Docker
Contenedores que empaquetan código, dependencias y modelo para que funcione igual en cualquier sitio.
Artículo en preparación
MLOps
Llevar modelos a producción de forma reproducible, observable y segura.
APIs
Exponer el modelo como servicio HTTP con contratos claros de entrada y salida.
Artículo en preparación
FastAPI
Framework Python para APIs con validación por tipos (Pydantic) y documentación automática.
Artículo en preparación
Bases de datos
Guardar datos de entrenamiento, predicciones y metadatos de forma consultable.
Artículo en preparación
PostgreSQL
Base de datos relacional robusta; con pgvector también sirve como base vectorial.
Artículo en preparación
Vector databases
Índices de búsqueda por similitud sobre embeddings: pgvector, Qdrant, FAISS.
Artículo en preparación
Git
Control de versiones del código; con DVC o LFS también de datos y modelos.
Artículo en preparación
CI/CD
Tests y despliegues automáticos en cada cambio: GitHub Actions, GitLab CI.
Artículo en preparación
Despliegue de modelos
Batch, tiempo real o en el borde; versionado de modelos y despliegues graduales.
Artículo en preparación
Monitorización
Vigilar latencia, errores y deriva de datos para saber cuándo reentrenar.
Artículo en preparación
GPUs
Hardware paralelo para multiplicaciones de matrices; la memoria VRAM limita el tamaño del modelo.
Artículo en preparación
Cloud computing
Infraestructura bajo demanda para entrenar y servir: AWS, GCP, Azure.
Artículo en preparación