Machine Learning Platform Engineering
Benjamin Tan Wei Hao, Shanoop Padmanabhan, Varun Mallya
- Editorial
- Manning
- Año
- 2026
- Páginas
- ~504
- Nivel
- Intermedio
De qué trata
Guía integral y orientada a la ingeniería de software que aborda el desafío de transformar modelos experimentales desarrollados en cuadernos de notas en plataformas internas de desarrollo (IDP) reproducibles y listas para producción corporativa. Escrita por Benjamin Tan Wei Hao, Shanoop Padmanabhan y Varun Mallya, la obra está dirigida a ingenieros de software, ingenieros de MLOps y científicos de datos de nivel intermedio que dominan Python, contenedores y los fundamentos del aprendizaje automático, pero buscan construir infraestructuras completas de IA sin ataduras a soluciones propietarias ni vendor lock-in.
El libro detalla el ensamblado paso a paso de una plataforma MLOps nativa de la nube sobre Docker y Kubernetes, articulando una selección de herramientas de código abierto consolidadas: Kubeflow Pipelines para la orquestación y automatización de flujos de trabajo, MLflow para la trazabilidad de experimentos y el registro centralizado de modelos, Feast como almacén de características (feature store) para consumo en tiempo real y por lotes, BentoML para el empaquetado y servicio eficiente de predicciones vía APIs, Prometheus y Grafana para telemetría y métricas del sistema, y Evidently AI para el monitoreo de calidad de datos y deriva de conceptos (drift). Además, amplía su alcance hacia LLMOps para la gestión operativa y servicio de modelos fundacionales.
Se construye una plataforma interna de punta a punta apoyada en manifiestos declarativos y se despliegan dos sistemas de referencia completos: un clasificador visual de documentos e imágenes y un motor de recomendación tabular en tiempo real, junto con servicios de inferencia para modelos LLM. Su valor primordial radica en resolver problemas de ingeniería a escala como integración continua, reproducibilidad, gobernanza de variables y latencia de inferencia, omitiendo intencionalmente la teoría matemática del modelado predictivo. Es recomendable tener familiaridad con la consola de Linux, Dockerfiles y conceptos básicos de clústeres Kubernetes.
- MLOps
- Kubernetes
- Docker
- Kubeflow Pipelines
- MLflow
- Feast
- BentoML
- Evidently AI
- Prometheus y Grafana
- LLMOps
- CI/CD para Machine Learning
- Internal Developer Platforms (IDP)
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Plataforma Interna de Desarrollo (IDP) para MLOps
Infraestructura modular sobre Kubernetes que integra MLflow para registro, Feast como feature store, Kubeflow para canalizaciones de entrenamiento y Grafana para observabilidad.
Pipeline continuo para clasificación de imágenes y documentos
Flujo de trabajo orquestado que automatiza el reentrenamiento, empaquetado en contenedores y despliegue de modelos de visión con BentoML y auditoría de deriva con Evidently AI.
Servicio de recomendación tabular en tiempo real
Sistema de inferencia de baja latencia que sincroniza características en línea y fuera de línea mediante Feast para servir recomendaciones personalizadas a escala.
