The Machine Learning Solutions Architect Handbook, 2nd Edition
David Ping
- Editorial
- Packt
- Año
- 2024
- Páginas
- ~847
- Nivel
- Intermedio
De qué trata
Guía integral y exhaustiva de arquitectura de sistemas y MLOps escrita por David Ping (responsable de arquitectura de soluciones de GenAI y Machine Learning en AWS), actualizada en su segunda edición de 2024 a lo largo de más de 840 páginas. Está concebida para arquitectos de soluciones, líderes de ingeniería, ingenieros de datos y científicos de datos intermedios o avanzados que necesitan trascender el desarrollo de modelos en entornos experimentales para diseñar plataformas escalables, reproducibles y seguras en la nube corporativa.
El manual analiza el ecosistema de código abierto (scikit-learn, TensorFlow, PyTorch, XGBoost, Feast, MLflow) y se adentra de lleno en la infraestructura cloud de Amazon Web Services (AWS), detallando la orquestación en clústeres Kubernetes con Kubeflow, y la gama de capacidades de Amazon SageMaker (Studio, Pipelines, Feature Store, Model Registry, Model Monitor y endpoints de inferencia elástica). Además, cubre la integración de servicios de IA administrados (Comprehend, Rekognition, Textract, Transcribe, Kendra, Lex), prácticas avanzadas de CI/CD para ML, detección de deriva conceptual (drift), explicabilidad de modelos con SHAP y LIME, privacidad diferencial, mitigación de riesgos de ciberseguridad, y un bloque dedicado al ciclo de vida de la Inteligencia Artificial Generativa y la implementación de arquitecturas RAG (Retrieval-Augmented Generation).
A través de sus capítulos, el autor guía al lector en el diseño de plataformas de MLOps de nivel empresarial y sistemas de IA generativa basados en patrones de arquitectura reales. Su valor fundamental reside en su enfoque holístico sobre costes, gobierno del dato, cumplimiento normativo y resiliencia en producción, aspectos que la literatura puramente matemática omite. Para aprovecharlo al máximo conviene tener conocimientos previos de contenedores Docker y servicios cloud en AWS; no se detiene a deducir fórmulas matemáticas, sino en cómo articular con solidez las piezas de software e infraestructura que sostienen la IA moderna.
- Arquitectura de software
- MLOps
- AWS
- Amazon SageMaker
- Kubernetes
- Kubeflow
- MLflow
- Feast
- IA Generativa
- RAG
- Gobernanza de IA
- Explicabilidad (SHAP/LIME)
¿Cómo enseña?
Teoría + práctica
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Plataforma empresarial de MLOps en AWS
Diseño e implementación de una arquitectura integral de MLOps con Amazon SageMaker, orquestando ingesta, almacén de características con Feature Store, pipelines de entrenamiento, registro de modelos y despliegue continuo con supervisión de desviaciones de datos.
Entorno de ciencia de datos con Kubernetes y Kubeflow
Infraestructura abierta basada en clústeres de contenedores Kubernetes gestionados con Kubeflow Pipelines, MLflow para seguimiento de experimentos y Feast para el catálogo centralizado de variables de modelado.
Solución de IA Generativa corporativa con RAG
Arquitectura de recuperación aumentada para modelos masivos de lenguaje (LLM) que combina bases de datos vectoriales, optimización de prompts y servicios de inteligencia artificial de AWS para consulta segura de documentación interna.
