Description
Mandás features de IA a producción, y el día que una falla no tenés nada para decir sobre el porqué. Llamás modelos por una API y se sienten como magia, lo cual está bien hasta que la magia se equivoca con total seguridad y alguien te pide que lo arregles y no podés, porque nunca aprendiste qué pasa por debajo. No podrías entrenar un modelo simple propio, leer una métrica de evaluación y saber si te está mintiendo, ni decir por qué un modelo que la rompió en tu test set se cae a pedazos con usuarios reales. Todo el campo está construido sobre machine learning, y vos estuviste parado encima sin aprender nunca el piso. Llamar a una API no es machine learning, es usar el de otro. El trabajo escaso y mejor pago va para los que entienden el modelo lo bastante como para armarlo, romperlo y confiar en él, y ese entendimiento es justo el piso que te salteaste.
Este libro enseña el cimiento de machine learning que hay debajo de la IA que ya usás, para que dejes de tratar a los modelos como magia y empieces a armar unos que puedas explicar, evaluar y mandar a producción. Construye un sistema entero de punta a punta, un predictor de churn para un producto SaaS, y lo usa para enseñar lo que de verdad importa: qué hace el machine learning que las reglas no pueden, por qué el problema de datos decide todo antes que el modelo, cómo convertir la realidad desprolija en features que un modelo pueda aprender, y cómo entrenar un primer modelo que le gane a una moneda al aire. Se apoya en los estándares del campo, el Hands-On Machine Learning de Aurelien Geron y el Designing Machine Learning Systems de Chip Huyen, y se niega a quedarse en la notebook: leer las métricas de evaluación que mienten y las que no, por qué un modelo la rompe en el training set y falla en el mundo real, los algoritmos clásicos que todavía ganan en producción, servir predicciones bajo latencia, cazar el drift que hace a un modelo acertado en junio y equivocado en diciembre, y diseñar todo el sistema de ML alrededor del modelo en vez de solo el modelo. Para el desarrollador que se cansó de llamar caja negra a la IA y quiere la habilidad escasa y mejor paga de entenderla.
¿Este libro es para vos?
Esta guía es para: desarrolladores que arman features de IA llamando a modelos como cajas negras, que saben cablear un LLM pero no podrían entrenar, evaluar ni depurar un modelo propio, y que quieren el cimiento de machine learning que les deja entender por qué un modelo falla y mandar a producción uno que funcione, no solo una notebook.
El secreto de este libro
Los 6 pasos para hacer machine learning que funcione en producción, no solo en una notebook. El cimiento que convierte llamar modelos como cajas negras en entender, armar y mandar a producción machine learning que puedas explicar y en el que puedas confiar. Todo el campo de la IA se para sobre ML, y el trabajo escaso y mejor pago va para los que conocen el piso, no solo la API. Aprendé los datos, el modelo, las métricas que mienten y el sistema que lo rodea, y mandá ML que aguante después de la notebook.
- Ves qué hace el ML que las reglas no pueden
- Arreglás el problema de datos antes que el modelo
- Convertís la realidad en features que un modelo aprende
- Leés las métricas que mienten, y las que no
- Le ganás al overfitting; mandás el modelo que generaliza
- Diseñás todo el sistema de ML, no solo el modelo
Qué incluye este libro
- Capítulo 1: El modelo que mandé a producción y no supe explicar cuando se equivocó
- Capítulo 2: Qué hace de verdad el machine learning que las reglas no pueden
- Capítulo 3: El problema de datos que decide todo antes que el modelo
- Capítulo 4: Convertir la realidad desprolija en features que un modelo pueda aprender
- Capítulo 5: Entrenar un primer modelo que le gane a una moneda al aire
- Capítulo 6: El número de accuracy que miente, y las métricas que no
- Capítulo 7: Por qué la rompe en el training set y falla en el mundo real
- Capítulo 8: Los algoritmos clásicos que todavía ganan en producción
- Capítulo 9: De una notebook a un sistema que sirve predicciones
- Capítulo 10: El modelo que estuvo acertado en junio y equivocado en diciembre
- Capítulo 11: Diseñar todo el sistema de ML, no solo el modelo
- Capítulo 12: El desarrollador que manda a producción ML que aguanta
