercado din\u00e1mico.<\/p>\n [\/et_pb_text][\/et_pb_column][\/et_pb_row][\/et_pb_section]<\/p>\n","protected":false},"excerpt":{"rendered":" En Mosaic Factor, nos centramos en la creaci\u00f3n de LLM espec\u00edficos de sector (o modelos ling\u00fc\u00edsticos ligeros) para nuestras organizaciones clientes.<\/p>\n","protected":false},"author":1,"featured_media":3702,"parent":0,"menu_order":0,"template":"","format":"standard","meta":{"_acf_changed":false,"_et_pb_use_builder":"on","_et_pb_old_content":"","_et_gb_content_width":"","inline_featured_image":false,"footnotes":""},"industry":[],"proyecto":[131,132],"class_list":["post-2992","solution","type-solution","status-publish","format-standard","has-post-thumbnail","hentry","proyecto-disruptive","proyecto-horizon-europe-assistant"],"acf":[],"yoast_head":"\n\n
\n
\u00bfPor qu\u00e9 usar esta soluci\u00f3n?<\/h3>\n
\n
Integrar los LLMs en la organizaci\u00f3n<\/h3>\n
Creamos modelos de IA robustos y escalables<\/h3>\n