En la reciente conferencia Build 2025, Microsoft ha revelado una innovadora función de ajuste fino para su modelo de lenguaje de pequeña escala, Phi Silica, que incorpora la técnica de adaptación de bajo rango (LoRA). Esta avanzada técnica permite optimizar los parámetros del modelo utilizando un conjunto limitado de datos personalizados, manteniendo a su vez su rendimiento general.
El desarrollo de esta funcionalidad se ha centrado en un uso práctico específico: la creación de cuestionarios de alta calidad para la plataforma Kahoot!. Gracias a este avance, se ha logrado reducir en un 75% las tasas de rechazo y mejorar en 4.6 veces la calidad subjetiva de los cuestionarios generados.
Microsoft Learning Zone, la primera aplicación educativa diseñada específicamente para PCs con Copilot+, se ha asociado con Kahoot! para facilitar la creación de juegos de aula interactivos utilizando el poder de Phi Silica. Esta herramienta soporta una variedad de tareas de generación, desde presentaciones dinámicas hasta formatos de opción múltiple. La integración de LoRA permite especializar un modelo base de Phi Silica para atender a diversas necesidades pedagógicas sin la complicación de desarrollar múltiples modelos ajustados.
En cuanto a la calidad de los cuestionarios generados, Microsoft ha definido dos ejes: la calidad verificable, que abarca las restricciones de formato exigidas por Kahoot!, y la calidad subjetiva, que examina aspectos como la claridad y el valor educativo. Se han establecido métricas específicas y se ha implementado un nuevo marco de evaluación, el cual incluye agentes de inteligencia artificial que simulan un equipo de revisión para medir la efectividad de los cuestionarios.
Para lograr un ajuste fino efectivo con LoRA, se desarrolló un conjunto de datos de alta calidad que combina materiales educativos con la generación de preguntas y respuestas, utilizando un modelo de lenguaje líder como referencia. Esto permitió crear un conjunto inicial de datos más diverso y enriquecido, crucial para el entrenamiento del modelo.
Además, durante la optimización de parámetros en el entrenamiento de LoRA, se validó que los valores predeterminados del kit de herramientas de inteligencia artificial eran los adecuados para mejorar la calidad de las respuestas generadas. Estas modificaciones resultaron en una notoria mejora en la experiencia del usuario, con un fuerte enfoque en la eficiencia y relevancia de las respuestas.
Los resultados de las pruebas de calidad han demostrado que el sistema personalizado de Phi Silica con LoRA supera notablemente al modelo base en todas las métricas, incrementando la satisfacción tanto en evaluaciones automáticas como humanas. En total, se generaron aproximadamente 13,000 ejemplos sintéticos para el entrenamiento y evaluación del modelo.
En un paso hacia la implementación pública, la generación de juegos Kahoot! a través de Microsoft Learning Zone estará disponible para que los educadores la prueben más adelante este verano. Este avance subraya cómo los modelos más pequeños, cuando son adaptados adecuadamente, pueden proporcionar experiencias de inteligencia artificial efectivas y personalizadas en contextos educativos.
