IA generativa en Azure (Spanish Edition)

Capítulo 7. GenAIOps y LLMOps en Azure

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Este capítulo de se centra en patrones de arquitectura prácticos y técnicas de nivel empresarial para profesionales de la IA que ya conocen los fundamentos de los LLMs y están listos para crear aplicaciones listas para producción. Repasaremos los componentes clave que se necesitan para pasar de la fase de experimentación a la implementación en Azure, incluyendo el alojamiento de modelos, los almacenes de vectores, los marcos de orquestación, las herramientas de integración low-code y las interfaces web. A lo largo del camino, exploraremos opciones de diseño del mundo real, destacaremos las ventajas y desventajas (como el costo frente al rendimiento) y te daremos consejos prácticos para armar soluciones de GenAI escalables, seguras y fáciles de mantener.

De MLOps a GenAIOps: por qué es importante

Las operaciones en aplicaciones de IA no son nada nuevo. Durante casi una década, las empresas han confiado en MLOps (operaciones de aprendizaje automático) para aportar disciplina y rigor a los proyectos tradicionales de ML y de uso intensivo de datos. Los objetivos eran claros: hacer que los modelos fueran reproducibles, garantizar la escalabilidad y gestionar su ciclo de vida con los mismos principios que DevOps aportó a la ingeniería de software. Azure Machine Learning proporcionó las bases para ello: canalizaciones para el entrenamiento, ...