Machine Learning Engineering with Python, 2nd Edition

Segunda edición, profundamente revisada y actualizada por Andrew McMahon, concebida para cerrar la brecha existente entre los experimentos exploratorios en cuadernos Jupyter y la ingeniería de software profesional para sistemas de machine learning en producción con Python (versión 3.10+). Está dirigida a científicos de datos, ingenieros de software y desarrolladores de Python con nivel intermedio que dominan el modelado estadístico pero necesitan adquirir las competencias de arquitectura, empaquetado, observabilidad y despliegue continuo que exige el rol de Machine Learning Engineer y la disciplina de MLOps.

La obra ofrece un recorrido exhaustivo por la creación de factorías de modelos reproducibles, arquitecturas de microservicios y canalizaciones de datos escalables. Detalla la gestión de dependencias y empaquetado profesional con Poetry, la creación de pruebas automatizadas con Pytest, la gobernanza y registro de experimentos con MLflow, y la orquestación distribuida de entrenamientos mediante Ray. Para el servicio y la infraestructura productiva, profundiza en el diseño de APIs asíncronas con FastAPI, la contenedorización con Docker, la orquestación de contenedores con Kubernetes y el despliegue de flujos de trabajo programados con Apache Airflow. Como gran novedad de esta edición, dedica atención prioritaria a las operaciones con modelos fundacionales (LLMOps), utilizando PyTorch, Hugging Face Transformers y LangChain.

El libro propone la construcción guiada de proyectos representativos del mundo empresarial: un microservicio de predicción en tiempo real containerizado y escalable, y una canalización por lotes tipo ETML (Extract, Transform, Machine Learning) orquestada con Airflow que combina clustering de datos con modelos de lenguaje para el procesamiento de texto. El valor diferencial de la obra es su enfoque realista en la mantenibilidad, los patrones de diseño y la automatización CI/CD, prescindiendo intencionadamente de la teoría matemática de los modelos para focalizarse por completo en la robustez del sistema. Resulta indispensable contar con soltura en Python y familiaridad previa con la consola de comandos de Linux antes de empezar.