Multimodal Generative AI in the Enterprise

Manual práctico de arquitectura e ingeniería de software enfocado en expandir la inteligencia artificial generativa más allá del texto, abordando el diseño y despliegue de sistemas multimodales que generan y procesan imágenes, audio y vídeo en entornos empresariales. La obra se fundamenta en modelos de vanguardia como Gemini (razonamiento multimodal y texto), Imagen (generación de imagen) y Veo (generación de vídeo). Está pensada para ingenieros de machine learning, arquitectos cloud y desarrolladores de software con experiencia intermedia en Python y servicios en la nube que necesitan crear soluciones generativas de producción con métricas de negocio claras.

El libro detalla el diseño de pipelines especializados para cada modalidad: creación de textos promocionales estratégicos, síntesis de fotografía comercial de producto con Imagen, generación y clonación de audio para voz corporativa, y ensamblado de piezas dinámicas de vídeo comercial con Veo. Enseña a orquestar y escalar estas canalizaciones en producción mediante herramientas como Apache Airflow, Kubeflow y el gestor de dependencias uv, incorporando kits de desarrollo para agentes (ADK). Paralelamente, profundiza en la gobernanza técnica: filtros de seguridad de contenidos, mitigación de infracciones de propiedad intelectual, respeto a las guías de identidad de marca y control de costos operativos.

Como núcleo práctico, se desarrolla un pipeline integral de marketing multimodal que automatiza la creación completa de campañas publicitarias coordinando texto, imágenes, locución y cortes de vídeo. La obra destaca por conectar la ingeniería técnica con la rentabilidad financiera y la justificación del ROI ante la dirección ejecutiva. Deja fuera las formulaciones matemáticas de difusión y el entrenamiento de modelos fundacionales desde cero, centrándose exclusivamente en la orquestación, integración de APIs y fiabilidad operativa en AWS, GCP o Azure.