Fine-Tuning e Transfer Learning: Guia de Treinamento de Modelos

Fine-tuning é o processo de customizar modelos pré-treinados para tarefas ou domínios específicos. Com as estratégias corretas de fine-tuning, aumentos de desempenho de até 40% podem ser alcançados em soluções de IA corporativa.

Fundamentos de Transfer Learning

Transfer learning é a transferência de conhecimento aprendido em uma tarefa para outra tarefa.

Vantagens de Transfer Learning

1. Eficiência de Dados: Bons resultados com menos dados
2. Economia de Tempo: Muito mais rápido do que treinar do zero
3. Redução de Custos: Menos recursos computacionais
4. Desempenho: Aproveitamento do conhecimento pré-treinado

Pré-treinamento vs Fine-tuning

1Pre-training:
2- Large, general dataset (TBs)
3- Learning general language/task understanding
4- Training takes months
5- Cost in millions of dollars
6
7Fine-tuning:
8- Small, domain-specific dataset (MB-GB)
9- Specific task adaptation
10- Training takes hours-days
11- Cost in thousands of dollars

Full Fine-Tuning

Atualização de todos os parâmetros do modelo.

Vantagens

• Máxima capacidade de adaptação
• Maior potencial de desempenho

Desvantagens

• Alta exigência de memória
• Risco de esquecimento catastrófico
• Cópia separada do modelo para cada tarefa

Requisitos de Hardware

Parameter-Efficient Fine-Tuning (PEFT)

Fine-tuning atualizando apenas uma pequena parte dos parâmetros.

Vantagens do PEFT

• Eficiência de Memória: Redução de 90%+
• Velocidade: Treinamento mais rápido
• Modularidade: Um único modelo base, múltiplos adapters
• Esquecimento Catastrófico: Risco minimizado

LoRA (Low-Rank Adaptation)

O método PEFT mais popular.

Teoria do LoRA

Atualização aproximada da matriz de pesos com matrizes de baixo rank:

1W' = W + ΔW = W + BA
2
3Where:
4- W: Original weight matrix (d × k)
5- B: Low-rank matrix (d × r)
6- A: Low-rank matrix (r × k)
7- r: Rank (typical: 8-64)

Economia de Parâmetros

1Original: d × k parameters
2LoRA: r × (d + k) parameters
3
4Example (d=4096, k=4096, r=16):
5Original: 16.7M parameters
6LoRA: 131K parameters
7Savings: ~127x

Configuração LoRA

1from peft import LoraConfig, get_peft_model
2
3config = LoraConfig(
4    r=16,                      # Rank
5    lora_alpha=32,             # Scaling factor
6    target_modules=[           # Which layers to apply
7        "q_proj",
8        "k_proj", 
9        "v_proj",
10        "o_proj"
11    ],
12    lora_dropout=0.05,
13    bias="none",
14    task_type="CAUSAL_LM"
15)
16
17model = get_peft_model(base_model, config)

Hiperparâmetros do LoRA

Rank (r):

• Baixo (4-8): Tarefas simples, poucos dados
• Médio (16-32): Uso geral
• Alto (64-128): Adaptação complexa

Alpha:

• Geralmente alpha = 2 × r

Target Modules:

• Camadas de atenção: q_proj, k_proj, v_proj, o_proj
• Camadas MLP: gate_proj, up_proj, down_proj

QLoRA (Quantized LoRA)

Combinação de LoRA + quantização de 4 bits.

Recursos do QLoRA

1. 4-bit NormalFloat (NF4): Formato de quantização customizado
2. Double Quantization: Quantização das constantes de quantização
3. Paged Optimizers: Gerenciamento de estouro de memória da GPU

Comparação de Memória QLoRA

Implementação QLoRA

1from transformers import BitsAndBytesConfig
2import torch
3
4bnb_config = BitsAndBytesConfig(
5    load_in_4bit=True,
6    bnb_4bit_use_double_quant=True,
7    bnb_4bit_quant_type="nf4",
8    bnb_4bit_compute_dtype=torch.bfloat16
9)
10
11model = AutoModelForCausalLM.from_pretrained(
12    "meta-llama/Llama-2-7b-hf",
13    quantization_config=bnb_config,
14    device_map="auto"
15)
16## Outros Métodos PEFT
17
18### Prefix Tuning
19
20Adiciona prefixes treináveis às embeddings de entrada:
21

Input: [PREFIX_1, PREFIX_2, ..., PREFIX_N, token_1, token_2, ...]

1
2### Prompt Tuning
3
4Aprendizado de *soft prompts*:
5

[SOFT_PROMPT] + "Actual input text"

1
2### Adapter Layers
3
4Adicionando pequenas redes entre camadas do transformer:
5

Attention → Adapter → LayerNorm → FFN → Adapter → LayerNorm

1
2### (IA)³ - Infused Adapter
3
4Multiplicando ativações com vetores aprendidos:
5

output = activation × learned_vector

1
2## Preparação de Dados
3
4### Formatos de Dados
5
6**Formato de Instrução:**
7```json
8{
9  "instruction": "Summarize this text",
10  "input": "Long text...",
11  "output": "Summary..."
12}

Formato de Chat:

1{
2  "messages": [
3    {"role": "system", "content": "You are a helpful assistant"},
4    {"role": "user", "content": "Question..."},
5    {"role": "assistant", "content": "Answer..."}
6  ]
7}

Qualidade dos Dados

Características de Bons Dados:

• Diversidade (exemplos variados)
• Consistência (formato consistente)
• Precisão (rótulos corretos)
• Quantidade suficiente (geralmente 1K-100K exemplos)

Aumentação de Dados

1# Paraphrasing
2augmented_data = paraphrase(original_data)
3
4# Back-translation
5translated = translate(text, "tr")
6back_translated = translate(translated, "en")
7
8# Synonym replacement
9augmented = replace_synonyms(text)

Estratégias de Treinamento

Seleção de Hiperparâmetros

1training_args = TrainingArguments(
2    learning_rate=2e-4,        # Typical for LoRA
3    num_train_epochs=3,
4    per_device_train_batch_size=4,
5    gradient_accumulation_steps=4,
6    warmup_ratio=0.03,
7    lr_scheduler_type="cosine",
8    fp16=True,
9    logging_steps=10,
10    save_strategy="epoch",
11    evaluation_strategy="epoch"
12)

Taxa de Aprendizado

• Full fine-tuning: 1e-5 - 5e-5
• LoRA: 1e-4 - 3e-4
• QLoRA: 2e-4 - 5e-4

Regularização

1# Weight decay
2weight_decay=0.01
3
4# Dropout
5lora_dropout=0.05
6
7# Gradient clipping
8max_grad_norm=1.0

Avaliação e Validação

Métricas

Perplexidade:

PPL = exp(average cross-entropy loss)
Lower = better

BLEU/ROUGE: Qualidade de geração de texto

Específicas da tarefa: Acurácia, F1, métricas personalizadas

Detectando Overfitting

1Train loss ↓ + Validation loss ↑ = Overfitting
2
3Solutions:
4- Early stopping
5- More dropout
6- Data augmentation
7- Fewer epochs

Deploy

Mesclagem de Modelo

Mesclando o adaptador LoRA ao modelo base:

merged_model = model.merge_and_unload()
merged_model.save_pretrained("merged_model")

Servindo Múltiplos Adaptadores

Vários adaptadores com um único modelo base:

1from peft import PeftModel
2
3base_model = AutoModelForCausalLM.from_pretrained("base")
4model_a = PeftModel.from_pretrained(base_model, "adapter_a")
5model_b = PeftModel.from_pretrained(base_model, "adapter_b")

Pipeline de Fine-Tuning Empresarial

1┌─────────────┐     ┌─────────────┐     ┌─────────────┐
2│ Data        │────▶│ Training    │────▶│ Evaluation  │
3│ Preparation │     │ (LoRA/QLoRA)│     │ & Testing   │
4└─────────────┘     └─────────────┘     └──────┬──────┘
5                                                │
6                    ┌─────────────┐     ┌──────▼──────┐
7                    │ Production  │◀────│ Model       │
8                    │ Deployment  │     │ Registry    │
9                    └─────────────┘     └─────────────┘

Problemas Comuns e Soluções

1. Falta de Memória

Solução: QLoRA, gradient checkpointing, redução do batch size

2. Esquecimento Catastrófico

Solução: Taxa de aprendizado menor, replay buffer, elastic weight consolidation

3. Overfitting

Solução: Mais dados, regularização, early stopping

4. Generalização Fraca

Solução: Aumentar a diversidade dos dados e das instruções

Conclusão

O fine-tuning é a forma mais eficaz de adaptar modelos pré-treinados às necessidades corporativas. Customizações poderosas podem ser feitas mesmo com recursos limitados usando métodos de PEFT como LoRA e QLoRA.

Na Veni AI, fornecemos serviços de consultoria e implementação para projetos corporativos de fine-tuning. Entre em contato conosco para suas necessidades.