Curso de Vertex AI Platform para equipos de IA en la empresa

Creación de proyectos en Google Cloud

Roles y permisos necesarios en IAM

Configuración de cuotas y billing para Vertex AI

Instalación del SDK de Google Cloud

Uso de notebooks gestionados (Vertex AI Workbench)

Integración con Jupyter y Colab

Configuración de entornos virtuales en Python

Organización de datasets en Cloud Storage

Estructuración de proyectos de ML en GCP

Buenas prácticas iniciales de seguridad y coste

Conexión con BigQuery para datasets estructurados

Importación de datos desde Cloud Storage

Creación y validación de datasets en Vertex AI

Preparación de datos: limpieza y normalización

Uso de Dataflow y Dataprep para transformación de datos

Manejo de datos no estructurados: imágenes, texto, audio

Estrategias de partición: train/validation/test

Visualización y exploración de datos dentro de Vertex AI

Versionado de datasets

Buenas prácticas en la gestión de datos empresariales

Qué es AutoML en Vertex AI

Configuración de experimentos de AutoML

Selección de modelos según el tipo de datos

AutoML para clasificación de imágenes

AutoML para análisis de texto y NLP

AutoML para predicciones tabulares

AutoML para forecasting de series temporales

Evaluación de modelos generados

Exportación de resultados de AutoML

Cuándo elegir AutoML vs modelos personalizados

Creación de jobs de entrenamiento en Vertex AI

Elección de frameworks: TensorFlow, PyTorch, XGBoost

Configuración de recursos (CPU, GPU, TPU)

Uso de contenedores preconstruidos de Vertex AI

Personalización de entornos con Docker

Registro y seguimiento de experimentos

Evaluación de métricas de rendimiento

Logging y depuración de entrenamientos

Optimización de hiperparámetros con Vertex AI Vizier

Exportación y almacenamiento de modelos entrenados

Creación de endpoints de predicción

Diferencia entre batch prediction y online prediction

Escalado automático de endpoints

Versionado de modelos desplegados

Pruebas de latencia y throughput

Gestión de cuotas y costes en despliegues

Integración con aplicaciones empresariales vía API

Seguridad en endpoints de predicción (IAM y VPC)

Despliegue multiregión y disponibilidad alta

Estrategias de rollback y actualización de modelos

Qué es MLOps y su relevancia en empresas

Creación de pipelines con Vertex AI Pipelines

Integración con Kubeflow Pipelines

Componentes de un pipeline: datos, entrenamiento, despliegue

Reutilización de componentes de pipelines

Registro y auditoría de ejecuciones

Estrategias de CI/CD para ML con Vertex AI

Integración con Cloud Build y GitHub Actions

Monitorización y mantenimiento de pipelines

Buenas prácticas de MLOps en Vertex AI

Qué monitorizar en producción: métricas, sesgos, drift

Uso de Vertex AI Model Monitoring

Detección automática de anomalías en predicciones

Retraining automático de modelos

Estrategias de actualización continua

Visualización de métricas en Vertex AI Dashboard

Exportación de métricas a BigQuery y Looker Studio

Alertas e integración con Cloud Logging

Optimización de costes en entrenamientos y despliegues

Estrategias de mejora iterativa de modelos

Roles y permisos IAM específicos de Vertex AI

Control de acceso a datasets y modelos

Configuración de redes privadas (VPC)

Seguridad en endpoints y APIs de predicción

Auditoría y logging de accesos

Cumplimiento normativo: GDPR, ISO, SOC

Estrategias de encriptación de datos en tránsito y reposo

Uso de etiquetas para clasificación de datos sensibles

Separación de entornos: dev, test, producción

Checklist de seguridad en proyectos Vertex AI

Predicción de demanda en retail

Análisis de clientes y segmentación avanzada

Mantenimiento predictivo en industria

Procesamiento de imágenes médicas

NLP aplicado a soporte al cliente

Forecasting financiero en banca

Análisis de riesgo crediticio

Personalización en plataformas de e-commerce

Optimización logística y de inventarios

Casos reales de Vertex AI en empresas líderes

Estrategias de uso de GPUs y TPUs según necesidades

Ahorro de costes con preemptible VMs

Elección de regiones y zonas más económicas

Uso de escalado automático en endpoints

Limpieza de recursos no utilizados

Monitorización de consumo con Cloud Billing

Presupuestos y alertas de costes

Optimización en almacenamiento de datasets

Reducción de costes en pipelines

Mejores prácticas de eficiencia financiera

BigQuery ML y Vertex AI

Looker Studio para visualización de predicciones

Cloud Functions para automatización de workflows

Dataflow para preprocesamiento de datos

Pub/Sub para procesamiento en tiempo real

Integración con Apigee para APIs empresariales

Vertex AI + GKE para despliegues avanzados

Integración con Google Workspace (ej. chatbots en Gmail/Chat)

APIs externas y Vertex AI Endpoints

Ecosistema completo de IA en Google Cloud

Estrategias de migración desde entornos on-premise

Migración de modelos entrenados en TensorFlow/PyTorch

Uso de contenedores custom en Vertex AI

Versionado y compatibilidad de modelos

Validación de modelos en staging antes de producción

Migración desde AI Platform (servicio anterior)

Actualización a nuevas releases de Vertex AI

Estrategias de fallback en migraciones

Documentación y trazabilidad de migraciones

Buenas prácticas en proyectos de migración

Selección de un caso de uso real de negocio

Diseño del pipeline completo de datos a predicción

Entrenamiento con AutoML y modelo personalizado

Despliegue de modelo en endpoint online

Implementación de monitorización y alertas

Optimización de costes del caso práctico

Validación de seguridad y cumplimiento

Documentación del flujo completo