En la reciente conferencia Build 2025, Microsoft reveló una innovadora función para su modelo de lenguaje Phi Silica, permitiendo mejorar su rendimiento mediante la adaptación de bajo rango (LoRA). Esta técnica permite ajustar los parámetros del modelo con un mínimo de datos personalizados, manteniendo sus capacidades generales intactas.
La innovación se enfocó en un uso práctico: mejorar la calidad de los cuestionarios Kahoot! generados, logrando reducir el índice de rechazo un 75% y multiplicar por 4.6 la calidad subjetiva de los cuestionarios. Microsoft Learning Zone, diseñada para PCs con Copilot+, colaboró con Kahoot! para crear juegos educativos interactivos empleando Phi Silica. LoRA facilitó la especialización del modelo base de Phi Silica para diversas necesidades pedagógicas, evitando la necesidad de múltiples modelos ajustados.
La calidad de los productos se evaluó en dos dimensiones: verificable, que cumplía las normas de Kahoot!, y subjetiva, relacionada con claridad y relevancia educativa. Un nuevo marco de evaluación, con agentes de IA simulando un equipo de revisión, ayudó a medir la calidad de los cuestionarios.
Para un ajuste fino efectivo de LoRA, se desarrolló un diverso conjunto de datos de alta calidad, enriquecido con preguntas y respuestas estilo Kahoot!. Esto resultó esencial para la optimización del modelo.
La optimización también se enfocó en los parámetros durante el entrenamiento, asegurando que los valores predeterminados mejoraran la calidad del output. Los ajustes lograron mejoras significativas en la experiencia del usuario, enfocando eficiencia y adecuación en las respuestas generadas.
Los resultados mostraron que el sistema con LoRA superó al modelo base en todas las métricas de calidad, incrementando la satisfacción en evaluaciones automáticas y humanas. Se generaron cerca de 13,000 ejemplos sintéticos para el entrenamiento y evaluación del modelo.
La innovadora generación de juegos Kahoot! mediante Microsoft Learning Zone se lanzará este verano, ofreciendo a educadores la oportunidad de experimentar esta herramienta avanzada. Este avance subraya cómo los modelos más pequeños, correctamente adaptados, pueden ofrecer experiencias de IA robustas y personalizadas en entornos limitados como herramientas de aprendizaje integradas.
