Building ETL Pipelines with SQL - Spanish

Este curso es una introducción a Omnigent, el meta-harness de código abierto de Databricks para agentes de IA, y a cómo construir, gobernar y colaborar en agentes con él en la Plataforma de Databricks. Aprenderás qué es un harness y cómo un meta-harness se sitúa por encima de las herramientas de agentes que ya utilizas para hacerlas interoperables, y explorarás los tres pilares de Omnigent: Combine, Control y Share. A través de conferencias interactivas y laboratorios, comenzarás sesiones de Omnigent en el Databricks Sandbox, crearás y compartirás aplicaciones mediante vibe-coding, declararás agentes YAML portátiles, aplicarás políticas contextuales con estado (incluidas las defensas contra la trifecta letal y la inyección de prompts), y trabajarás con los agentes incorporados Polly y Debby. Al finalizar este curso, comprenderás cómo coordinar y gobernar agentes de IA utilizando Omnigent, Unity Gateway y el Databricks Sandbox.

Nota: Databricks Academy está pasando a un formato basado en cuadernos para las sesiones presenciales en el entorno de Databricks, dejando de utilizar presentaciones de diapositivas para las clases. Puedes acceder a los cuadernos de las clases en el entorno de laboratorio de Vocareum.

En este curso, obtendrás una comprensión integral de cómo diseñar, escalar y operacionalizar pipelines de Ingeniería de características de extremo a extremo en la Plataforma de Databricks. El plan de estudios está estructurado en tres módulos progresivos: dominar los fundamentos de la ejecución distribuida y la optimización de Spark, implementar la Ingesta de datos escalable con Auto Loader y Pipelines declarativos de LakeFlow, y avanzar hacia MLOps de nivel de producción con el Feature Store de Databricks.

Participarás en experiencias de aprendizaje práctico, como la depuración del rendimiento de Spark con el Catalyst Optimizer y el Spark UI, la construcción de arquitecturas medallón Bronce-Plata-Oro robustas con verificaciones de calidad automatizadas, y la implementación de transformaciones de características escalables utilizando SparkML. El curso culmina con el despliegue de servicio de características en tiempo real a través de Online Feature Stores, la definición de FeatureSpecs con transformaciones bajo demanda, y la aplicación de gobernanza y seguimiento de Linaje con Unity Catalog.

Al finalizar el curso, estarás capacitado para administrar el ciclo de vida completo de las características para machine learning a escala empresarial, diseñando Pipelines que sean eficientes, confiables, gobernados y listos para producción.

Nota: Para los archivos de lecciones SCORM, asegúrese de cerrar la ventana de SCORM después de completar el contenido. No haga clic en el botón ‘Siguiente lección’, ya que hacerlo puede impedir que el módulo SCORM se marque como completado.

El curso Deploy Workloads with Lakeflow Jobs enseña cómo orquestar y automatizar flujos de trabajo de datos, analíticas e IA utilizando Lakeflow Jobs como plataforma de orquestación unificada dentro del ecosistema de Databricks. 

• Aprenderá a diseñar e implementar cargas de trabajo de datos utilizando Grafos Acíclicos Dirigidos (DAGs), configurar diversas opciones de programación e implementar características avanzadas de flujos de trabajo, como la ejecución condicional de tareas, dependencias run-if y bucles for each. 

• El curso abarca las mejores prácticas para crear Pipelines robustos y listos para producción con una selección adecuada de compute, orquestación modular, técnicas de manejo de errores y diseño tolerante a fallos, todo ello integrado nativamente en la Plataforma de Inteligencia de Datos de Databricks.

Nota: para los archivos de lección SCORM, asegúrese de cerrar la ventana de SCORM después de completar el contenido. No haga clic en el botón "Next Lesson", ya que hacerlo podría impedir que el módulo SCORM se marque como completado.