Model Development at Scale - Spanish

Databricks Performance Optimization enseña a los ingenieros y analistas de datos cómo diagnosticar, medir y corregir cuellos de botella de rendimiento en la Plataforma de Inteligencia de Datos de Databricks, y cómo vincular las mejoras de rendimiento con los costos. El curso sigue un Flujo de trabajo que prioriza la medición y la plataforma: se permite que las optimizaciones automáticas de la plataforma realicen el trabajo pesado, se verifica lo que se aplicó mediante Query Profile y las tablas del sistema, y luego se ajusta manualmente donde sea necesario.

Los participantes construyen una base para medir el rendimiento con Query Profile, Performance Insights y las tablas del sistema del historial de consultas. A partir de ahí, exploran técnicas clave de optimización, entre ellas el diseño de datos y las tablas administradas con autoajuste, liquid clustering, el almacenamiento en caché y los resultados intermedios, el shuffle, el skew, el spill, las explosiones de filas, el rendimiento del driver, los Python UDFs, el serverless compute, Photon y la atribución de costos.

A lo largo del curso, los participantes analizan consultas deliberadamente lentas sobre datos sintéticos de comercio minorista y observan cómo las distintas técnicas de optimización afectan el rendimiento. Utilizan evidencia como la poda de archivos, el tiempo de ejecución de tareas, la cobertura de Photon y los costos para evaluar las mejoras. Dos laboratorios basados en escenarios refuerzan el Flujo de trabajo de optimización desde el diagnóstico hasta la validación.

Nota: 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.

Una base en dos partes para formular instrucciones eficaces al asistente de IA de una empresa. La parte 01 (Fundamentos) explica cómo la especificidad de las instrucciones determina la calidad de las respuestas, presenta al asistente como un pasante brillante pero literal, fundamentado en el conocimiento interno mediante una arquitectura RAG, abarca lo que puede y no puede consultar, enfatiza una mentalidad de confianza con verificación e introduce el Framework C-O-I-E (Context, Outcome, Instruction, Example). La parte 02 (Técnicas) desarrolla un conjunto de técnicas de instrucción y enseña cómo elegir entre ellas: adecuar las tareas a los enfoques, generación de contenido (zero-shot y few-shot), razonamiento (chain-of-thought, self-ask, meta-prompting), Flujo de trabajo (encadenamiento de instrucciones y cuándo encadenarlas en lugar de usar una sola) y estructuración clara de las instrucciones.

Este curso enseña a los estudiantes a evaluar sistemáticamente agentes de IA utilizando el Framework de evaluación de MLflow, abordando los desafíos únicos de los sistemas de IA no deterministas que las pruebas de software tradicionales no pueden gestionar. Los estudiantes aprenden a implementar diversos enfoques de evaluación, entre ellos: jueces incorporados para criterios comunes como la corrección y la seguridad, jueces de directrices para requisitos específicos del negocio y jueces personalizados para necesidades especializadas. El curso abarca tanto la evaluación sin conexión mediante conjuntos de datos curados como el monitoreo en producción en línea, con experiencia práctica en el uso de las capacidades de trazado de MLflow para comprender los patrones de ejecución de los agentes y recopilar retroalimentación humana de distintos tipos de partes interesadas. A través de demostraciones prácticas y laboratorios, los estudiantes desarrollan habilidades para crear Flujos de trabajo de evaluación que impulsen mejoras continuas de calidad a lo largo del ciclo de vida del desarrollo de agentes de IA.

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.