Advanced Techniques with Apache Spark Declarative Pipelines - Spanish

Unity Gateway extiende la gobernanza de Unity Catalog al tráfico de IA. Unity Catalog ya gobierna sus modelos, servicios MCP, funciones y conexiones como objetos protegibles; Unity Gateway añade un Plano de Control central sobre el tráfico hacia ellos, aplicando enrutamiento, límites de velocidad, presupuestos, seguimiento de uso y **políticas de servicio** (barreras de protección) en cada solicitud y respuesta.

Este laboratorio presenta los fundamentos mediante una breve exposición teórica y luego los pone en práctica con una demostración práctica. En la demostración, usted gobierna una aplicación agéntica real —una que genera diagramas nativos de Databricks como código— enrutándola a través de Unity Gateway y reforzando progresivamente su gobernanza: creando un servicio de modelo, otorgando permisos, añadiendo tablas de inferencia, límites de velocidad, una política de barrera contra alucinaciones, división de tráfico entre modelos Claude y enrutamiento con plan de contingencia. Por último, usted explora los esquemas `system.ai` y `system.ai_gateway` para ver cómo la telemetría y la observabilidad complementan el registro de inferencia a nivel de carga útil.

Al finalizar el laboratorio, usted comprenderá cómo la gobernanza de activos, tráfico y comportamiento se combinan en un único Plano de Control para la IA, y cómo aplicar esos controles a una aplicación de IA Generativa en estilo de producción en Databricks.

Nota: En los archivos de lecciones SCORM, cierre la ventana de SCORM después de completar el contenido. No haga clic en el botón «Siguiente lección», ya que esto podría impedir que el módulo SCORM se marque como completado.

Este curso enseña los fundamentos de la preparación de datos para machine learning tradicional en Databricks. Los estudiantes cargan datos en tablas Delta gobernadas por Unity Catalog y los exploran con Notebooks, visualizaciones incorporadas y Genie Code. Luego realizan la limpieza de Datos limpios, gestionan valores faltantes y valores atípicos, dividen y muestrean los datos sin fuga de datos, y construyen Pipelines de ML reproducibles con Spark ML para imputación, codificación y estandarización. Finalmente, almacenan, gobiernan y Reutilizan características con Ingeniería de características en Unity Catalog. Esto incluye búsquedas puntuales en el tiempo para conjuntos de entrenamiento sin fuga de datos y una introducción al servicio de características en línea con Online Feature Stores respaldados por Lakebase. Cada módulo combina clases teóricas con demostraciones prácticas y un laboratorio que se ejecutan en compute serverless. El entrenamiento, el servicio y el monitoreo de modelos no se tratan en este curso; se enseñan en los cursos Machine Learning Model Development y Machine Learning Model Deployment. Este curso está diseñado para Científicos de datos de nivel asociado y profesionales de machine learning que desean una base sólida en la preparación de datos en Databricks.

Nota:

1. Este es el primer curso de la serie «Machine Learning con Databricks».

2. En el caso de los archivos de clase SCORM, asegúrese de cerrar la ventana de SCORM después de completar el contenido. No haga clic en el botón «Siguiente lección», ya que esto podría impedir que el módulo SCORM se marque como completado.

Este curso cubre los puntos de contacto específicos de AWS para ejecutar Databricks: configuración de cuenta e implementación de workspace (express, AWS Marketplace o directa), el modelo IAM entre cuentas, credenciales de almacenamiento y servicio de Unity Catalog, integración con S3, VPCs administradas por el cliente y PrivateLink, redes serverless con NCCs, cifrado KMS e integración nativa de AWS para auditoría y costos. Prepara a los estudiantes para la acreditación de Arquitecto de Plataforma de Databricks en AWS.

Nota: En los archivos de lección SCORM, asegúrate de cerrar la ventana SCORM después de completar el contenido. No hagas clic en el botón ‘Next Lesson’, ya que hacerlo podría impedir que el módulo SCORM se marque como completado.