Los pesos son los números de una
red neuronal que determinan qué información cuenta más y cuál menos para el funcionamiento de un
modelo de IA. Se ajustan durante el
entrenamiento y guardan lo que el modelo ha aprendido. Son el tipo de parámetro que más influye en sus resultados.
Imagina que quieres elegir un restaurante y preguntas a varias personas. No todas las opiniones valen lo mismo: la de tu amigo gourmet pesa mucho y la de alguien que come en cualquier sitio, poco. Ese peso es la confianza que das a cada opinión. Una
red neuronal hace lo mismo con millones de conexiones: a cada una le asigna su peso.
Al principio los pesos tienen valores casi aleatorios y el modelo no sabe nada. Durante el
entrenamiento, el modelo hace predicciones, las compara con la respuesta correcta y va ajustando el peso de cada conexión hasta acertar. Al terminar, la combinación final de valores es todo lo que sabe el modelo.
Los pesos son el tipo más importante de
parámetros, los valores internos que definen cómo funciona un modelo, aunque no el único: hay otros valores de ajuste más pequeños. Un modelo grande tiene miles de millones de pesos y se guardan en un archivo, a menudo muy grande. Con el
fine-tuning se vuelven a ajustar para especializar el modelo, y hay técnicas que modifican solo una pequeña parte, como la
Adaptación de Bajo Rango. Cuando un modelo es de pesos abiertos, lo que se publica es precisamente ese archivo.