Colección Huyen

Para quien ya programa y se cansó de que sus proyectos de inteligencia artificial se queden a mitad de camino: el modelo que nunca sale del cuaderno de pruebas, el prototipo que deslumbra en la demo y se derrumba con usuarios reales. Si quieres dejar de improvisar y empezar a decidir la arquitectura, esta colección es tu mapa.

Habilidades:

Diseño de sistemas de ML, MLOps, ingeniería de datos y datasets, RAG, fine-tuning, agentes, evaluación de modelos y monitoreo continuo.

Nivel: Intermedio y avanzado

Requisitos:

Programación en Python y lógica de desarrollo. Para Diseño de Sistemas conviene tener bases de Machine Learning; Ingeniería de IA no las exige.

Chip Huyen es una científica de la computación que creció en una pequeña aldea arrocera en Vietnam y hoy domina la intersección entre la inteligencia artificial, los datos y el storytelling persuasivo.

Su autoridad no viene de la teoría, sino de las trincheras. Ha construido herramientas críticas de Machine Learning en NVIDIA, Snorkel AI, Voltron Data y Netflix, y fundó una startup de infraestructura de IA que terminó siendo adquirida. En paralelo formó a la próxima generación de ingenieros como instructora del curso de Diseño de Sistemas de Machine Learning en la Universidad de Stanford.

De ahí salieron estos dos libros. El primero, Diseño de Sistemas de Aprendizaje Automático, es un bestseller rotundo de Amazon en la categoría de IA, traducido a más de diez idiomas. El segundo, Ingeniería de IA, es su continuación natural para la era de los modelos base. Y cuando no está revolucionando el MLOps, alimenta su creatividad escribiendo ficción narrativa en su idioma natal.

Diseño de Sistemas de Aprendizaje Automático — del problema al sistema vivo

• Cómo diagnosticar si tu proyecto realmente necesita Machine Learning o si basta con reglas simples, y cómo encuadrar el problema antes de escribir una línea.
• Dominio de bases de datos, formatos y motores de procesamiento de datos: la ingeniería de datos que sostiene cualquier algoritmo.
• Creación de datos de entrenamiento e ingeniería de características con impacto real de negocio.
• Desarrollo, experimentación y evaluación rigurosa de modelos antes de exponerlos al mundo.
• Estrategias comprobadas de despliegue seguro y de monitoreo continuo para anticipar fallas invisibles y frenar el data drift.
• Arquitectura de infraestructura de cómputo y plataformas de ML que unifican a científicos de datos e ingenieros.
• Principios de Machine Learning responsable: sesgos, ética y el impacto humano de cada decisión de diseño.

Ingeniería de IA — construir sobre modelos base

• Qué es exactamente la Ingeniería de IA y en qué se diferencia tácticamente del Machine Learning tradicional, más el mapa del nuevo stack.
• El recorrido completo de una aplicación con modelos base, con los desafíos ocultos de cada etapa y sus soluciones probadas.
• Prompt engineering a fondo: por qué funciona y hasta dónde alcanza antes de necesitar algo más.
• Implementación de RAG para darle a tu IA contexto propietario y respuestas ancladas.
• Cuándo hacer fine-tuning —y cuándo no gastar en él— y cómo construir agentes autónomos que ejecutan tareas, no que solo conversan.
• Ingeniería de datasets: cómo alimentar tus modelos con la mejor información disponible.
• Cómo elegir modelo, dataset, métricas y benchmarks con criterio, y cómo auditar tu producto con el enfoque de «IA como juez».
• Identificar y destruir los cuellos de botella de latencia y costos al servir modelos fundacionales en el mundo real.