Plataforma de Entrenamiento ML Multi-Región para una Edtech Bogotana
Visión general
De qué trata este proyecto.
Diseña la plataforma: Vertex AI Pipelines orquesta workflows; los jobs corren en GKE con nodos preemptibles + fallback a on-demand; los modelos se versionan en Vertex Model Registry. Implementa el flujo para un workflow de ejemplo (entrenamiento de un recomendador por país, 3 países), mide tiempo total y coste vs baseline on-demand. Documenta política de retries y SLO (Service Level Objective — objetivo de nivel de servicio) operativo.
El Briefing
Lo que harás y lo que demostrarás.
Demostrar al menos 40% de ahorro de coste vs entrenamiento on-demand puro manteniendo SLO de éxito de jobs superior a 95%.
Earning criteria — what you'll demonstrate
- Orquestar entrenamiento ML con Vertex AI Pipelines
- Combinar spot/preemptible y on-demand con fallback robusto
- Definir SLOs operativos para plataformas ML
- Cuantificar trade-off coste/fiabilidad con datos
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosIngeniero de MLOps
Diseñar y operar una plataforma de entrenamiento con orquestación y políticas de coste es trabajo cotidiano del MLOps engineer.
Este proyecto afina
- mlops
- pipeline-orchestration
- cost-optimization
Arquitecto de Soluciones de IA
Diseñar la plataforma y defenderla en una memoria es el músculo del AI solutions architect.
Este proyecto afina
- mlops
- infrastructure-as-code
- cost-optimization
Ingeniero de Datos
Orquestación de jobs sobre datasets multi-país en cloud prepara el músculo del data engineer en plataformas ML.
Este proyecto afina
- pipeline-orchestration
- gcp
- kubernetes