Machine Learning Infrastructure and Best Practices for Software Engineers

Manual exhaustivo y riguroso escrito por el profesor e investigador Miroslaw Staron, centrado en el diseño de infraestructuras escalables y en la adopción de buenas prácticas de ingeniería de software para sistemas de Machine Learning. El texto utiliza Python 3.11 y PyTorch 2.1 como tecnologías de referencia y está destinado a ingenieros de software, profesionales de MLOps y líderes técnicos con nivel intermedio que necesitan trasladar prototipos experimentales de cuadernos Jupyter a productos de software confiables, mantenibles y listos para producción.

La obra analiza las diferencias estructurales entre el software tradicional determinista y los sistemas basados en ML. Enseña a diseñar pipelines integrales de datos y modelos, atendiendo a la adquisición, depuración, cuantificación de calidad y mitigación de ruido en diferentes tipologías de datos (numéricos, imágenes, lenguaje natural y código fuente). Cubre arquitecturas orientadas a ingeniería de características frente a enfoques basados en deep learning con datos crudos, estrategias de testing automatizado específicas para componentes estocásticos, observabilidad en tiempo de ejecución, detección de deriva (drift) y gobernanza de riesgos éticos y sesgos.

El texto ofrece patrones arquitectónicos y suites de pruebas en Python y PyTorch que los equipos pueden integrar en sus canalizaciones de CI/CD. Su gran valor radica en su sólida visión ingenieril, priorizando la reproducibilidad, la calidad del dato y la auditabilidad por encima del mero ajuste de hiperparámetros. No está pensado para enseñar algoritmos matemáticos desde cero, por lo que se requiere experiencia previa en desarrollo con Python y nociones básicas de modelado predictivo.