Artículos para quien
entrega el stack
Textos sobre React, Node.js, TypeScript y AI. El cuerpo traducido se muestra cuando existe. Si no, ve el texto en inglés y una nota que lo dice.
Etiqueta: MLOps
Por qué las puntuaciones de precisión de los agentes engañan: pass^k, perturbaciones e inyección de fallos
Por qué pass@1 oculta a los agentes de IA poco fiables, y cómo pass^k, los conjuntos de perturbación de entrada y la inyección de fallos revelan brechas en consistencia, estabilidad y tolerancia a fallos.
9 min de lecturaEntrenar un modelo personalizado en Azure ML y llamarlo desde un agente de Foundry
Entrena, registra e implementa un modelo de retención en un endpoint gestionado por Azure ML, y luego exponlo a un agente de Foundry como FunctionTool, incluyendo información sobre autenticación y consideraciones para entornos de producción.
7 min de lecturaAntes de que un agente de IA obtenga autorización para producción: contratos, gráficos de reclamaciones, pruebas en sombra y canarios
Un proceso de lanzamiento basado en pruebas para agentes de IA: contratos delimitados, escenarios con estado, inyección de fallos, límites de incertidumbre, canarios por fases y promoción impuesta por la máquina.
23 min de lecturaDe los modelos a los agentes: redefiniendo las tres líneas de defensa.
Cómo se relaciona la gobernanza de MLOps con los sistemas de agentes: qué debe aportar cada una de las tres líneas, dónde se encuentran las brechas y qué indican las autoridades de la UE, la FDA y los reguladores financieros.
8 min de lecturaDespliegue de agentes de IA en producción: trade-offs entre la nube, el autohospedaje y las soluciones híbridas
Compare las implementaciones de agentes en la nube, autohospedados e híbridos en términos de exposición de datos, costos, dependencia tecnológica, enrutamiento y capacidad de observación, con cuatro preguntas para tomar decisiones y errores que evitar.
10 min de lecturaUn pipeline de LangGraph que mantiene precisa la memoria del código base para los agentes de IA
Construir un pipeline de LangGraph que cree archivos de conocimiento por servicio, los valide con Ragas y DeepEval, haga un seguimiento de las ejecuciones en Langfuse y también las ejecute localmente en Ollama.
11 min de lecturaShadow, canary, A/B y bandits: cómo desplegar modelos de ML con seguridad
Un ejemplo de detección de fraude muestra cuándo usar despliegue en sombra, lanzamientos canary, tests A/B y bandits multibrazo, qué monitorizar y cómo revertir.
7 min de lecturaArquitectura de servicio de modelos: por qué la API es solo la puerta de entrada
Una guía de la plataforma que hay detrás de un endpoint de inferencia: enrutamiento, escalado, versionado, observabilidad, seguridad y cómo llamar a modelos servidos desde Spring AI o LangChain4j.
9 min de lecturaNotas prácticas: Diseñando una caché para agentes de IA: Ejecutarla en producción
Guía paso a paso práctica: Diseño de una caché para agentes de IA: Ejecución en producción: contratos, verificaciones y espacios para código reutilizable para los equipos que implementan este patrón.
7 min de lectura
Sobre estos artículos
Presupuesto en 24 h
¿Necesitas el mismo stack en una capa de operador? Envía el brief — presupuesto en 24 h.