Temario curso

Sección 1: Arquitectura de soluciones de IA low-code

• Crear el modelo de BigQuery ML adecuado (p. ej., clasificación lineal y binaria, regresión, series temporales, factorización de matrices, árboles potenciados, codificadores automáticos) en función del problema empresarial.
• Ingeniería o selección de funciones mediante BigQuery ML.
• Genera predicciones con BigQuery ML.

• Creación de aplicaciones mediante las API de ML de Model Garden.
• Creación de aplicaciones mediante el uso de API específicas del sector (por ejemplo, Document AI API, Retail API).
• Implementación de aplicaciones de generación aumentada de recuperación (RAG) mediante Vertex AI Agent Builder.

• Preparación de datos para AutoML (por ejemplo, selección de características, etiquetado de datos, flujos de trabajo tabulares en AutoML).
• Usar los datos disponibles (por ejemplo, tabular, texto, voz, imágenes, vídeos) para entrenar modelos personalizados.
• Uso de AutoML para datos tabulares.
• Creación de modelos de previsión mediante AutoML.
• Configuración y depuración de modelos entrenados.

Sección 2: Colaboración dentro de los equipos y entre ellos para gestionar datos y modelos

• Organizar diferentes tipos de datos (por ejemplo, tabulares, texto, voz, imágenes, videos) para un entrenamiento eficiente.
• Administración de conjuntos de datos en Vertex AI.
• Preprocesamiento de datos (p. ej., Dataflow, TensorFlow Extended [TFX], BigQuery).
• Creación y consolidación de funciones en Vertex AI Feature Store.
• Implicaciones de privacidad del uso y/o recopilación de datos (por ejemplo, manejo de datos confidenciales como información de identificación personal [PII] e información de salud protegida [PHI]).

• Elegir el backend de Jupyter adecuado en Google Cloud (p. ej., Vertex AI Workbench, Colab Enterprise, notebooks en Dataproc).
• Aplicación de las mejores prácticas de seguridad en Vertex AI Workbench.
• Uso de kernels de Spark.
• Integración de repositorios de código fuente.
• Desarrollo de modelos en Vertex AI Workbench mediante el uso de marcos comunes (por ejemplo, TensorFlow, PyTorch, sklearn, Spark, JAX).
• Aprovechando una variedad de modelos fundamentales y de código abierto en Model Garden.

• Elegir el entorno de Google Cloud adecuado para el desarrollo y la experimentación (p. ej., Vertex AI Experiments, Kubeflow Pipelines, Vertex AI TensorBoard with TensorFlow y PyTorch) dado el marco.
• Evaluación de soluciones de IA generativa.

Sección 3: Escalado de prototipos en modelos de ML

• Elección del marco de ML y la arquitectura del modelo.
• Técnicas de modelado dadas las necesidades de interpretabilidad.

• Organizar datos de entrenamiento (p. ej., tabular, texto, voz, imágenes, videos) en Google Cloud (p. ej., Cloud Storage, BigQuery).
• Ingesta de varios tipos de archivos (por ejemplo, CSV, JSON, imágenes, Hadoop, bases de datos) en el entrenamiento.
• Entrenamiento con diferentes SDK (p. ej., entrenamiento personalizado de Vertex AI, Kubeflow en Google Kubernetes Engine, AutoML, flujos de trabajo tabulares).
• Uso de la formación distribuida para organizar canalizaciones fiables.
• Ajuste de hiperparámetros.
• Solución de problemas de errores de entrenamiento del modelo de ML.
• Ajuste fino de modelos fundacionales (por ejemplo, Vertex AI, Model Garden).

• Evaluación de las opciones de cómputo y acelerador (por ejemplo, CPU, GPU, TPU, dispositivos periféricos).
• Entrenamiento distribuido con TPU y GPU (por ejemplo, Reduction Server en Vertex AI, Horovod).

Sección 4: Modelos de servicio y escalado

• Inferencia por lotes y en línea (p. ej., Vertex AI, Dataflow, BigQuery ML, Dataproc).
• Usar diferentes marcos (por ejemplo, PyTorch, XGBoost) para servir modelos.
• Organización de un registro de modelos.
• Pruebas A/B de diferentes versiones de un modelo.

• Tienda de características de Vertex AI.
• Puntos de conexión públicos y privados de Vertex AI.
• Elegir el hardware adecuado (p. ej., CPU, GPU, TPU, edge).
• Escalar el backend de servicio en función del rendimiento (por ejemplo, predicción de IA de vértices, servicio en contenedores).
• Ajuste de modelos de ML para el entrenamiento y el servicio en producción (por ejemplo, técnicas de simplificación, optimización de la solución de ML para aumentar el rendimiento, la latencia, la memoria y el rendimiento).

Sección 5: Automatización y orquestación de canalizaciones de ML

• Validación de datos y modelos.
• Garantizar un preprocesamiento de datos coherente entre el entrenamiento y el servicio.
• Alojar canalizaciones de terceros en Google Cloud (p. ej., MLFlow).
• Identificar componentes, parámetros, activadores y necesidades de procesamiento (p. ej., Cloud Build, Cloud Run).
• Marco de orquestación (p. ej., Kubeflow Pipelines, Vertex AI Pipelines, Cloud Composer).
• Estrategias híbridas o multicloud.
• Diseño de sistemas con componentes TFX o Kubeflow DSL (por ejemplo, Dataflow).

• Determinar una política de reentrenamiento adecuada.
• Implementación de modelos de integración y entrega continua (CI/CD) (p. ej., Cloud Build, Jenkins).

• Seguimiento y comparación de artefactos y versiones de modelos (p. ej., experimentos de IA de vértices, metadatos de ML de vértices).
• Enganche al control de versiones de modelos y conjuntos de datos.
• Modelo y linaje de datos.

Sección 6: Supervisión de soluciones de IA

• Construir sistemas de IA seguros protegiéndolos contra la explotación no intencionada de datos o modelos (por ejemplo, piratería).
• Alinearse con las prácticas de IA responsable de Google (p. ej., supervisión de sesgos).
• Evaluar la preparación de la solución de IA (por ejemplo, equidad, sesgo).
• Explicabilidad del modelo en Vertex AI (por ejemplo, Vertex AI Prediction).

• Establecer métricas de evaluación continua (p. ej., Vertex AI Model Monitoring, Explainable AI).
• Supervisión del sesgo de servicio de entrenamiento.
• Supervisión de la deriva de la atribución de características.
• Supervisión del rendimiento del modelo con respecto a líneas de base, modelos más sencillos y a lo largo de la dimensión temporal.
• Supervisión de errores comunes de entrenamiento y servicio.