Al entrar en junio, el equipo completó los desarrollos principales del primer semestre y se enfocó en construir redes de seguridad y preparar la presentación final.
En la última semana de mayo, nos dedicamos a concluir los resultados del tan esperado 4to Fine-Tuning (fine_tuning_4) y solidificar la estructura del sistema.
El 21 y 22 de mayo, el equipo de Maeumjigi se embarcó en la generación masiva de datos y la preparación para el Cuarto Fine-Tuning (fine_tuning_4).
Durante el 19 y 20 de mayo, la evaluación del tercer fine-tuning (fine_tuning_3) y la mejora de las características de backend y frontend procedieron en paralelo.
¡Debo corregir mi suposición de que el 13 de mayo fue el último día! El 17 de mayo hubo una ola masiva de pruebas de backend y redacción de informes.
El 13 de mayo, después de corregir los errores, reanudamos las pruebas de inferencia para los modelos del 2do fine-tuning.
¡El entrenamiento paralelo del 2do fine-tuning (fine_tuning_2), que comenzó para corregir el error de los hiperparámetros, finalmente terminó el 12 de mayo!
El 8 de mayo preparábamos la presentación de los resultados. Sin embargo, descubrí un error masivo.
El 7 de mayo sintetizamos los resultados de los 5 modelos que habíamos entrenado (Llama3.3-70B, DSR1-70B, HCX-Omni-8B, Qwen35-9B, HCX-Text-1.5B) y procedimos con la visualización a gran escala.
¡El 6 de mayo, finalmente escapamos del largo pantano del fine-tuning! Después de varias noches de trabajo, el entrenamiento de los modelos como HCX-Omni-8B y Qwen35-9B se completó con éxito.
Después de experimentar el infierno del OOM durante el entrenamiento de los masivos modelos de 70B, el 4 de mayo intentamos un cambio audaz de estrategia. Reduciendo drásticamente el tamaño del lote, apenas logramos empujar los modelos 70B a checkpoint-1200, pero el tiempo de entrenamiento fue absurdamente largo.
El 3 de mayo, habiendo ganado suficiente experiencia con los modelos 8B, nuestro equipo finalmente desafió a los reyes del rendimiento: el fine-tuning de modelos masivos de 70B (70 mil millones de parámetros). Intentamos entrenar tanto Llama 3.3 70B como DeepSeek-R1 70B, pero chocamos con un muro de recursos de hardware.
El 19 de abril es el día en que evaluamos el rendimiento del modelo (M6) entrenado en el conjunto de datos sintéticos (v5) que creamos con tanto esfuerzo. ¿Valieron la pena los datos que generamos mientras soportábamos una bomba de facturación de $10?
El 14 de abril es el día en que reanudamos el trabajo de generación de datos sintéticos (v5), que se había detenido temporalmente desde el incidente de la bomba de facturación. Aumentamos el límite de facturación de la API (levantamos la restricción) y ejecutamos el sistema, pero una vez más, no fue fácil.
El 9 de abril, usando el cuaderno de Colab que completamos ayer de manera ambiciosa, finalmente intentamos el primer entrenamiento (fine-tuning) de nuestro modelo de IA (Llama 3.1). Sin embargo, la realidad no fue tan fácil y tuvimos que enfrentar numerosos errores. También fue un día difícil ya que tuvimos que crear simultáneamente los materiales de presentación para la sexta semana.
El 8 de abril fue el día en que experimentamos la mayor crisis y un suceso de 'reír y llorar' mientras trabajábamos en el proyecto Maeumjigi. Fue el incidente de exceso del límite mensual y la bomba de facturación de la API de Claude.
El 7 de abril fue el día en que intentamos la integración ejecutando el código frontend construido por un compañero de equipo en un entorno local, y también el día en que lanzamos un script masivo usando IA para 'sintetizar' 60,000 nuevos datos de asesoramiento.
El 5 de abril marca el día en que concluimos el arduo viaje de preprocesamiento de datos (v1~v4) generando un informe final, al tiempo que iniciamos (kickoff) el proyecto de frontend que se convertirá en el rostro del servicio web Maeumjigi.
Este es el registro del 3 de abril, el día en que comenzamos en serio la tarea de refinar los datos de conversación de entrenamiento para introducirlos en el modelo de aprendizaje profundo (Llama 3.1). También fue el día en que ejecutamos una canalización masiva que hace que la IA lea el texto y juzgue la emoción por su cuenta.
Este es el registro del 1 de abril, cuando comenzamos a procesar una enorme cantidad de datos de conversación en un formato adecuado para entrenar el modelo Llama 3.1, que se convertirá en el motor central del proyecto Maeumjigi.
Este es el registro del 31 de marzo, cuando realizamos la prueba de compilación de Android de la aplicación de alarma de reservas, que fue la dirección inicial del proyecto Maeumjigi, mientras simultáneamente comenzábamos el preprocesamiento de datos de fine-tuning de Llama 3.1, insinuando una transición completa a un proyecto basado en IA.
Este es el registro del 30 de marzo, cuando comenzamos oficialmente a desarrollar la aplicación 'Alarma de Reservas MND Convention', que fue la idea inicial para el proyecto Maeumjigi. Basándonos en las reglas de codificación que establecimos la última vez, elaboramos un plan detallado del proyecto y sentamos las bases para el Desarrollo Guiado por Pruebas (TDD).
Este es el registro del 26 de marzo de 2026, el primer día del gran viaje del proyecto final "Maeumjigi". En aquel momento, en lugar del actual "Maeumjigi" basado en IA, el proyecto dio sus primeros pasos simplemente como una aplicación de alarma para Android.