ExpertoModelos y ML Ops

Fine-tuning y Modelos Locales

Cuándo y cómo especializar un modelo con fine-tuning, y cómo evaluar la opción de correr modelos abiertos en infraestructura propia.

8 h estimadas 3 módulos · 4 leccionesActualizado el 14 de julio de 2026

Herramientas:DeepSeek Stable Diffusion

Objetivos del curso

Decidir cuándo el fine-tuning es la opción correcta frente a RAG o prompting.
Entender el proceso general de fine-tuning y sus variantes (full vs. LoRA).
Evaluar los trade-offs de correr modelos abiertos localmente.

Prerrequisitos

RAG y Bases de Conocimiento
Nociones básicas de APIs y líneas de comando.

Contenido del curso

Módulo 1

Cuándo el fine-tuning es la respuesta correcta

No siempre es necesario, y no siempre es la primera opción.

Fine-tuning vs. RAG vs. prompting: cómo elegir 11 min

Módulo 2

El proceso de fine-tuning

Datos, entrenamiento y evaluación.

Módulo 3

Modelos locales y autoalojados

Correr modelos open weight en infraestructura propia.

Cuándo tiene sentido correr un modelo localmente 10 min

Proyecto final

Diseñar una estrategia de especialización de modelo

Para un caso de uso real, decidí y justificá si la mejor estrategia es prompting avanzado, RAG, fine-tuning (full o LoRA) o un modelo local, y diseñá el plan de implementación.

Documento de decisión con el árbol de razonamiento usado.
Plan de implementación de la estrategia elegida.

Tu progreso en este curso0%

Empezar curso