El ciclo de vida de ML y sus herramientas en Google Cloud
Recorrer las cinco etapas del ciclo de vida de ML (ingesta, preparación, entrenamiento, despliegue y gestión) con las herramientas gestionadas de Google Cloud y (antes Vertex AI) en lugar de construirlas y mantenerlas a mano.
1. El problema de negocio
Un fabricante de componentes industriales usa varios modelos que predicen averías de su maquinaria. Cada equipo guarda las versiones en carpetas distintas, reentrena a mano cuando alguien lo recuerda y nadie advierte a tiempo que las predicciones empeoran cuando cambia el uso de las máquinas. El equipo de datos es pequeño y la dirección de operaciones quiere dejar de depender de procesos manuales sin ampliar la plantilla.
2. Solución de Google: Herramientas gestionadas de Agent Platform en cada etapa del ciclo de vida
- Servicio
- Herramientas gestionadas de en cada etapa del ciclo de vida
- Capa
- Plataforma
- Por qué
- Cada etapa tiene herramienta gestionada: Pub/Sub, Cloud Storage, Cloud SQL o Spanner en la ingesta; en la preparación; en el entrenamiento y el despliegue; y , , , y en la gestión. El equipo pequeño ahorra esfuerzo operativo porque no construye ni mantiene esas piezas.
Ver la capa en el mapa de 5 capas
Capa 5Aplicaciones
La parte con la que interactúa el usuario final.
- Gemini app
- Gemini Enterprise
- Google Workspace with Gemini
- Gemini Notebook
- Gemini for Google Cloud
Capa 4Agentes
Software que persigue un objetivo usando un modelo y herramientas.
- Agentes en Agent Platform
- Gemini Enterprise for Customer Experience
Capa 3Plataforma[Capa de esta lección]
APIs, gestión de datos y despliegue de modelos; abstrae la infraestructura.
- Agent Studio
- Agent Search
- Model Garden
- Agent Platform AutoML
- RAG Engine
- Agent Runtime
Capa 2Modelos
Algoritmos entrenados con grandes volúmenes de datos que generan contenido.
- Gemini
- Gemma
- Imagen
- Veo
Capa 1Infraestructura
Cómputo y almacenamiento físico para entrenar y servir modelos.
- AI Hypercomputer
- Cloud TPU
- GPU
- Centros de datos de Google
3. Límites
- No la uses si
- El caso se resuelve con un modelo fundacional ya entrenado y no hace falta entrenar, versionar ni monitorizar un modelo propio.
- Variable que fuerza el cambio
- Esfuerzo operativo
- Alternativa
- Un modelo fundacional como adaptado con prompt engineering, sin ciclo de entrenamiento propio.
4. La trampa habitual
- [✗] Distractor
- Construir un registro de versiones, unos scripts de monitorización y un orquestador propios sobre máquinas virtuales administradas por el equipo de datos.
- Por qué tienta
- Promete control total sobre cada etapa y parece más barato que pagar por servicios gestionados.
- Por qué es incorrecto
- Con un equipo de datos pequeño, construir y mantener esas piezas multiplica el esfuerzo operativo; Model Registry, y Pipelines ya versionan, monitorizan y automatizan como servicios gestionados, y Model Evaluation evalúa los modelos.
5. Micro-check
Fuentes oficiales
Plataforma unificada de ML de Google Cloud para construir, entrenar, desplegar y gestionar soluciones de ML, de IA generativa y agentes. Agrupa Model Garden, Model Builder, Agent Studio, Agent Search y Agent Runtime, con controles de gobierno según el servicio y la región.
Ficha de Agent PlatformPlataforma de datos de Google Cloud, totalmente gestionada y sin servidor, para almacenar y analizar grandes volúmenes de datos con SQL. Sus funciones de IA generativa llaman a modelos como Gemini desde SQL sin sacar los datos del almacén.
Ficha de BigQueryRepositorio central de Agent Platform para gestionar el ciclo de vida de los modelos de ML propios: registra y organiza sus versiones, permite evaluarlas y despliega la versión elegida en un endpoint para servir predicciones.
Ficha de Model RegistryServicio de Agent Platform que vigila los modelos predictivos tabulares desplegados en un endpoint: compara los datos de entrada en producción con los de entrenamiento o con los recientes, detecta desviaciones (skew y drift) y avisa cuando superan un umbral.
Ficha de Model MonitoringServicio gestionado de Agent Platform para gestionar las features, los datos de entrada que usan los modelos de ML, y servirlas en línea con baja latencia para las predicciones, leyéndolas directamente de tablas de BigQuery sin copiarlas a otro almacén.
Ficha de Feature StoreBiblioteca de modelos de Agent Platform: reúne modelos de Google, de terceros y open source para descubrirlos, probarlos, adaptarlos y desplegarlos. La guía de estudio la presenta también como el lugar donde almacenar y organizar los modelos.
Ficha de Model GardenServicio sin servidor de Agent Platform que automatiza y orquesta los flujos de trabajo de ML como una serie de pasos repetibles (preparar datos, entrenar, evaluar y desplegar), y registra el linaje de cada resultado.
Ficha de Agent Platform PipelinesModelos fundacionales multimodales nativos de Google: procesan texto, código, imagen, audio y vídeo. Gamas: Pro (razonamiento complejo), Flash (equilibrio entre coste y latencia), Flash-Lite (volumen masivo a mínimo coste) y Nano (en el dispositivo). «Gemini» es también la marca de aplicaciones como la Gemini app.
Ficha de Gemini