La AWS AI League, una innovadora competición impulsada por Amazon Web Services (AWS), ha extendido sus horizontes hacia los países del sudeste asiático, incluyendo a estudiantes de naciones como Singapur, Indonesia, Malasia, Tailandia, Vietnam y Filipinas. Este evento se ha convertido en una plataforma significativa para introducir a jóvenes talentos al dinámico universo de la inteligencia artificial generativa, mediante un reto práctico basado en juegos centrado en la adaptación de modelos de lenguaje de gran tamaño (LLMs).
El torneo inició con una serie de tutoriales impartidos por el equipo de AWS y la comunidad de aprendizaje de inteligencia artificial generativa Gen-C. Los participantes tuvieron acceso a herramientas avanzadas como Amazon SageMaker JumpStart y PartyRock, diseñadas para simplificar la adaptación de modelos y la generación de datos sintéticos. Mientras SageMaker JumpStart posibilitó la adaptación de los LLM en un entorno de nube, PartyRock ofreció un espacio interactivo para gestionar los datos necesarios para ajustar el modelo Llama 3.2 3B Instruct.
El desafío principal exigía que los estudiantes superaran un modelo de referencia más grande, evaluado mediante un cuestionario, fomentando así el trabajo en modelos básicos, inteligencia artificial responsable e ingeniería de prompts. Tras una ronda preliminar competitiva que incluyó un ranking abierto de los modelos más destacados, los mejores proyectos avanzaron a la Gran Final Regional celebrada en Singapur.
Blix D. Foryasen, quien se alzó con el título de campeón, compartió sus impresiones sobre los aprendizajes adquiridos durante la competición. Subrayó que su éxito se basó no solo en la destreza técnica, sino también en su habilidad para colaborar y adaptarse a diversas situaciones del reto. A pesar de comenzar tardíamente, Foryasen consiguió desarrollar un robusto conjunto de datos y ajustó meticulosamente los hiperparámetros de su modelo, inspirándose en metodologías académicas previas.
Un aspecto que destacó durante su participación fue su innovador uso de PartyRock para generar diversidad y calidad en los conjuntos de datos sintéticos, priorizando siempre la calidad sobre la cantidad. Esto le llevó a recalibrar constantemente los hiperparámetros para mantener un rendimiento óptimo. Gracias a la colaboración con otros competidores, Foryasen implementó estrategias avanzadas como la adaptación de bajo rango (LoRA), lo que supuso una mejora significativa en el rendimiento de su modelo.
La Gran Final fue no solo el clímax de su esfuerzo individual, sino también un foro de intercambio de conocimientos entre los campeones nacionales. Este encuentro subrayó la importancia de la comunidad en el ámbito del aprendizaje y la innovación tecnológica, dejando una huella memorable en los participantes y solidificando el espíritu de colaboración entre ellos.
