AI Engineering

Obra fundacional y de referencia técnica escrita por la científica de la computación Chip Huyen, que formaliza y estructura los principios de la ingeniería de IA (AI Engineering). A diferencia del machine learning clásico centrado en entrenar modelos a partir de datos brutos, este libro enseña a concebir y construir sistemas de software escalables y de alta disponibilidad construidos sobre modelos fundacionales ya existentes (LLMs y modelos multimodales). Está dirigido a ingenieros de software, ingenieros de machine learning, arquitectos técnicos y desarrolladores backend de nivel intermedio a avanzado que dominan Python y sistemas cliente-servidor y necesitan llevar aplicaciones basadas en modelos fundacionales de la fase de prototipo experimental a producción masiva.

El texto cubre de manera exhaustiva todo el ciclo arquitectónico de los sistemas de IA: comprensión profunda de las capacidades y limitaciones de los modelos fundacionales, metodologías de evaluación rigurosa (evals, pruebas deterministas, conjuntos sintéticos y técnicas de LLM-as-a-judge), e ingeniería avanzada de prompts. Profundiza en el diseño de arquitecturas de generación aumentada por recuperación (RAG) y agentes autónomos capaces de razonar y emplear herramientas, ingeniería y curación de conjuntos de datos, estrategias de ajuste fino (fine-tuning con SFT y LoRA frente a aprendizaje en contexto), optimización de la inferencia (cuantización, kv-cache, paralelismo y motores como vLLM) y patrones de arquitectura de sistemas con bucles de retroalimentación de usuarios.

El enfoque del libro es conceptual, metodológico y sistémico: analiza los compromisos arquitectónicos fundamentales entre latencia, precisión, gobernanza y costes operativos, respaldado por código y patrones de referencia en su ecosistema abierto. Su mayor aportación es dotar al ingeniero de una metodología rigurosa para evaluar y optimizar sistemas no deterministas, superando el cuello de botella que representan las evaluaciones subjetivas en entornos empresariales. No se enfoca en el entrenamiento previo (pretraining) masivo de transformadores desde cero ni en matemáticas puras de optimización. Conviene dominar Python, APIs distribuidas y nociones básicas de arquitectura de software concurrente.