¿Qué es una carga de trabajo de IA?

Las cargas de trabajo de IA y AA se pueden categorizar de dos maneras

• Etapa del ciclo de vida de la IA que representan (como el preprocesamiento de datos, el entrenamiento y la inferencia)
• Tipo de tarea que realizan (como procesamiento de lenguaje natural o visión artificial)

Comprender estos tipos ayuda a los responsables de las decisiones técnicas a planificar la infraestructura específica, la potencia de procesamiento y las estrategias de organización que cada uno exige.

Las cargas de trabajo de IA son el corazón de la transformación digital, ya que ofrecen aplicaciones de alto impacto en el mundo real en casi todas las industrias, lo que convierte los datos en valor práctico.

Las cargas de trabajo de IA pueden potenciar los motores de recomendaciones para empresas de venta minorista, comercio electrónico y medios. Por ejemplo, una empresa de transmisión usa un modelo de AA sofisticado, entrenado con miles de millones de hábitos de visualización, para proporcionar sugerencias de contenido altamente personalizadas.

Los fabricantes implementan sensores en equipos fundamentales, lo que genera grandes cantidades de datos de series temporales. Las cargas de trabajo de IA pueden analizar continuamente estos datos para predecir fallas mecánicas con días o semanas de anticipación, lo que permite programar el mantenimiento.

Las instituciones financieras usan cargas de trabajo de aprendizaje automático para analizar millones de transacciones en tiempo real. Estos modelos pueden identificar patrones que indican fraude, y algunos sistemas detectan transacciones no autorizadas con un alto grado de exactitud y una baja tasa de falsos positivos.

Las cargas de trabajo de visión artificial se usan para analizar imágenes médicas como radiografías, tomografías computarizadas y resonancias magnéticas. Estos modelos de IA pueden marcar anomalías potenciales, como tumores en etapa temprana, a menudo con la velocidad y la coherencia que ayudan a los médicos humanos a realizar diagnósticos más rápidos y precisos.

Las cargas de trabajo basadas en modelos de IA generativa están ayudando a transformar los campos creativos y técnicos. Se usan para generar automáticamente textos de marketing, sintetizar imágenes realistas para publicidad, crear resúmenes de reuniones virtuales o incluso ayudar a los desarrolladores sugiriendo y completando bloques de código.

Implementar un modelo de aprendizaje automático entrenado para la inferencia puede ser un paso clave en la producción de una carga de trabajo de IA. Vertex AI simplifica este proceso proporcionando servicios administrados que se encargan de la infraestructura subyacente.

Sube el modelo entrenado al registro de modelos

• El primer paso es tomar el artefacto del modelo entrenado y subirlo a Vertex AI Model Registry. Este repositorio central almacena y versiona tus modelos de forma segura, lo que los prepara para la implementación.

Crea un extremo administrado

• Luego, crearás un extremo, que es un servidor HTTP dedicado en tiempo real para tu modelo. Este extremo es la URL que tus aplicaciones llamarán para obtener predicciones. Defines el tipo de recursos de procesamiento que usará, como una máquina de CPU N1 o un tipo específico de GPU para un rendimiento acelerado.

Implementa el modelo con el extremo

• Después de crear el extremo, implementas una versión específica de tu modelo en él. Este paso implica especificar la imagen de contenedor que incluye tu modelo y el código del servidor de predicción (a menudo, una imagen precompilada proporcionada por Vertex AI). También configuras divisiones de tráfico, lo que te permite probar una nueva versión del modelo con un pequeño porcentaje de tráfico en vivo antes de implementarla por completo.

Envía y recibe predicciones en línea

• Una vez implementado, el modelo está disponible para la predicción en línea. Tu aplicación envía datos de entrada (la carga útil) a través de una solicitud HTTP a la URL del extremo, y el servicio administrado controla la carga de trabajo de inferencia, devolviendo la predicción o el resultado casi en tiempo real.

Supervisar y controlar el extremo

• El último paso es la supervisión continua. Usas las herramientas integradas de Vertex AI para hacer un seguimiento del estado del extremo (latencia, tasas de error, uso de recursos) y el rendimiento del modelo en sí (desviación, sesgo y calidad de la predicción) para garantizar que la carga de trabajo de inferencia siga siendo confiable y precisa con el tiempo.