Comenzando con Ertas: Ajusta y despliega modelos de IA personalizados

La mayoría de las plataformas de IA te piden pagar por token y esperar lo mejor con modelos genéricos. Ertas funciona diferente. Ajustas modelos a través de una interfaz visual usando GPUs en la nube, luego los descargas y ejecutas en tu propio hardware — o los despliegas vía Ertas Cloud cuando se lance.

Esta guía te lleva a través de los tres pasos centrales: subir un dataset, ajustar en Studio y descargar tu modelo terminado.

Paso 1: Sube tu dataset

Ertas acepta datos de entrenamiento en formato JSONL — un objeto JSON por línea, que es el estándar para fine-tuning de modelos de lenguaje grandes. Si no tienes un dataset listo, puedes importar uno directamente desde Hugging Face usando una URL.

Preparando tus datos

Un archivo de entrenamiento JSONL típico se ve así:

{"prompt": "Summarize this support ticket", "completion": "Customer reported billing issue..."}
{"prompt": "Classify this email", "completion": "Category: Feature Request"}

Cada línea es un ejemplo de entrenamiento autocontenido. Ertas valida tu archivo al subirlo y señala problemas de formato antes de que inicies una ejecución de fine-tuning, para que detectes problemas temprano.

¿Aún no tienes datos de entrenamiento? Explora los datasets abiertos de Hugging Face y pega la URL directamente en la interfaz de carga de Ertas. Maneja la descarga y conversión por ti.

Paso 2: Ajusta en Studio

Una vez que tu dataset está subido, pasas a Ertas Studio — un entorno visual basado en canvas donde configuras y lanzas trabajos de fine-tuning en GPUs en la nube.

Qué hace diferente a Studio

• Múltiples modelos a la vez — Ajusta varios modelos base simultáneamente en el mismo dataset, luego compara resultados lado a lado
• Conocimiento guardado — Ertas preserva el conocimiento de cada ejecución de fine-tuning, para que puedas iterar y probar en diferentes casos de uso sin empezar desde cero
• Flujo de trabajo visual — Sin scripts de línea de comandos ni configuraciones YAML. Configura hiperparámetros, selecciona modelos base y monitorea el progreso del entrenamiento a través de la interfaz web
• GPUs en la nube — Fine-tuning se ejecuta en hardware rápido en la nube, así que no necesitas GPUs locales costosas

Studio está diseñado para que pases el tiempo evaluando resultados, no depurando pipelines de entrenamiento.

Paso 3: Descarga y despliega

Cuando tu modelo está listo, descárgalo como un archivo GGUF — el formato ampliamente soportado para ejecutar modelos de lenguaje grandes en hardware de consumo. Los modelos GGUF funcionan con herramientas como llama.cpp, Ollama, LM Studio y muchas otras. El despliegue en la nube vía Ertas Cloud viene pronto.

Por qué importan los modelos personalizados

• Sin costos recurrentes de API — Ejecuta inferencia tantas veces como quieras en tu propio hardware
• Privacidad total de datos en inferencia — Las consultas y respuestas nunca tocan un servidor externo cuando se ejecutan localmente
• Sin dependencia del proveedor — GGUF es un formato abierto. Tu modelo funciona con cualquier runtime compatible
• Experiencia de dominio incorporada — Un modelo ajustado entiende tu producto mejor que cualquier cantidad de prompt engineering

Qué hay en la hoja de ruta

Ertas está construyendo un ecosistema completo para IA personalizada:

1. Studio (En desarrollo) — La interfaz de fine-tuning en la nube descrita arriba, con sugerencias inteligentes de síntesis de datos próximamente
2. Hub (Próximamente) — Descubre y comparte modelos ajustados con la comunidad
3. Cloud (En el horizonte) — Despliega modelos ajustados como endpoints de API con integración de automatización de flujos de trabajo
4. Vault (Empresarial) — Almacenamiento cifrado de nivel empresarial para datasets y secretos

Únete a la lista de espera

Ertas está actualmente en desarrollo. Regístrate en la lista de espera en nuestra página principal para obtener acceso anticipado y ayudar a dar forma a la plataforma.

---

Construye modelos en los que confías. Entrénalos con tus datos. Despliégalos en tus términos.