book

Sistemas de producción de aprendizaje automático

by Robert Crowe, Hannes Hapke, Emily Caveness, Di Zhu

March 2025

Intermediate to advanced

474 pages

14h 47m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Quién debería leer este libroPor qué escribimos este libroNavegar por este libroConvenciones utilizadas en este libroUtilizar ejemplos de códigoAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientosRobertHannesEmilyDi
¿Qué es el aprendizaje automático de producción?Ventajas de los conductos de aprendizaje automáticoCentrarse en el desarrollo de nuevos modelos, no en el mantenimiento de los modelos existentesPrevención de bichosCreación de registros para depurar y reproducir resultadosNormalizaciónEl caso empresarial de las tuberías ML Cuándo utilizar tuberías de aprendizaje automáticoPasos de un proceso de aprendizaje automáticoIngestión y versionado de datosValidación de datosIngeniería de funcionesEntrenamiento y ajuste del modeloAnálisis de modelosImplementación de modelosDe cara al futuro
Consideraciones importantes en la recogida de datosRecogida responsable de datosEtiquetado de Datos: Cambios de Datos y Deriva en la Producción MLDatos de etiquetado: Etiquetado directo y etiquetado humanoValidar los Datos: Detectar Problemas con los DatosValidación de Datos: Validación de Datos TensorFlowDetección de desviación con TFDVTipos de desviaciónEjemplo: Detectar conjuntos de datos desequilibrados con la validación de datos TensorFlowConclusión
Introducción a la ingeniería de característicasOperaciones de preprocesamientoTécnicas de ingeniería de rasgosNormalizar y estandarizarBuceoCaracterística CrucesDimensionalidad e IncrustacionesVisualizaciónTransformación de rasgos a escalaElige un marco que se adapte bienEvitar el sesgo de formación-servicioConsidera las transformaciones a nivel de instancia frente a las de paso completoUso de la Transformación TensorFlowAnalizadoresEjemplo de códigoSelección de característicasEspacios destacadosResumen de la selección de característicasMétodos de filtradoMétodos envolventesMétodos integradosSelección de características y ejemplos para LLMs y GenAIEjemplo: Utilizar la transformación TF para tokenizar textoVentajas de utilizar la Transformación TF Alternativas a la Transformación TFConclusión
Viaje de datosMetadatos MLUtilizar un esquemaDesarrollo de esquemasEntornos de esquemaCambios en los conjuntos de datos Almacenamiento de datos empresarialesTiendas especializadasAlmacenes de datosLagos de datosConclusión
Etiquetado avanzadoEtiquetado SemisupervisadoAprendizaje activoSupervisión deficienteRevisión avanzada del etiquetadoAumento de datosEjemplo: CIFAR-10Otras técnicas de aumentoRevisión del Aumento de DatosPreprocesamiento de Datos de Series Temporales: Un ejemploVentanasMuestreoConclusión
Reducción de la dimensionalidad: Efecto de la dimensionalidad en el rendimientoEjemplo: Incrustación de palabras con KerasLa maldición de la dimensionalidadAñadir dimensiones aumenta el volumen del espacio de característicasReducción de la dimensionalidadCuantización y podaMóvil, IoT, perímetro y casos de uso similaresCuantizaciónOptimizar tu modelo TensorFlow con TF LiteOpciones de optimizaciónPodaDestilación del conocimientoRedes de profesores y alumnosTécnicas de Destilación del ConocimientoTMKD: Destilar conocimientos para una tarea de preguntas y respuestasAumentar la robustez destilando EfficientNetsConclusión
Formación DistribuidaParalelismo de datosTuberías de entrada eficientesConceptos básicos de la tubería de entradaPatrones de tuberías de entrada: Mejora de la eficaciaOptimizar tu canal de entrada con datos de TensorFlowEntrenamiento de grandes modelos: El auge de las redes neuronales gigantes y el paralelismoPosibles soluciones y sus deficiencias¿Paralelismo de tuberías al rescate?Conclusión
Analizar el rendimiento del modeloEvaluación de la caja negraMétricas de rendimiento y objetivos de optimizaciónAnálisis avanzado de modelosAnálisis del modelo TensorFlowLa Herramienta de Interpretabilidad del AprendizajeDepuración avanzada de modelosModelos de referenciaAnálisis de sensibilidadAnálisis de residuosRemediación ModeloRemediación de la discriminaciónEquidadEvaluación de la equidadConsideraciones sobre la equidadEvaluación y monitoreo continuosConclusión

IA explicableMétodos de interpretación de modelosCategorías de métodosModelos intrínsecamente interpretablesMétodos de diagnóstico de modelosExplicaciones locales interpretables del modelo-agnóstico Valores ShapleyLa Biblioteca SHAP Prueba de vectores de activación de conceptos Explicaciones sobre la IAEjemplo: Explorar la sensibilidad del modelo con SHAPModelos de regresiónModelos de Procesamiento del Lenguaje NaturalConclusión
Ajuste de hiperparámetrosIntroducción a AutoMLComponentes clave del NASEspacios de búsquedaEstrategias de búsquedaEstrategias de estimación del rendimientoAutoML en la nubePiloto automático Amazon SageMakerAprendizaje automático de máquinas en Microsoft AzureGoogle Cloud AutoMLUtilizar AutoMLIA Generativa y AutoMLConclusión
Modelo de formaciónPredicción del modeloLatenciaRendimientoCosteRecursos y requisitos para servir a los modelosCoste y complejidadAceleradoresAlimentar a la bestiaImplementaciones de modelosImplementaciones de Centros de DatosImplementaciones Móviles y DistribuidasServidores modeloServicios gestionadosConclusión
Inferencia por lotesRendimiento por lotesCasos prácticos de la inferencia por lotesETL para sistemas distribuidos de procesamiento por lotes y por flujosIntroducción a la Inferencia en Tiempo RealEntrega sincrónica de predicciones en tiempo realEntrega asíncrona de predicciones en tiempo realOptimizar la inferencia en tiempo realCasos prácticos de inferencia en tiempo realServir a conjuntos modeloTopologías de conjuntoEjemplo ConjuntoConsideraciones sobre el servicio de conjuntoEnrutadores modelo: Ensembles en GenAIPreprocesamiento y Postprocesamiento de Datos en Tiempo RealTransformaciones de formación frente a transformaciones de servicioVentanasOpciones de preprocesamientoIntroducir Transformación TensorFlowPostprocesadoInferencia en el perímetro y en el navegadorDesafíosImplementaciones de modelos mediante contenedoresFormación sobre el dispositivoAprendizaje FederadoInteroperabilidad en tiempo de ejecuciónInferencia en los navegadores webConclusión
Servidores modeloServicio TensorFlowServidor de Inferencia NVIDIA TritonTorchServeConstruir una infraestructura escalableContenedorizaciónEra de la Implementación TradicionalEra de la Implementación VirtualizadaEra de la Implementación de ContenedoresEl marco de contenedores DockerOrquestación de contenedoresFiabilidad y disponibilidad mediante redundanciaObservabilidadAlta disponibilidadImplementaciones automatizadasAceleradores de hardwareGPUsTPUsConclusión
Ejemplo: Implementación de modelos TensorFlow con TensorFlow ServingExportar modelos Keras para el servicio TFConfigurar el servicio TF con DockerConfiguración básica de TF ServingHacer peticiones de predicción de modelos con RESTHacer peticiones de predicción de modelos con gRPCObtener predicciones a partir de modelos de clasificación y regresiónUtilizar cargas útilesObtener metadatos del modelo desde el servidor TFHacer peticiones de inferencia por lotesEjemplo: Perfilar las inferencias de servicio de la TF con TF ProfilerRequisitos previosConfiguración de TensorBoardPerfil del modeloEjemplo: Configuración básica de TorchServeInstalar las dependencias de TorchServeExportar tu modelo para TorchServeConfigurar TorchServeHacer peticiones de predicción de modelosHacer peticiones de inferencia por lotesConclusión
Seguimiento de experimentosExperimentar en cuadernosExperimentar en generalHerramientas de seguimiento y control de versiones de experimentosIntroducción a los MLOpsCientíficos de datos frente a ingenieros de softwareIngenieros MLML en Productos y ServiciosMLOpsMetodología MLOpsMLOps Nivel 0MLOps Nivel 1MLOps Nivel 2Componentes de un flujo de trabajo orquestadoTres tipos de componentes personalizadosComponentes basados en funciones de PythonComponentes basados en contenedoresComponentes totalmente personalizadosInmersión profunda en TFXSDK TFXRepresentación intermediaTiempo de ejecuciónImplementación de una tubería ML utilizando componentes TFXFunciones avanzadas del TFXGestionar las versiones del modeloEnfoques de los modelos de control de versionesLinaje del modeloRegistros ModeloIntegración continua e Implementación continuaIntegración continuaEntrega continuaEntrega progresivaImplementación Azul/VerdeImplementación de CanariasExperimentación en vivoConclusión
La importancia del monitoreoObservabilidad en el aprendizaje automático¿Qué debes monitorizar?Alertas personalizadas en TFXRegistroRastreo distribuidoMonitoreo del deterioro del modeloDeriva de datos y deriva de conceptosDetección de la decadencia del modeloTécnicas de monitoreo supervisadoTécnicas de monitoreo no supervisadoMitigar el deterioro del modeloReentrenar a tu modeloCuándo reentrenarReentrenamiento automatizadoConclusión
¿Por qué es importante la privacidad de los datos?¿Qué datos deben mantenerse privados?DañosRecoge sólo lo que necesitesDatos de GenAI extraídos de la Web y otras fuentesRequisitos legalesEl GDPR y la CCPAEl derecho al olvido del GDPR Pseudonimización y anonimizaciónPrivacidad diferencialAD Local y GlobalEpsilon-Delta DPAplicación de la privacidad diferencial al MLEjemplo de privacidad de TensorFlowAprendizaje FederadoML encriptadoConclusión
Introducción a la orquestación de canalizaciones¿Por qué orquestación de canalizaciones?Grafos acíclicos dirigidosOrquestación de tuberías con TFXTuberías interactivas TFXConvertir tu tubería interactiva para la producción Orquestando Pipelines TFX con Apache BeamOrquestar tuberías TFX con tuberías KubeflowIntroducción a las tuberías KubeflowInstalación y configuración inicialAcceder a las tuberías de KubeflowEl flujo de trabajo de TFX a KubeflowFunciones OpFuncOrquestando tuberías KubeflowTuberías de vértices de Google CloudConfiguración de Google Cloud y Vertex PipelinesConfigurar una cuenta de servicios en la nube de GoogleOrquestar tuberías con tuberías de vérticeEjecutar canalizaciones de vérticesElegir tu orquestadorTFX interactivoApache BeamTuberías KubeflowTuberías de vértices de Google CloudAlternativas a TFXConclusión
Prácticas avanzadas de tuberíasConfigura tus componentesImportar artefactosUtilizar Nodo Resolver Ejecutar una canalización condicional Exportar modelos TF LiteEntrenamiento con modelos de arranque en calienteUtilizar manipuladores de salidaMensajes de activación del TFXComponentes TFX personalizados: Arquitectura y casos de usoArquitectura de los componentes TFXCasos de uso de los componentes personalizadosUso de componentes personalizados basados en funcionesEscribir un componente personalizado desde ceroDefinir las especificaciones de los componentesDefinir canales de componentesEscribir el ejecutor personalizadoEscribir el controlador personalizadoMontaje del componente personalizadoUtilizar nuestro componente personalizado básicoRevisión de la implementaciónReutilización de componentes existentesCrear componentes personalizados basados en contenedores¿Qué componente personalizado es el adecuado para ti?Complementos TFXConclusión
Nuestros datosNuestro modeloComponente de ingestión personalizadoPreprocesamiento de datosExportar el modelo Nuestro oleoductoIngestión de datosPreprocesamiento de datosModelo de formaciónEvaluación del modelo Modelo de exportaciónPonerlo todo junto Ejecutar en Apache BeamEjecutar en tuberías de vértices Implementación de modelos con TensorFlow ServingConclusión
Nuestros datosNuestro modeloIngestión ComponentePreprocesamiento de datosReunir la tuberíaEjecutar la canalización Implementación de modelos con Google Cloud VertexRegistrar tu modelo MLCrear un nuevo punto final modeloImplementación de tu modelo de MLSolicitar predicciones del modelo implementadoLimpiar tu modelo de implementaciónConclusión
Modelos GenerativosTipos de modelos GenAIAgentes y CopilotosFormación previaConjuntos de datos de preentrenamientoIncrustacionesEntrenamiento autosupervisado con máscarasAjuste finoAjuste fino frente a aprendizaje por transferenciaAfinar los conjuntos de datosConsideraciones de ajuste para la producciónAjuste fino frente a API modeloAjuste fino eficaz de los parámetrosLoRAS-LoRAAlineación humanaAprendizaje por Refuerzo a partir de la Retroalimentación HumanaAprendizaje por refuerzo a partir de los comentarios de la IAOptimización directa de preferenciasPromptingEncadenamientoRecuperación Generación AumentadaReActEvaluaciónTécnicas de evaluaciónComparación entre modelosLMOpsAtaques GenAIJailbreaksInyección de promptGenAI responsableDiseño responsableRealizar Pruebas AdversarialesIA ConstitucionalConclusión
Pensemos en términos de sistemas de ML, no de modelos de MLAcercar los sistemas ML a los expertos del dominioLa privacidad nunca ha sido tan importanteConclusión

Overview

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

El uso del aprendizaje automático para productos, servicios y procesos comerciales críticos es muy diferente del uso del aprendizaje automático en un entorno académico o de investigación, especialmente para los recién graduados en aprendizaje automático y aquellos que pasan de la investigación a un entorno comercial. Tanto si actualmente trabajas en la creación de productos y servicios que utilizan el aprendizaje automático como si te gustaría hacerlo en el futuro, este libro práctico te ofrece una visión amplia de todo el campo.

Los autores Robert Crowe, Hannes Hapke, Emily Caveness y Di Zhu te ayudan a identificar temas en los que puedes profundizar, junto con materiales de referencia y tutoriales que te enseñan los detalles. Aprenderás lo último en ingeniería de aprendizaje automático, incluyendo una amplia gama de temas como modelado, implementación y MLOps. Aprenderás los aspectos básicos y avanzados para comprender el ciclo de vida de producción del ML. Este libro ofrece cuatro secciones en profundidad que cubren todos los aspectos de la ingeniería de aprendizaje automático:

Este libro ofrece cuatro secciones detalladas que cubren todos los aspectos de la ingeniería del aprendizaje automático:

Datos: recopilación, etiquetado, validación, automatización y preprocesamiento de datos; ingeniería y selección de características de datos; recorrido y almacenamiento de datos.
Modelado: modelado de alto rendimiento; técnicas de gestión de recursos de modelos; análisis e interoperabilidad de modelos; búsqueda de arquitectura neuronal.
Implementación: patrones de servicio de modelos e infraestructura para modelos ML y LLMs; gestión y entrega; monitoreo y registro.
Producción: canalizaciones de ML; clasificación de textos e imágenes no estructurados; canalizaciones de modelos genAI.