Blog
Lo que pienso y cómo trabajo
Machine learning, deep learning, modelos en local y agentes de IA, contados desde lo que he puesto en producción. Sin humo y con enlace al código cuando lo hay.
Migrar de EKS a GKE con un agente, Spark que derrocha y PyTorch 2.15 a pruebaEsta semana: el agente de Google para migrar de EKS a GKE, el 31 % de ahorro en Spark que cuenta Salesforce y la candidata de PyTorch 2.15. Mi lectura práctica.
Lo que pienso de la IA este otoño: España, Europa y Silicon ValleyMi lectura personal de seis noticias de inteligencia artificial: pymes que no la usan, gigafactorías, el reglamento europeo aplazado, laboratorios que salen a bolsa y modelos capaces de atacar.
Cómo trabajo con agentes de IA: ellos escriben, yo decidoMi forma de trabajar con agentes que programan: especificación antes del código, pruebas de extremo a extremo, despliegue con puerta de salud y registro de cada hora.
Accuracy no es una métrica: cómo leo un modelo de clasificaciónCon datos desbalanceados, la accuracy engaña. Así comparo modelos de machine learning: mismo preprocesado, modelo base, classification_report y matriz de confusión.
Deep learning de principio a fin: lo que aprendí entrenando mis propias redesRedes convolucionales para caras y emociones, ResNet con transferencia de aprendizaje, aprendizaje por refuerzo y redes de grafos sobre bases de datos. Lo que me enseñó cada proyecto.
RAG y modelos en local: cuándo merece la pena no depender de una APIQué he aprendido montando RAG con Qdrant, pgvector y LangGraph y sirviendo modelos de lenguaje en mi propio servidor. Cuándo compensa el modelo local y cuándo no.