En la conferencia Build 2025, Microsoft desveló una innovadora función para su modelo de lenguaje Phi Silica, que ahora incorpora la técnica de adaptación de bajo rango (LoRA) para optimizar su rendimiento en diversas tareas. Esta tecnología permite ajustar los parámetros del modelo con un conjunto reducido de datos personalizados, sin comprometer su capacidad general.
El desarrollo de esta técnica se centró en un caso práctico: la generación de cuestionarios Kahoot! de alta calidad. Los resultados fueron sorprendentes, reduciendo las tasas de rechazo en un 75% y aumentando la calidad subjetiva de los cuestionarios en 4.6 veces.
Microsoft Learning Zone, la primera aplicación educativa diseñada para PCs con Copilot+, se alió con Kahoot! para crear juegos interactivos, ampliando su gama de tareas de generación, desde presentaciones hasta cuestionarios de opción múltiple. La especialización del modelo Phi Silica mediante LoRA permite responder a diversas necesidades pedagógicas sin recurrir a múltiples modelos personalizados.
La compañía se centró en dos aspectos claves de calidad: verificable —cumplimiento de estándares de Kahoot!— y subjetiva —claridad y relevancia educativa—, implementando un nuevo marco de evaluación con IA que simula revisiones humanas.
El ajuste efectivo de LoRA fue respaldado por un conjunto de datos de alta calidad, combinando materiales educativos y preguntas en el estilo Kahoot!, usando un modelo de lenguaje líder como guía. Esto creó una base rica y diversa esencial para el ajuste del modelo.
Optimizaron los parámetros del sistema durante el entrenamiento, validando así la adecuación de los valores predeterminados de su kit de herramientas de IA. Se lograron mejoras significativas en la experiencia del usuario, con una mayor eficiencia y pertinencia en las respuestas generadas.
Las pruebas de calidad confirmaron que el sistema Phi Silica especializado con LoRA supera al modelo base en todas las métricas, aumentando la satisfacción en evaluaciones tanto automáticas como humanas. Se generaron unos 13,000 ejemplos sintéticos para formar y evaluar el modelo.
Este avance, que permitirá a los educadores experimentar con la herramienta a partir de este verano, destaca cómo los modelos de lenguaje más pequeños pueden proporcionar experiencias de IA personalizadas y efectivas en entornos educativos.
