CDL
Deep Dive
La plataforma end-to-end de Google Cloud para construir, desplegar y gestionar modelos de ML. Desde datos hasta producción.
Vertex AI es la plataforma unificada de ML de Google Cloud. Antes de 2021, Google tenía docenas de servicios de ML separados (AI Platform, AutoML Vision, AutoML NL, etc.) — Vertex AI los unifica en una sola plataforma coherente.
Cubre todo el ciclo de vida del ML: datos → experimentación → entrenamiento → evaluación → despliegue → monitoreo.
Un solo lugar
Todo el ciclo de vida del ML en una plataforma. Datasets, modelos, endpoints, pipelines y Feature Store en una consola.
AutoML + Custom
Desde AutoML sin código hasta entrenamiento con TensorFlow/PyTorch. Elige según tu equipo.
MLOps nativo
Pipelines reproducibles, versionado de modelos, monitoreo de drift, y CI/CD para ML.
Hardware GCP
Acceso a GPUs (NVIDIA A100, H100) y TPUs de Google para entrenamiento a escala.
| Componente | Función | Cuándo usar |
|---|---|---|
| Vertex AI Workbench | Notebooks Jupyter administrados con acceso a GPUs/TPUs. Entorno de desarrollo ML en la nube. | Exploración de datos y experimentación con ML |
| AutoML | Entrena modelos de clasificación, regresión, visión o NLP con tus datos sin código. | No tienes equipo de ML pero tienes datos etiquetados |
| Custom Training | Ejecuta código propio (TF, PyTorch, scikit) en hardware gestionado. Máximo control. | Data scientists con modelos propios |
| Model Registry | Repositorio centralizado de modelos con versionado, metadatos y linaje. | Gestionar múltiples versiones de modelos en producción |
| Vertex AI Endpoints | Despliega modelos como APIs REST para inferencia en tiempo real. Auto-scaling. | Servir predicciones a aplicaciones en producción |
| Batch Prediction | Ejecuta predicciones sobre un dataset completo sin endpoint dedicado. | Predicciones offline sobre millones de registros |
| Feature Store | Repositorio centralizado de features de ML para compartir entre equipos y modelos. | Múltiples modelos que comparten los mismos features de datos |
| Vertex AI Pipelines | Orquesta workflows de ML reproducibles usando Kubeflow Pipelines o TFX. | MLOps: pipelines de entrenamiento y despliegue automatizados |
| Experiments | Rastrea y compara experimentos de ML: hiperparámetros, métricas, artefactos. | Comparar decenas de runs de entrenamiento sistemáticamente |
| Model Monitoring | Detecta drift en datos y predicciones de modelos en producción. | Asegurar que los modelos en producción no degradan su rendimiento |
AutoML Tables
Datos tabulares estructurados (CSV, BigQuery). Clasificación binaria, multiclase o regresión. Automatiza feature engineering y arquitectura del modelo.
Ejemplo de caso de uso
Predecir qué clientes van a cancelar su suscripción (churn).
AutoML Vision
Clasificación de imágenes, detección de objetos o segmentación. Sube imágenes etiquetadas y AutoML encuentra la mejor arquitectura de red neuronal.
Ejemplo de caso de uso
Detectar defectos en piezas de manufactura con fotos de la línea de producción.
AutoML Text
Clasificación de texto, extracción de entidades o análisis de sentimiento con tus propias categorías.
Ejemplo de caso de uso
Clasificar tickets de soporte por categoría (billing, técnico, general) usando historial de tickets.
AutoML Video
Clasificación de videos, reconocimiento de acciones o seguimiento de objetos en video.
Ejemplo de caso de uso
Reconocer ejercicios en videos de fitness para una app de entrenamiento.
TensorFlow
Framework de ML open-source creado por Google en 2015. Uno de los más populares del mundo para deep learning. Vertex AI Custom Training lo soporta de forma nativa.
Cloud TPU (Tensor Processing Unit)
Chip diseñado por Google específicamente para acelerar operaciones de ML (multiplicaciones de matrices). Disponible en Vertex AI y como VMs en Compute Engine.
GPU vs TPU: cuándo usar cada uno
GPU (NVIDIA A100, H100)
TPU (Cloud TPU)
¿Entendiste este tema?
Pon a prueba lo que acabas de aprender
Un equipo de data science tiene modelos de TensorFlow propios que necesitan entrenar semanalmente con nuevos datos. Quieren versionar los modelos, compararlos y desplegar el mejor automáticamente. ¿Qué componentes de Vertex AI necesitan?