</> CodeBooks
    ← Volver a IA: fundamentos y aplicaciones (página 7)
    Portada de The AI Optimization Playbook

    The AI Optimization Playbook

    Dr. Chun Schiros, Supreet Kaur, Rajdeep Arora, Dr. Usha Jagannathan

    Editorial
    Packt
    Año
    2025
    Páginas
    ~382
    Nivel
    Intermedio

    De qué trata

    Manual estratégico y operativo publicado por Packt a finales de 2025 que se enfoca en resolver la desconexión entre la experimentación técnica y el valor medible de negocio en iniciativas corporativas de inteligencia artificial. Está dirigido a directores de tecnología (CTOs, CIOs, CAIOs), directores de datos, arquitectos de software y líderes de producto con nivel intermedio que ya conocen las bases conceptuales de la IA y necesitan metodologías rigurosas para transicionar modelos desde la fase de prototipo hacia sistemas en producción.

    La obra enseña a evaluar y seleccionar proyectos con alto retorno de inversión (ROI), estructurar pruebas de concepto (PoC) confiables y definir métricas de adopción que trasciendan la simple exactitud algorítmica. Profundiza en la implementación de arquitecturas operativas mediante MLOps y LLMOps, inferencia causal, experimentación controlada y el despliegue de agentes autónomos de IA. Asimismo, dedica un bloque sustancial a la IA responsable (Responsible AI) a través del marco FEAT (Fairness, Ethics, Accountability, Transparency) y el cumplimiento de marcos regulatorios como la Ley de IA de la Unión Europea (EU AI Act).

    El libro aporta herramientas metodológicas, plantillas de evaluación, análisis de riesgos y estudios de caso reales categorizados según la madurez técnica de la organización. No incluye programación guiada de aplicaciones completas ni entrenamiento de redes neuronales desde cero, puesto que su propósito es arquitectónico, directivo y de optimización del ciclo de vida del software inteligente. Resulta una lectura fundamental para evitar el estancamiento en proyectos piloto y garantizar inversiones sostenibles en tecnología.

    • Estrategia de IA
    • MLOps
    • LLMOps
    • IA responsable
    • Gobernanza de IA
    • Agentes de IA
    • Inferencia causal
    • Métricas de adopción
    • Retorno de inversión (ROI)
    • Pruebas de concepto

    ¿Cómo enseña?

    TeóricoPráctico

    Teórico

    • ✗ Sin ejercicios
    • ✗ Sin proyectos

    Más de IA: fundamentos y aplicaciones con nivel Intermedio