Perspectiva de la IA y el AA: Excelencia operativa

Last reviewed 2026-10-29 UTC

En este documento del Google Cloud Well-Architected Framework: perspectiva de IA y AA, se proporciona una descripción general de los principios y las recomendaciones para compilar y operar sistemas de IA y AA sólidos en Google Cloud. Estas recomendaciones te ayudan a configurar elementos fundamentales, como la observabilidad, la automatización y la escalabilidad. Las recomendaciones de este documento se alinean con el pilar de excelencia operativa del Well-Architected Framework.

La excelencia operativa en el dominio de la IA y el AA es la capacidad de implementar, administrar y controlar sin problemas los sistemas y las canalizaciones de IA y AA que ayudan a impulsar los objetivos estratégicos de tu organización. La excelencia operativa te permite responder de manera eficiente a los cambios, reducir la complejidad operativa y garantizar que tus operaciones sigan alineadas con los objetivos comerciales.

Las recomendaciones de este documento se asignan a los siguientes principios fundamentales:

Crea una base sólida para el desarrollo de modelos

Para desarrollar e implementar sistemas de IA escalables y confiables que te ayuden a alcanzar tus objetivos comerciales, es esencial contar con una base sólida para el desarrollo de modelos. Esta base permite flujos de trabajo coherentes, automatiza pasos críticos para reducir errores y garantiza que los modelos puedan escalar con la demanda. Una base sólida para el desarrollo de modelos garantiza que tus sistemas de AA se puedan actualizar, mejorar y volver a entrenar sin problemas. La base también te ayuda a alinear el rendimiento de tus modelos con las necesidades empresariales, implementar soluciones de IA impactantes con rapidez y adaptarte a los requisitos cambiantes.

Para crear una base sólida para desarrollar tus modelos de IA, ten en cuenta las siguientes recomendaciones.

Definir los problemas y los resultados requeridos

Antes de comenzar cualquier proyecto de IA o AA, debes comprender con claridad los problemas empresariales que se deben resolver y los resultados requeridos. Comienza con un esquema de los objetivos comerciales y desglósalos en indicadores clave de rendimiento (KPI) medibles. Para organizar y documentar tus definiciones de problemas e hipótesis en un entorno de notebook de Jupyter, usa herramientas como Gemini Enterprise Agent Platform Workbench. Para implementar el control de versiones de código y documentos, y para documentar tus proyectos, objetivos y suposiciones, usa herramientas como Git. Para desarrollar y administrar instrucciones para aplicaciones de IA generativa, puedes usar Agent Studio en Gemini Enterprise Agent Platform.

Recopilar y procesar previamente los datos necesarios

Para implementar el procesamiento previo y la transformación de datos, puedes usar Dataflow (para Apache Beam), Managed Service para Apache Spark (para Apache Spark) o BigQuery si un proceso basado en SQL es adecuado. Para validar esquemas y detectar anomalías, usa TensorFlow Data Validation (TFDV) y aprovecha los análisis automatizados de calidad de los datos en BigQuery cuando corresponda.

Para la IA generativa, la calidad de los datos incluye la exactitud, la relevancia, la diversidad y la alineación con las características de salida requeridas. En los casos en que los datos del mundo real son insuficientes o están desequilibrados, puedes generar datos sintéticos para ayudar a mejorar la solidez y la generalización del modelo. Para crear conjuntos de datos sintéticos basados en patrones existentes o para aumentar los datos de entrenamiento y mejorar el rendimiento del modelo, usa BigQuery DataFrames. Los datos sintéticos son especialmente valiosos para la IA generativa porque pueden ayudar a mejorar la diversidad de las instrucciones y la solidez general del modelo. Cuando crees conjuntos de datos para ajustar modelos de IA generativa, considera usar las capacidades de generación de datos sintéticos en Gemini Enterprise Agent Platform.

Para las tareas de IA generativa, como el ajuste o el aprendizaje por refuerzo con retroalimentación humana (RLHF), asegúrate de que las etiquetas reflejen con precisión la calidad, la relevancia y la seguridad de los resultados generados.

Seleccionar un enfoque de AA adecuado

Cuando diseñes tu modelo y parámetros, ten en cuenta la complejidad y las necesidades de procesamiento del modelo. Según la tarea (como clasificación, regresión o generación), considera usar el entrenamiento personalizado de Agent Platform para crear modelos personalizados o AutoML para tareas de AA más sencillas. Para aplicaciones comunes, también puedes acceder a modelos previamente entrenados a través de Model Garden. Puedes experimentar con una variedad de modelos de base de vanguardia para varios casos de uso, como generar texto, imágenes y código.

Es posible que quieras ajustar un modelo de base previamente entrenado para lograr un rendimiento óptimo en tu caso de uso específico. Para cumplir con los requisitos de alto rendimiento en el entrenamiento personalizado, configura Cloud TPU o recursos de GPU para acelerar el entrenamiento y la inferencia de modelos de aprendizaje profundo, como los modelos de lenguaje grande (LLM) y los modelos de difusión.

Configura el control de versión para el código, los modelos y los datos

Para administrar e implementar versiones de código de manera eficaz, usa herramientas como GitHub o GitLab. Estas herramientas proporcionan funciones de colaboración sólidas, estrategias de ramificación y la integración en canalizaciones de CI/CD para garantizar un proceso de desarrollo optimizado.

Usa soluciones adecuadas para administrar cada artefacto de tu sistema de AA, como los siguientes ejemplos:

  • Para los artefactos de código, como las imágenes de contenedor y los componentes de canalización, Artifact Registry proporciona una solución de almacenamiento escalable que puede ayudar a mejorar la seguridad. Artifact Registry también incluye el control de versiones y se puede integrar en Cloud Build y Cloud Deploy.
  • Para administrar artefactos de datos, como conjuntos de datos que se usan para el entrenamiento y la evaluación, usa soluciones como BigQuery o Cloud Storage para el almacenamiento y el control de versiones.
  • Para almacenar metadatos y punteros a ubicaciones de datos, usa tu sistema de control de versión o un Data Catalog independiente.

Para mantener la coherencia y el control de versiones de tus datos de atributos, usa Feature Store de Agent Platform. Para hacer un seguimiento de los artefactos del modelo y administrarlos, incluidos los objetos binarios y los metadatos, usa Model Registry en Gemini Enterprise Agent Platform, que te permite almacenar, organizar e implementar versiones de modelos sin problemas.

Para garantizar la confiabilidad del modelo, implementa la supervisión de modelos en Gemini Enterprise Agent Platform. Detecta la desviación de datos, realiza un seguimiento del rendimiento y, además, identifica anomalías en la producción. En el caso de los sistemas de IA generativa, supervisa los cambios en la calidad de los resultados y el cumplimiento de la seguridad.

Automatiza el ciclo de vida del desarrollo de modelos

La automatización te ayuda a optimizar cada etapa del ciclo de vida de la IA y el AA. La automatización reduce el esfuerzo manual y estandariza los procesos, lo que genera una mayor eficiencia operativa y un menor riesgo de errores. Los flujos de trabajo automatizados permiten una iteración más rápida, una implementación coherente en todos los entornos y resultados más confiables, para que tus sistemas puedan escalar y adaptarse sin problemas.

Para automatizar el ciclo de vida de desarrollo de tus sistemas de IA y AA, ten en cuenta las siguientes recomendaciones.

Usa un sistema de organización de canalizaciones administrado

Usa Gemini Enterprise Agent Platform Pipelines para automatizar cada paso del ciclo de vida del AA, desde la preparación de datos hasta el entrenamiento, la evaluación y la implementación de modelos. Para acelerar la implementación y promover la coherencia en todos los proyectos, automatiza las tareas recurrentes con ejecuciones de canalización programadas, supervisa los flujos de trabajo con métricas de ejecución y desarrolla plantillas de canalización reutilizables para flujos de trabajo estandarizados. Estas capacidades se extienden a los modelos de IA generativa, que suelen requerir pasos especializados, como la ingeniería de instrucciones, el filtrado de respuestas y la evaluación human-in-the-loop. En el caso de la IA generativa, Agent Platform Pipelines puede automatizar estos pasos, incluida la evaluación de los resultados generados en función de las métricas de calidad y las normas de seguridad. Para mejorar la diversidad de las instrucciones y la solidez del modelo, los flujos de trabajo automatizados también pueden incluir técnicas de magnificación de datos.

Implementa canalizaciones de CI/CD

Para automatizar la compilación, las pruebas y la implementación de modelos de AA, usa Cloud Build. Este servicio es particularmente eficaz cuando ejecutas paquetes de pruebas para el código de la aplicación, lo que garantiza que la infraestructura, las dependencias y el empaquetado del modelo cumplan con tus requisitos de implementación.

Los sistemas de AA suelen necesitar pasos adicionales más allá de las pruebas de código. Por ejemplo, debes probar los modelos con cargas variables, realizar evaluaciones masivas para evaluar el rendimiento del modelo en diversos conjuntos de datos y validar la integridad de los datos antes de volver a entrenar. Para simular cargas de trabajo realistas para las pruebas de esfuerzo, puedes usar herramientas como Locust, Grafana k6 o Apache JMeter. Para identificar cuellos de botella, supervisa las métricas clave, como la latencia, la tasa de errores y el uso de recursos, a través de Cloud Monitoring. En el caso de la IA generativa, las pruebas también deben incluir evaluaciones específicas para el tipo de contenido generado, como la calidad del texto, la fidelidad de la imagen o la funcionalidad del código. Estas evaluaciones pueden incluir métricas automatizadas, como la perplejidad para los modelos de lenguaje, o la evaluación con intervención humana para aspectos más matizados, como la creatividad y la seguridad.

Para implementar tareas de prueba y evaluación, puedes integrar Cloud Build con otros servicios de Google Cloud . Por ejemplo, puedes usar las canalizaciones de Agent Platform para la evaluación automatizada de modelos, BigQuery para el análisis de datos a gran escala y la validación de canalizaciones de Dataflow para la validación de atributos.

Puedes mejorar aún más tu canalización de CI/CD con la plataforma de agentes para el entrenamiento continuo, lo que permite el reentrenamiento automatizado de los modelos con datos nuevos. Específicamente para la IA generativa, para mantener los resultados generados relevantes y diversos, el reentrenamiento puede implicar la actualización automática de los modelos con datos o instrucciones de entrenamiento nuevos. Puedes usar Model Garden de Agent Platform para seleccionar los modelos base más recientes que están disponibles para el ajuste. Esta práctica garantiza que los modelos se mantengan actualizados y optimizados para tus necesidades empresariales en constante evolución.

Implementa lanzamientos de modelos seguros y controlados

Para minimizar los riesgos y garantizar implementaciones confiables, implementa un enfoque de lanzamiento de modelos que te permita detectar problemas de forma temprana, validar el rendimiento y revertir rápidamente cuando sea necesario.

Para empaquetar tus modelos y aplicaciones de AA en imágenes de contenedor y, luego, implementarlas, usa Cloud Deploy. Puedes implementar tus modelos en extremos de Agent Platform.

Implementa versiones controladas para tus aplicaciones y sistemas de IA con estrategias como los lanzamientos Canary. Para las aplicaciones que usan modelos administrados como Gemini, te recomendamos que lances de forma gradual las versiones nuevas de la aplicación a un subconjunto de usuarios antes de la implementación completa. Este enfoque te permite detectar posibles problemas de forma temprana, en especial cuando usas modelos de IA generativa en los que los resultados pueden variar.

Para lanzar modelos ajustados, puedes usar Cloud Deploy para administrar la implementación de las versiones del modelo y usar la estrategia de lanzamiento Canary para minimizar el riesgo. Con los modelos administrados y ajustados, el objetivo de los lanzamientos controlados es probar los cambios con un público limitado antes de lanzar las aplicaciones y los modelos a todos los usuarios.

Para una validación sólida, usa Experimentos en Gemini Enterprise Agent Platform para comparar modelos nuevos con los existentes y usa Evaluación de modelos de Agent Platform para evaluar el rendimiento de los modelos. Específicamente para la IA generativa, define métricas de evaluación que se alineen con el caso de uso previsto y los riesgos potenciales. Puedes usar Gen AI Evaluation Service en Agent Platform para evaluar métricas como la toxicidad, la coherencia, la exactitud fáctica y el cumplimiento de las normas de seguridad.

Para garantizar la confiabilidad de la implementación, necesitas un plan de reversión sólido. Para los sistemas de AA tradicionales, usa Model Monitoring en Agent Platform para detectar el desvío de datos y la degradación del rendimiento. En el caso de los modelos de IA generativa, puedes hacer un seguimiento de las métricas pertinentes y configurar alertas para los cambios en la calidad de los resultados o la aparición de contenido dañino con la evaluación de modelos de Agent Platform junto con Cloud Logging y Monitoring. Configura alertas basadas en métricas específicas de la IA generativa para activar procedimientos de reversión cuando sea necesario. Para hacer un seguimiento del linaje del modelo y volver a la versión estable más reciente, usa las estadísticas de Model Registry.

Implementar la observabilidad

El comportamiento de los sistemas de IA y AA puede cambiar con el tiempo debido a cambios en los datos o el entorno, y a actualizaciones de los modelos. Esta naturaleza dinámica hace que la observabilidad sea crucial para detectar problemas de rendimiento, sesgos o comportamientos inesperados. Esto es especialmente cierto para los modelos de IA generativa, ya que los resultados pueden ser muy variables y subjetivos. La observabilidad te permite abordar de forma proactiva el comportamiento inesperado y garantizar que tus sistemas de IA y AA sigan siendo confiables, precisos y justos.

Para implementar la observabilidad en tus sistemas de IA y AA, ten en cuenta las siguientes recomendaciones.

Supervisa el rendimiento de forma continua

Usa métricas y criterios de éxito para la evaluación continua de los modelos después de la implementación.

Puedes usar Model Monitoring en Agent Platform para hacer un seguimiento proactivo del rendimiento del modelo, identificar el sesgo entre el entrenamiento y la entrega, y la desviación de la predicción, y recibir alertas para activar el reentrenamiento necesario del modelo o realizar otras intervenciones. Para supervisar de forma eficaz el sesgo entre el entrenamiento y la entrega, construye un conjunto de datos de referencia que represente la distribución de datos ideal y usa TFDV para analizar tus datos de entrenamiento y establecer un esquema de referencia.

Configura la Supervisión de modelos en Agent Platform para comparar la distribución de los datos de entrada con el conjunto de datos de referencia para la detección automática de sesgos. En el caso de los modelos de AA tradicionales, enfócate en las métricas, como la exactitud, la precisión, la recuperación, la puntuación F1, el AUC-ROC y la pérdida logística. Define umbrales personalizados para las alertas en Model Monitoring en Agent Platform. Para la IA generativa, usa el servicio de evaluación de IA generativa para supervisar de forma continua el resultado del modelo en producción. También puedes habilitar métricas de evaluación automática para la calidad de las respuestas, la seguridad, el cumplimiento de las instrucciones, la fundamentación, el estilo de escritura y la verbosidad. Para evaluar la calidad, la relevancia, la seguridad y el cumplimiento de los lineamientos de los resultados generados, puedes incorporar la evaluación human-in-the-loop.

Crea ciclos de reacción para volver a entrenar modelos de forma automática con las canalizaciones de Agent Platform cuando la supervisión de modelos en Agent Platform activa una alerta. Usa estas estadísticas para mejorar tus modelos de forma continua.

Evalúa modelos durante el desarrollo

Antes de implementar tus LLM y otros modelos de IA generativa, evalúalos por completo durante la fase de desarrollo. Usa la evaluación de modelos de Agent Platform para lograr un rendimiento óptimo y mitigar los riesgos. Usa la evaluación rápida de Agent Platform para permitir que Google Cloud ejecute evaluaciones de forma automática según el conjunto de datos y las instrucciones que proporciones.

También puedes definir e integrar métricas personalizadas que sean específicas para tu caso de uso. Para obtener comentarios sobre el contenido generado, integra flujos de trabajo con intervención humana con la evaluación de modelos de Agent Platform.

Usa pruebas adversarias para identificar vulnerabilidades y posibles modos de falla. Para identificar y mitigar los sesgos potenciales, usa técnicas como el análisis de subgrupos y la generación contrafáctica. Usa las estadísticas recopiladas de las evaluaciones que se completaron durante la fase de desarrollo para definir tu estrategia de supervisión de modelos en producción. Prepara tu solución para la supervisión continua, como se describe en la sección Supervisa el rendimiento de forma constante de este documento.

Supervisa la disponibilidad

Para obtener visibilidad del estado y el rendimiento de los extremos y la infraestructura implementados, usa Monitoring. Para tus extremos de Agent Platform, haz un seguimiento de las métricas clave, como el porcentaje de solicitudes, la tasa de errores, la latencia y el uso de recursos, y configura alertas para las anomalías. Para obtener más información, consulta Métricas de supervisión para Agent Platform.

Supervisar el estado de la infraestructura subyacente, que puede incluir instancias de Compute Engine, clústeres de Google Kubernetes Engine (GKE), Cloud TPU y GPU Obtén recomendaciones de optimización automatizadas de Active Assist. Si usas el ajuste de escala automático, supervisa el comportamiento del escalado para asegurarte de que el ajuste de escala automático responda de forma adecuada a los cambios en los patrones de tráfico.

Realiza un seguimiento del estado de las implementaciones de modelos, incluidos los lanzamientos Canary y las reversiones, integrando Cloud Deploy con Monitoring. Además, supervisa las posibles amenazas y vulnerabilidades de seguridad con Security Command Center.

Configura alertas personalizadas para umbrales específicos de la empresa

Para identificar y rectificar anomalías y problemas de forma oportuna, configura alertas personalizadas basadas en umbrales específicos para tus objetivos comerciales. Estos son algunos ejemplos de productos de Google Cloud que puedes usar para implementar un sistema de alertas personalizado:

  • Logging: Recopila, almacena y analiza registros de todos los componentes de tu sistema de IA y AA.
  • Monitoring: Crea paneles personalizados para visualizar métricas y tendencias clave, y define métricas personalizadas según tus necesidades. Configura alertas para recibir notificaciones sobre problemas críticos y, luego, intégralas en tus herramientas de administración de incidentes, como PagerDuty o Slack.
  • Error Reporting: Captura y analiza automáticamente errores y excepciones.
  • Cloud Trace: Analiza el rendimiento de los sistemas distribuidos y detecta cuellos de botella. El seguimiento es particularmente útil para comprender la latencia entre los diferentes componentes de tu canalización de IA y AA.
  • Cloud Profiler: Analiza de forma continua el rendimiento de tu código en producción y detecta cuellos de botella en el rendimiento en el uso de CPU o memoria.

Crea una cultura de excelencia operativa

Cambiar el enfoque de solo crear modelos a crear soluciones de IA sostenibles, confiables y de impacto Permite que los equipos aprendan, innoven y mejoren de forma continua, lo que genera ciclos de desarrollo más rápidos, menos errores y una mayor eficiencia. Si priorizas la automatización, la estandarización y las consideraciones éticas, puedes asegurarte de que tus iniciativas de IA y AA generen valor de forma coherente, mitiguen los riesgos y promuevan el desarrollo IA responsable.

Para crear una cultura de excelencia operativa para tus sistemas de IA y AA, ten en cuenta las siguientes recomendaciones.

Promueve la automatización y la estandarización

Para enfatizar la eficiencia y la coherencia, incorpora la automatización y las prácticas estandarizadas en cada etapa del ciclo de vida de la IA y el AA. La automatización reduce los errores manuales y libera a los equipos para que se enfoquen en la innovación. La estandarización garantiza que los procesos sean repetibles y escalables en todos los equipos y proyectos.

Prioriza el aprendizaje y la mejora continuos

Fomenta un entorno en el que la educación y la experimentación continuas sean principios fundamentales. Alienta a los equipos a mantenerse al día con los avances de la IA y el AA, y brinda oportunidades para aprender de proyectos anteriores. Una cultura de curiosidad y adaptación impulsa la innovación y garantiza que los equipos estén preparados para enfrentar nuevos desafíos.

Fomentar la responsabilidad y el sentido de pertenencia

Genera confianza y alineación con roles, responsabilidades y métricas de éxito claramente definidos. Empodera a los equipos para que tomen decisiones fundamentadas dentro de estos límites y establece formas transparentes de medir el progreso. El sentido de pertenencia motiva a los equipos y garantiza la responsabilidad colectiva de los resultados.

Incorpora consideraciones éticas y de seguridad de la IA

Priorizar las consideraciones éticas en cada etapa del desarrollo Anima a los equipos a pensar de forma crítica sobre el impacto de sus soluciones de IA y fomenta los debates sobre la equidad, el sesgo y el impacto social. Los principios claros y los mecanismos de responsabilidad garantizan que tus sistemas de IA se alineen con los valores organizacionales y promuevan la confianza.

Diseña para la escalabilidad

Para dar cabida a los crecientes volúmenes de datos y las demandas de los usuarios, y para maximizar el valor de las inversiones en IA, tus sistemas de IA y AA deben ser escalables. Los sistemas deben adaptarse y funcionar de manera óptima para evitar cuellos de botella en el rendimiento que obstaculicen la eficacia. Cuando diseñas para la escalabilidad, te aseguras de que la infraestructura de IA pueda controlar el crecimiento y mantener la capacidad de respuesta. Usa una infraestructura escalable, planifica la capacidad y emplea estrategias como el escalamiento horizontal y los servicios administrados.

Para diseñar tus sistemas de IA y AA para la escalabilidad, ten en cuenta las siguientes recomendaciones.

Planifica la capacidad y las cuotas

Evalúa el crecimiento futuro y planifica la capacidad de tu infraestructura y las cuotas de recursos en consecuencia. Trabaja con las partes interesadas de la empresa para comprender el crecimiento proyectado y, luego, define los requisitos de infraestructura según corresponda.

Usa Monitoring para analizar el uso histórico de los recursos, identificar tendencias y proyectar necesidades futuras. Realiza pruebas de carga periódicas para simular cargas de trabajo y, así, identificar cuellos de botella.

Familiarízate con las cuotas deGoogle Cloud para los servicios que usas, como Compute Engine, Agent Platform y Cloud Storage. Solicita aumentos de cuota de forma proactiva a través de la consola de Google Cloud y justifica los aumentos con datos de las pruebas de previsión y carga. Supervisa el uso de cuotas y configura alertas para recibir notificaciones cuando el uso se acerque a los límites de cuota.

Para optimizar el uso de recursos según la demanda, ajusta el tamaño de tus recursos, usa VMs Spot para cargas de trabajo por lotes tolerantes a errores y, además, implementa el escalado automático.

Prepárate para los eventos de actividad máxima

Asegúrate de que tu sistema pueda controlar aumentos repentinos en el tráfico o la carga de trabajo durante los eventos de mayor actividad. Documenta tu estrategia para eventos de tráfico máximo y realiza simulacros periódicos para probar la capacidad de tu sistema de controlar el aumento de la carga.

Para escalar verticalmente los recursos de forma agresiva cuando aumenta la demanda, configura políticas de ajuste de escala automático en Compute Engine y GKE. Para patrones de picos predecibles, considera usar el ajuste de escala automático predictivo. Para activar el ajuste de escala automático en función de indicadores específicos de la aplicación, usa métricas personalizadas en Monitoring.

Distribuye el tráfico entre varias instancias de aplicación con Cloud Load Balancing. Elige un tipo de balanceador de cargas adecuado según las necesidades de tu aplicación. Para los usuarios distribuidos geográficamente, puedes usar el balanceo de cargas global para enrutar el tráfico a la instancia disponible más cercana. Para arquitecturas complejas basadas en microservicios, considera usar Cloud Service Mesh.

Almacena en caché el contenido estático en el perímetro de la red de Google con Cloud CDN.

Para almacenar en caché los datos a los que se accede con frecuencia, usa uno de los siguientes servicios de almacén de datos en memoria completamente administrados:

Desvincula los componentes de tu sistema con Pub/Sub para la mensajería en tiempo real y Cloud Tasks para la ejecución asíncrona de tareas.

Escala aplicaciones para producción

Para garantizar una entrega escalable en producción, puedes usar servicios administrados, como el entrenamiento distribuido de Agent Platform y la inferencia de Gemini Enterprise Agent Platform. La inferencia de Agent Platform te permite configurar los tipos de máquinas para tus nodos de predicción cuando implementas un modelo en un extremo o solicitas predicciones por lotes. En algunas opciones de configuración, puedes agregar GPUs. Elige el tipo de máquina y los aceleradores adecuados para optimizar la latencia, la capacidad de procesamiento y el costo.

Para escalar aplicaciones complejas de IA y Python, y cargas de trabajo personalizadas en recursos de procesamiento distribuidos, puedes usar Ray en Gemini Enterprise Agent Platform. Esta función puede ayudar a optimizar el rendimiento y permite una integración sin problemas con los servicios deGoogle Cloud . Ray en Gemini Enterprise Agent Platform simplifica la computación distribuida controlando la administración de clústeres, la programación de tareas y la transferencia de datos. Se integra en otros servicios de Agent Platform, como entrenamiento, predicción y canalizaciones. Ray proporciona tolerancia a errores y escalado automático, y te ayuda a adaptar la infraestructura a las cargas de trabajo cambiantes. Ofrece un framework unificado para el entrenamiento distribuido, el ajuste de hiperparámetros, el aprendizaje por refuerzo y la entrega de modelos. Usa Ray para el procesamiento previo de datos distribuidos con Dataflow o Managed Service para Apache Spark, entrenamiento de modelos acelerado, ajuste de hiperparámetros escalable, aprendizaje por refuerzo y predicción por lotes paralelizada.

Colaboradores

Autores:

Otros colaboradores:

Anterior
Descripción general
Siguiente
Seguridad