L'ajust fi de models de llenguatge massius és una tasca habitual en el desenvolupament d'aplicacions d'intel·ligència artificial, però comporta un risc conegut: en especialitzar un model en una nova funció, sovint es degraden capacitats preexistents que resulten igualment valuoses. Tècniques com la regularització paramètrica o la projecció sobre direccions singulars han intentat mitigar aquest problema, però treballen sobre l'espai dels pesos, no sobre l'espai funcional que realment defineix com es comporta el model. Un enfocament recent, anomenat FORA (Function-space Orthogonal Residual Adaptation), proposa una solució més fidel: protegir les capacitats conservant les direccions d'activació que aquestes utilitzen, estimades a partir de dades de calibratge sense etiquetar. En lloc de restringir directament els pesos, FORA construeix un projector sobre el subespai d'activacions rellevants i el combina amb un canal espectral estret per permetre plasticitat controlada. Això significa que el model pot aprendre noves tasques sense perdre la seva habilitat original, com traduir o resoldre problemes matemàtics, amb una pèrdua mínima en el rendiment de la nova tasca. Per a les empreses que integren intel·ligència artificial en els seus processos, aquest avenç té implicacions pràctiques. En desplegar assistents conversacionals o agents IA, resulta crític que el model retingui competències generals mentre s'adapta a dominis específics. A Q2BSTUDIO, desenvolupem aplicacions a mida que incorporen aquests principis de preservació de coneixement, garantint que la IA per a empreses no sacrifiqui versatilitat per especialització. A més, el nostre equip aplica metodologies de ciberseguretat per protegir els models i les dades sensibles, i aprofita serveis cloud AWS i Azure per escalar aquestes solucions de manera eficient. Tècniques com FORA demostren que la clau està a entendre com es comporta el model en el seu espai funcional, cosa que també apliquem en els nostres projectes de serveis d'intel·ligència de negoci amb Power BI, on preservar la semàntica de les dades és essencial. En definitiva, la investigació en adaptació funcional obre la porta a un programari a mida més robust i fiable, on la intel·ligència artificial no perd la seva base de coneixement en evolucionar cap a noves capacitats.





