Machine Learning Systems

Texto especializado en ingeniería distribuida que traslada los principios del Manifiesto Reactivo a la construcción de arquitecturas predictivas resilientes, elásticas y de alta concurrencia. Escrito por Jeff Smith, el libro está concebido para ingenieros de software, desarrolladores del ecosistema Java y la JVM, y científicos de datos con inclinación hacia la infraestructura de datos que necesitan migrar modelos aislados hacia servicios de misión crítica capaces de soportar tráfico masivo y tolerar fallos continuos de infraestructura.

El libro adopta el lenguaje Scala como eje de implementación y se apoya en el conjunto de herramientas de computación distribuida y concurrencia más influyentes de la JVM: Apache Spark y Spark MLlib para el procesamiento distribuido en masa y entrenamiento de algoritmos de clasificación, junto con el framework Akka (empleando el modelo de actores, flujos reactivos con Akka Streams y jerarquías de supervisión de errores) para la ingestión continua de eventos, generación de variables en tiempo real (*streaming features*), publicación de modelos como microservicios asíncronos y entrega de predicciones con baja latencia y alta disponibilidad.

A lo largo del texto se implementa de manera modular un sistema predictivo reactivo completo: desde la ingesta de eventos de datos no estructurados hasta el despliegue de clasificadores distribuidos supervisados por actores que gestionan la saturación de tráfico y la recuperación automática ante caídas de nodos. Su principal contribución es enseñar a aplicar patrones de diseño reactivo y computación distribuida a canalizaciones de machine learning, dejando de lado la exploración estadística o el ajuste fino de hiperparámetros. Se requiere familiaridad con programación concurrente, fundamentos de Scala o Java funcional y nociones de sistemas distribuidos.