[{"data":1,"prerenderedAt":28},["ShallowReactive",2],{"article-data-curso-gcp-ai-ops-08":3},{"content":4,"date":5,"image":6,"sideArticles":7},"\u003C!DOCTYPE html>\n\u003Chtml lang=\"es\">\n\n\u003Chead>\n    \u003Cmeta charset=\"UTF-8\">\n    \u003Cmeta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\n    \u003Cmeta name=\"description\"\n        content=\"Módulo 8: MLOps para Operaciones. Aprende a orquestar el ciclo de vida completo de la IA con Vertex AI Pipelines, Kubeflow y automatización de despliegue.\">\n    \u003Cmeta name=\"keywords\"\n        content=\"MLOps, Vertex AI Pipelines, Kubeflow, CI/CD, IA, Google Cloud, Automatización, AIOps, Model Registry\">\n    \u003Cmeta name=\"author\" content=\"Eduardo Martínez Agrelo\">\n    \u003Ctitle>MLOps para Operaciones: Ciclo de Vida y Pipelines | Curso AIOps\u003C/title>\n    \u003Cstyle>\n        body {\n            font-family: sans-serif;\n            line-height: 1.6;\n        }\n\n        h1,\n        h2,\n        h3 {\n            color: #333;\n        }\n\n        ul {\n            list-style-type: disc;\n            margin-left: 20px;\n        }\n\n        code {\n            background-color: #f4f4f4;\n            padding: 2px 5px;\n            border-radius: 3px;\n            font-family: monospace;\n        }\n    \u003C/style>\n\u003C/head>\n\n\u003Cbody>\n    \u003Ch1>Módulo 8: Machine Learning para Operaciones (MLOps y Pipelines)\u003C/h1>\n\n    \u003Cp>\u003Cstrong>Autor:\u003C/strong> \u003Ca href=\"https://www.youtube.com/@EduardoMartinezAgrelo\" target=\"_blank\">Eduardo Martínez\n            Agrelo\u003C/a>\u003C/p>\n\n    \u003Cp>Bienvenidos al Módulo 8. En este punto del curso, dejamos de ser experimentadores para convertirnos en ingenieros\n        de producción. El \u003Cstrong>MLOps\u003C/strong> es a la inteligencia artificial lo que el DevOps es al desarrollo de\n        software: la disciplina que permite desplegar, monitorizar y actualizar modelos de forma automática y fiable.\n        Aprenderemos a construir una \"factoría de modelos\" utilizando \u003Cstrong>Vertex AI Pipelines\u003C/strong> para que\n        nuestra arquitectura de AIOps sea escalable y profesional.\u003C/p>\n\n    \u003Ch2>Orquestación con Vertex AI Pipelines y Kubeflow\u003C/h2>\n\n    \u003Cp>Entrenar un modelo manualmente no es viable en entornos de producción. Necesitamos flujos de trabajo orquestados\n        y reproducibles:\u003C/p>\n    \u003Cul>\n        \u003Cli>\u003Cstrong>DAG (Grafo Acíclico Dirigido):\u003C/strong> Definiremos una serie de pasos conectados (extracción,\n            entrenamiento, evaluación y despliegue) donde cada uno se ejecuta en un contenedor independiente.\u003C/li>\n        \u003Cli>\u003Cstrong>Kubeflow Pipelines (KFP):\u003C/strong> Utilizaremos este estándar de la industria para compilar nuestra\n            lógica en archivos JSON que Google Cloud puede ejecutar de forma serverless y elástica.\u003C/li>\n    \u003C/ul>\n\n    \u003Ch2>Gobernanza del Ciclo de Vida de la IA\u003C/h2>\n\n    \u003Cp>Un modelo de IA en operaciones debe seguir reglas de negocio estrictas antes de ser considerado \"apto\" para\n        producción:\u003C/p>\n    \u003Cp>\u003Ccode>if accuracy > 0.8: deploy_model() else: cancel_pipeline()\u003C/code>\u003C/p>\n    \u003Cp>Implementaremos mecanismos de validación automática. Si un nuevo modelo entrenado no supera el rendimiento del\n        modelo actual o no cumple con los umbrales de precisión establecidos, el pipeline se detendrá, garantizando que\n        nunca se despliegue una inteligencia \"degradada\" en nuestros sistemas críticos.\u003C/p>\n\n    \u003Ch2>Monitorización de Drift y Re-entrenamiento\u003C/h2>\n\n    \u003Cp>El comportamiento de los servidores cambia con el tiempo, y esto provoca el \"Model Decay\" o degradación del\n        modelo. El MLOps soluciona este problema mediante la automatización:\u003C/p>\n    \u003Cul>\n        \u003Cli>\u003Cstrong>Model Registry:\u003C/strong> Utilizaremos este componente como nuestro sistema de control de versiones\n            para modelos, permitiendo auditorías y rollbacks inmediatos.\u003C/li>\n        \u003Cli>\u003Cstrong>Automatización del CI/CD:\u003C/strong> Veremos cómo un cambio en los datos de BigQuery puede disparar\n            automáticamente la ejecución del pipeline, asegurando que la IA siempre aprenda de la telemetría más\n            reciente de la infraestructura.\u003C/li>\n    \u003C/ul>\n\n    \u003Ch2>Implementación práctica\u003C/h2>\n\n    \u003Cp>En este laboratorio, utilizarás Terraform para configurar la infraestructura de MLOps, incluyendo buckets de\n        artefactos y cuentas de servicio con permisos granulares. Desarrollarás un pipeline utilizando el SDK de\n        \u003Cstrong>kfp\u003C/strong> que automatizará la creación de un dataset, el entrenamiento con AutoML y el despliegue en\n        un Endpoint. Compilarás este flujo y lo ejecutarás desde Python, observando en la consola de Vertex AI cómo cada\n        nodo del grafo se pone en verde, consolidando una infraestructura de IA autogestionada y lista para el mercado\n        laboral.\n    \u003C/p>\n\n    \u003Ch2>Conclusión: De la artesanía a la industria\u003C/h2>\n    \u003Cp>Has transformado un proceso manual en una cadena de montaje automatizada. Has aprendido que el valor de la IA en\n        operaciones reside en su capacidad de ser actualizada y gobernada sin intervención humana. Con la factoría de\n        modelos funcionando, el siguiente paso es integrar esta potencia en el día a día del equipo de SRE y DevOps a\n        través de alertas inteligentes.\u003C/p>\n\u003C/body>\n\n\u003C/html>","May 28, 2026","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-08.jpg",[8,13,18,23],{"id":9,"title":10,"description":11,"image":12,"date":5},"curso-gcp-ai-ops-01","Fundamentos de AIOps en Google Cloud | Curso AIOps con Vertex AI","Módulo 1: Fundamentos de AIOps en Google Cloud. Aprende la transición de ITOps a operaciones inteligentes y cómo preparar tu infraestructura base con Terraform.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-01.jpg",{"id":14,"title":15,"description":16,"image":17,"date":5},"curso-gcp-ai-ops-02","Vertex AI para AIOps: AutoML y Despliegue | Curso AIOps","Módulo 2: Gestión de modelos con Vertex AI para AIOps. Aprende a utilizar AutoML, gestionar datasets tabulares y desplegar endpoints de predicción.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-02.jpg",{"id":19,"title":20,"description":21,"image":22,"date":5},"curso-gcp-ai-ops-03","Observabilidad Inteligente en GCP | Curso AIOps","Módulo 3: Observabilidad Inteligente en GCP. Configuración de Cloud Monitoring, Cloud Logging y creación de dashboards predictivos correlacionados con BigQuery.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-03.jpg",{"id":24,"title":25,"description":26,"image":27,"date":5},"curso-gcp-ai-ops-04","Automatización Operativa y Remediación | Curso AIOps","Módulo 4: Automatización Operativa en AIOps. Aprende a crear arquitecturas dirigidas por eventos con Cloud Functions y Pub/Sub para la remediación automática.","https://storage.googleapis.com/mp-blog/images/curso-gcp-ai-ops-04.jpg",1779944585129]