Building Reliable AI Systems

Manual de ingeniería de software e inteligencia artificial escrito por Rush Shahani (cofundador y CTO de Persana AI) que aborda el paso crítico de llevar prototipos experimentales de modelos de lenguaje a aplicaciones en producción confiables, estables y seguras. Publicado por Manning en 2026, el texto trabaja con Python y los ecosistemas contemporáneos de modelos fundacionales (OpenAI, Anthropic). Está orientado a desarrolladores de software, arquitectos de soluciones y científicos de datos de nivel intermedio que ya dominan Python y los conceptos básicos de LLM, pero necesitan garantizar fiabilidad, baja latencia y control de costes en entornos corporativos.

El contenido se estructura en tres niveles arquitectónicos: salidas confiables, agentes confiables y operaciones confiables. Enseña a diseñar prompts defensivos y a implementar Retrieval-Augmented Generation (RAG) con embeddings y búsqueda en bases vectoriales, complementados con técnicas de ajuste fino (fine-tuning) y destilación de modelos. Explora a fondo el diseño de agentes autónomos y sistemas multiagente con LangGraph y LangChain, la gestión de memoria y la integración estandarizada de herramientas mediante Model Context Protocol (MCP). En el ámbito de LLMOps, profundiza en métricas de evaluación automatizadas (como FActScore, Hallucination Severity Score y Grounding Defect Rate), red teaming, detección de deriva semántica, caché semántico y cumplimiento normativo (GDPR y HIPAA).

A lo largo de sus capítulos prácticos se desarrollan proyectos concretos como un asistente de consultas médicas con estrictos guardrails de grounding y un planificador de viajes multiagente con delegación de tareas y herramientas conectadas por MCP. Su gran valor radica en su enfoque sistémico hacia los requisitos no funcionales (resiliencia, seguridad, explicabilidad y mitigación de alucinaciones), superando la clásica fase de demo rápida. No profundiza en el entrenamiento inicial de redes neuronales desde cero, ya que asume el consumo de modelos preentrenados vía API o pesos abiertos.