Designing Machine Learning Systems

Guía de referencia arquitectónica centrada en el diseño integral de sistemas de aprendizaje automático preparados para producción y el ciclo de vida de MLOps (con el ecosistema tecnológico de 2022 en Python). Está pensada para ingenieros de machine learning, científicos de datos y arquitectos de software con un nivel intermedio o avanzado que ya dominan los conceptos básicos de modelado estadístico y buscan cerrar la brecha entre los prototipos de laboratorio y las aplicaciones escalables, confiables y mantenibles en entornos corporativos reales.

El texto aborda un enfoque holístico e iterativo que cubre los fundamentos de ingeniería de datos (almacenamiento columnar y por filas con Parquet, ingesta y procesamiento por lotes frente a flujos de streaming con herramientas como Apache Kafka y Spark), creación de conjuntos de datos de entrenamiento (etiquetado programático, aumento de datos y manejo de clases desbalanceadas), ingeniería de características y almacenes centrales (Feature Stores como Feast), desarrollo y seguimiento de experimentos, empaquetado y compresión de modelos (cuantización, poda y destilación de conocimiento), patrones de despliegue y servicio (batch vs. online serving, inferencia en la nube y en dispositivos edge), y monitoreo en producción enfocado en la detección temprana de anomalías, data drift y concept drift.

No es un tutorial de codificación paso a paso ni incluye ejercicios prácticos de programación, sino que analiza compensaciones arquitectónicas clave y casos de estudio de la industria (incluyendo el dilema de construir o comprar componentes de la plataforma de ML). Aporta una visión de ingeniería de sistemas indispensable que rara vez se enseña en cursos tradicionales de ciencia de datos, dotando al lector de criterios sólidos para tomar decisiones de diseño a gran escala. Deja fuera la matemática profunda de los algoritmos y la sintaxis de librerías concretas de deep learning, por lo que resulta imprescindible contar con experiencia previa entrenando modelos antes de leerlo.