La distilación de modelos en Amazon Bedrock permite trasladar la inteligencia de enrutamiento de un modelo grande (Nova Premier) a uno pequeño (Nova Micro), reduciendo costos y latencia sin sacrificar precisión en búsquedas semánticas de video. Este artículo explica el flujo completo y su aplicabilidad para catálogos multimedia en América Latina.
Los modelos multimodales generales rinden bien en tareas diversas, pero no siempre son óptimos para casos específicos como la recuperación de páginas de documentos. Aquí explico cómo entrenar y afinar modelos multimodales en Sentence Transformers y muestro un ejemplo práctico con mejoras claras en VDR.
Las funciones de recompensa son el núcleo de la personalización por refuerzo para Amazon Nova. AWS Lambda ofrece una forma serverless y escalable para evaluar respuestas, orientar el aprendizaje y reducir la necesidad de millones de etiquetas manuales.
BERTopic combina embeddings de transformers, reducción de dimensionalidad, clustering y c-TF-IDF para generar temas más coherentes que los métodos tradicionales. Aquí explicamos su pipeline, cómo implementarlo paso a paso y qué considerar para proyectos en Latinoamérica.
Las funciones de pérdida dirigen el aprendizaje de los modelos: definen qué errores se penalizan y cómo. En esta guía revisamos las familias principales, sus propiedades y recomendaciones prácticas para proyectos en América Latina.
Mamba4 propone una arquitectura basada en State Space Models (SSMs) con un mecanismo selectivo que mantiene rendimiento competitivo y reduce costos computacionales frente a Transformers en secuencias largas. Es especialmente relevante para aplicaciones con recursos limitados o datos en streaming.
AWS integró SageMaker Unified Studio con buckets generales de S3 para facilitar el uso de datos no estructurados en ML. En este artículo explicamos cómo aprovechar esa integración para afinar Llama 3.2 11B Vision Instruct en una tarea de Visual Question Answering usando el dataset DocVQA.