Infraestructura de IA

Hay una brecha que casi nadie nombra. Montar una demostración de inteligencia artificial hoy toma una tarde: unas llamadas a una API, un poco de contexto pegado en el prompt, y funciona. Ponerla en producción es otro oficio por completo, y ahí es donde se descubre que el modelo casi nunca era el problema. El problema era todo lo demás: dónde vive el conocimiento, cómo se recupera lo que de verdad importa, y qué pasa con la factura y la latencia cuando ya no son diez consultas al día sino diez mil por hora.

Esta colección reúne los tres libros que cubren esa capa de abajo, la que sostiene todo lo demás. No son tres títulos que casualmente hablan de inteligencia artificial: son las tres piezas de una sola arquitectura, y en este orden forman un recorrido — dónde guardas el conocimiento y cómo se busca por significado, cómo lo estructuras para que un agente razone sobre él sin perderse, y cómo haces que todo eso corra rápido y no te quiebre la infraestructura.

1. Bases de datos vectoriales — Nitin Borwankar

El primero resuelve la pregunta de dónde. Cuando dejas de buscar por palabra exacta y empiezas a buscar por significado, necesitas guardar el conocimiento de otra forma, y ahí entran los embeddings y la búsqueda por similitud. Borwankar lleva más de tres décadas en bases de datos y ciencia de datos, y su enfoque es deliberadamente pragmático: agnóstico de proveedor, apoyado en herramientas de código abierto que ya conoces y en modelos que corren en tu propia máquina.

Va del porqué al qué y del qué al cómo, en ese orden: primero los conceptos, luego los embeddings, después la búsqueda por similitud, y solo entonces cuatro sistemas completos construidos desde cero. Y no se detiene donde suele detenerse el material disponible: entra en las limitaciones, el ajuste de rendimiento, la gestión de recursos y las consideraciones para producción. Te enseña por qué funciona, no solo que funciona.

2. GraphRAG agéntico — Anthony Alcaraz y Sam Julien

El segundo resuelve la pregunta de cómo recuperar sin perderse, y su tesis es la más interesante de las tres: un agente no es un modelo envuelto en un prompt, es un proceso que corre encima de un modelo. Por eso sus fallos característicos —olvidar, no ver relaciones, ignorar el tiempo, paralizarse, ahogarse en herramientas— no se arreglan haciendo el modelo más listo: no nacen ahí. Nacen de que qué sabe el agente y qué está haciendo el agente viven revueltos en un amasijo de tokens donde nadie puede mirarlos por separado.

De ahí sale la arquitectura de grafo doble, y con ella la consecuencia más útil del libro: cuando esas dos cosas son estructuras distintas e inspeccionables, la fiabilidad de un agente deja de ser un problema de inteligencia artificial y se vuelve un problema de diseño de procesos, que la ingeniería ya sabe resolver. Cubre representación del conocimiento, memoria temporal, razonamiento y planificación, orquestación de herramientas con el Model Context Protocol, autoevaluación y optimización de costos. Lo escriben el estratega principal de IA y aprendizaje automático en AWS y un director de producto de plataformas de IA, con un solo ejemplo que atraviesa el libro: un agente autónomo de DevOps que empieza siendo herramientas de monitoreo desconectadas y termina anticipando caídas y corrigiéndose solo.

3. Ingeniería de rendimiento para sistemas de IA — Chris Fregly

El tercero resuelve la pregunta que llega cuando lo anterior ya funciona: por qué es tan lento y por qué cuesta tanto. Son veinte capítulos de optimización de arriba abajo, y su valor está en que es el único de los tres que atraviesa todas las capas: empieza por la mentalidad y el hardware, sigue por el sistema operativo, la red y el almacenamiento, baja a la arquitectura de la GPU y a CUDA, sube a PyTorch y a los compiladores, y culmina en inferencia a escala.

Junta en un solo lugar lo que normalmente está partido: entrenamiento e inferencia, hardware y algoritmo, teoría y kernel. Y cierra con una lista de verificación de más de 175 optimizaciones probadas, que es lo que convierte la lectura en un procedimiento repetible en vez de en una buena intención. Fregly optimizó sistemas en Netflix, Databricks y AWS, es coautor de «Ciencia de datos en AWS» e «IA generativa en AWS», y organiza el meetup global de ingeniería de rendimiento de IA.

Por qué juntos y no sueltos

Porque un sistema de inteligencia artificial en producción falla por la capa de abajo, y esa capa tiene exactamente estas tres partes. Guardar sin saber recuperar te da una base de datos que nadie consulta bien. Recuperar sin entender cómo se guarda te deja optimizando prompts contra un almacenamiento que no puede darte lo que pides. Y hacer las dos cosas bien sin saber de rendimiento te da un sistema correcto que nadie puede pagar ni esperar. Los tres son agnósticos de proveedor y los tres bajan al detalle de producción, que es justo donde el material suelto en internet se acaba.

Es también la única parte del catálogo que cubre este terreno. Los otros paquetes están un piso más arriba: uno trata de aplicaciones con agentes, otro de una herramienta concreta de programación. Este es la plomería — lo que hay que entender cuando la demostración ya funcionó y toca sostenerla. Los compras una vez y son tuyos.

⚡ Dentro de nuestra plataforma encontrarás los enlaces de descarga, te avisaremos por correo electrónico de todas las futuras actualizaciones.

Descarga el ebook y disfrútalo en las mejores plataformas como Google Play Books, Apple Books o Kindle

El formato EPUB se puede leer sin internet con estas y más plataformas. Y por supuesto, siempre puedes leer el archivo PDF (LISTO PARA IMPRIMIR), donde y como quieras.