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 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
- Servicio
- Herramientas gestionadas de Agent Platform en cada etapa del ciclo de vida
- Capa
- Plataforma
- Por qué
- Cada etapa tiene herramienta gestionada: Cloud Storage, BigQuery o Pub/Sub en la ingesta; BigQuery o Dataflow en la preparación; Agent Platform AutoML o Managed Training en el entrenamiento; Endpoints en el despliegue; y Model Registry, Model Monitoring, Feature Store y Pipelines 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
- Gemini for Google Workspace
- Gemini Notebook
- Gemini for Google Cloud
Capa 4Agentes
Software que persigue un objetivo usando un modelo y herramientas.
- Agentes en Agent Platform
- Customer Engagement Suite
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 Gemini adaptado con prompt engineering, sin ciclo de entrenamiento propio.
4. La trampa del examen
- [✗] 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, Model Monitoring y Pipelines ya versionan, monitorizan y automatizan como servicios gestionados.