Machine Learning Production Systems

Manual exhaustivo de ingeniería de aprendizaje automático y MLOps publicado por O'Reilly a finales de 2024 por Robert Crowe, Hannes Hapke, Emily Caveness y Di Zhu (especialistas de Google y referentes en producción de IA). Su propósito central es cerrar la brecha crítica existente entre los modelos experimentales entrenados en cuadernos interactivos y las plataformas comerciales escalables que operan en producción continua. El texto está pensado para ingenieros de machine learning, desarrolladores de software y científicos de datos de nivel intermedio que dominan el entrenamiento de modelos pero necesitan aprender las prácticas de ingeniería, arquitectura distribuida y gobernanza exigidas en entornos empresariales.

El temario se organiza en cuatro fases esenciales del ciclo de vida productivo: datos, modelado, despliegue y puesta en producción. Enseña validación e higiene de datos a escala mediante herramientas como TensorFlow Data Validation (TFDV) para prevenir el sesgo entre entrenamiento y servicio (training-serving skew) y la deriva conceptual (data drift), además de preprocesamiento, selección de características automatizada y almacenamiento estructurado de datos. En la sección de modelado analiza técnicas de entrenamiento de alto rendimiento, optimización de recursos, evaluación comparativa (TFX Model Analysis) e interoperabilidad entre marcos mediante estándares abiertos como ONNX. En despliegue e infraestructura, cubre patrones de servicio tanto para modelos tradicionales como para modelos de lenguaje de gran tamaño (LLMs), servidores de inferencia como TensorFlow Serving y Triton Inference Server, monitorización continua y observabilidad. Por último, expone la orquestación de canalizaciones integrales mediante TensorFlow Extended (TFX) y Kubeflow Pipelines, abordando el procesamiento de texto, imágenes y flujos de trabajo orientados a IA generativa.

La obra pone el acento en la arquitectura modular de sistemas y en el diseño de canalizaciones automatizadas de inferencia y reentrenamiento, aportando patrones de diseño y esquemas de configuración reales de la industria. Su gran aportación es el rigor sistémico respaldado por la experiencia de ingeniería a escala de Google, actualizado con los requisitos contemporáneos de los LLMs. No explica algoritmos elementales ni ofrece una guía paso a paso de sintaxis básica, por lo que es imprescindible contar con experiencia previa sólida desarrollando modelos en Python.