Sistemas de deep learning: brief técnico para ingenieros y agentes
Aprendizaje de representaciones, vías discriminativas vs generativas, métricas y enrutamiento comprar/construir — conceptos de AWS reescritos para equipos de producción
Balinder Walia7 de agosto de 20262 min readDigest técnico: deep learning como optimización neuronal multicapa, vías discriminativas vs generativas, y cómo enrutar trabajo a ML clásico, DL entrenado o APIs de foundation models. Ecuaciones, figuras y checklist de agente en el artículo largo.
Adaptado de AWS — What is Deep Learning? — para equipos de ingeniería de Workstation.
División de capacidades
- Classic ML — features diseñadas; árboles/modelos lineales; mejor default para SLAs tabulares densos.
- Deep learning — redes end-to-end en imágenes/texto/audio; backprop + GPUs; servir vía Triton/KServe/SageMaker.
- Generative AI — muestrear contenido nuevo; LLMs/diffusion + RAG/herramientas; API Bedrock o inferencia open-weight.
Familias de tareas (las métricas importan)
| Familia | Objetivo / métrica típica |
|---|---|
| Vision | detectar/clasificar — mAP, IoU, latencia p99 |
| Speech | ASR/TTS — WER, factor en tiempo real |
| NLP | clasificar / generar — F1, exact-match, groundedness |
| Recommend | rankear — NDCG, CTR/CVR |
| Gen AI agents | éxito de tarea + seguridad + $/request |
Restricciones
- Data — el ruido de etiquetas y el shift dominan; versionar datasets.
- Compute — el entrenamiento y el decode de LLM están limitados por aceleradores.
- Ops — harness de eval, drift, coste, rollback GitOps antes de un promote amplio.
Recomendación de Workstation
Clasifica primero discriminativo vs generativo. Prefiere foundation models gestionados para agentes de lenguaje salvo que residencia/coste fuerce pesos abiertos. Mantén ML clásico para tabular. Detalles, diagrama de capas y checklist: artículo largo. Publicado por Workstation.