Gen AI Leader
Deep Dive
Cómo se mueve un proyecto de machine learning desde datos crudos hasta un modelo en producción monitoreado, y qué herramientas de Google Cloud corresponden a cada etapa. Además, los ocho criterios de negocio y técnicos para elegir el foundation model correcto entre las alternativas disponibles.
Contenido
El ciclo de vida de machine learning describe el flujo completo por el que pasa cualquier proyecto de ML o gen AI, desde los datos crudos hasta un modelo funcionando de forma confiable en producción. Google Cloud organiza este flujo en cinco etapas.
1. Ingestión de datos (data ingestion)
Recolectar y traer los datos crudos —de bases de datos, APIs, logs, sensores, archivos— a un lugar centralizado donde puedan procesarse.
2. Preparación de datos (data preparation)
Limpiar, transformar, etiquetar y estructurar los datos para que sean utilizables por un modelo: eliminar duplicados, normalizar formatos, etiquetar ejemplos, dividir en conjuntos de entrenamiento/validación.
3. Entrenamiento del modelo (model training)
Ajustar los parámetros del modelo usando los datos preparados, ya sea entrenando desde cero, haciendo fine-tuning de un foundation model existente, o aplicando técnicas más ligeras como prompt tuning.
4. Despliegue del modelo (model deployment)
Poner el modelo entrenado disponible para que aplicaciones reales lo consuman, normalmente a través de un endpoint o API, con la infraestructura necesaria para servir predicciones a escala.
5. Gestión del modelo (model management)
Monitorear el rendimiento del modelo en producción, detectar model drift (degradación del rendimiento cuando los datos del mundo real cambian respecto a los datos de entrenamiento), y reentrenar o actualizar el modelo cuando sea necesario.
Cada etapa del ciclo de vida tiene un conjunto de servicios de Google Cloud diseñados específicamente para esa tarea. El examen espera que sepas asociar la etapa correcta con la herramienta correcta.
1. Ingestión
Almacenamiento y streamingCloud Storage, BigQuery, Pub/Sub — almacenamiento centralizado y streaming de datos crudos.
2. Preparación
Etiquetado y transformaciónEtiquetado de datos de Agent Platform, Dataprep, Dataflow — etiquetado, limpieza y transformación de datos.
3. Entrenamiento
Training y tuningEntrenamiento en Agent Platform (antes Vertex AI), Vertex AI Studio (para tuning de foundation models), TPUs de Google Cloud para cargas de entrenamiento intensivas.
4. Despliegue
Endpoints y Model GardenEndpoints de Agent Platform y Model Garden (acceso y despliegue de modelos pre-entrenados).
5. Gestión
Monitoreo y driftModel Monitoring de Agent Platform — detección de drift, evaluación continua y alertas de degradación del modelo.
TPU y AI Hypercomputer
Las TPUs (Tensor Processing Units) son el hardware especializado de Google diseñado específicamente para acelerar cargas de entrenamiento e inferencia de ML/gen AI, y forman parte de la infraestructura más amplia de AI Hypercomputer de Google Cloud.
No existe "el mejor" foundation model en abstracto — la elección correcta depende del caso de uso de negocio. Google Cloud identifica ocho criterios clave a evaluar.
| Criterio | Pregunta de negocio que responde |
|---|---|
| Modalidad | ¿El caso de uso requiere solo texto, o también imagen, audio o video de entrada/salida? |
| Context window | ¿Cuánta información (documentos, historial de conversación) necesita procesar el modelo de una sola vez? |
| Seguridad | ¿Qué controles de privacidad, cumplimiento normativo y protección de datos ofrece el proveedor del modelo? |
| Disponibilidad y fiabilidad | ¿El modelo tiene SLAs adecuados, uptime consistente y soporte para cargas de producción críticas? |
| Costo | ¿Cuál es el precio por token/solicitud, y encaja con el volumen de uso esperado y el presupuesto del proyecto? |
| Rendimiento (performance) | ¿Qué tan preciso, rápido y de baja latencia es el modelo para la tarea específica que se necesita resolver? |
| Fine-tuning | ¿El modelo permite ajuste fino con datos propios para especializarlo en un dominio o tarea concreta? |
| Customización | ¿Qué tan flexible es el modelo para adaptarse a necesidades específicas (grounding, herramientas, tono de marca) más allá del fine-tuning? |
Ojo con esto
El examen suele plantear escenarios donde el modelo "más potente" no es la respuesta correcta: si el caso de uso es un chatbot simple de FAQ con presupuesto limitado, un modelo más pequeño y económico con buen rendimiento en esa tarea concreta suele ser la mejor elección de negocio, no necesariamente el modelo más grande o caro disponible.
¿Entendiste este tema?
Pon a prueba lo que acabas de aprender
Una aseguradora necesita procesar reclamaciones que incluyen fotos de daños, documentos escaneados y notas de texto del ajustador, y quiere generar un resumen combinado en una sola respuesta. ¿Qué criterio de selección de foundation model es más determinante para este caso de uso?
Pon a prueba lo que aprendiste con preguntas originales del examen Gen AI Leader.
Iniciar simulacro Gen AI LeaderSin límite de simulacros con plan Pro
Inicia sesión para llevar tu progreso.