Extra ✦

En esta etapa, exploraremos temas avanzados en el campo del desarrollo backend y DevOps, que te ayudarán a profundizar tus conocimientos y habilidades en la creación de sistemas robustos y escalables para Agentes de IA. Estos conceptos son especialmente útiles para aquellos que aspiran a roles de arquitecto de sistemas o líder técnico en proyectos de IA.

Instrucciones para Ask AI

instrucción

Dado que estos temas no cambian con el tiempo, lo mejor es que los estudies con un tutor personal: ChatGPT.

El proceso de estudio debe ser el siguiente:

• Creas un prompt de sistema para ChatGPT (plantillas), donde describes tu experiencia, preferencias, nivel de detalle de las explicaciones, etc.
• Copias el tema de la lista (triple clic) y le pides a ChatGPT que te explique ese tema.
• Si deseas profundizar, haz preguntas aclaratorias.

Actualmente, esta es la forma más conveniente de estudiar los fundamentos. Además de los conceptos, puedes estudiar materiales adicionales en las secciones Gold, Silver, Extra.

1. Gold: es imprescindible estudiar antes de interactuar con ChatGPT.
2. Ask AI: haz preguntas sobre cada tema desconocido.
3. Silver: materiales secundarios.
4. Extra: temas avanzados.

Golden

10 Sysdes Patterns

Why Kubernetes is so popular

Sysdes

More Sysdes

Ansible

Terraform

Ask AI

DevOps e Infraestructura

1. Nginx para sistemas de IA: balanceo de carga y proxy de solicitudes
2. Kubernetes: orquestación de flujos de trabajo de ML en producción (casos prácticos)
3. Kubernetes Operators: automatización de tareas repetitivas (Visión general)
4. GitOps para principiantes: principios básicos y configuración de ArgoCD
5. Monitorización de Kubernetes: Prometheus + Grafana (plantillas para IA)
6. Service Mesh: conceptos básicos de Istio/Linkerd (Breve)
7. Helm: plantillas de aplicaciones (prácticas para desarrolladores de IA)
8. Canary Deployments: actualización segura de modelos (guía paso a paso)
9. Infrastructure as Code: comparación de Terraform y Pulumi (concepto)
10. Pipelines de CI/CD: automatización del entrenamiento de modelos (ejemplo end-to-end)

Sistemas de alta carga

11. Sharding de BD: estrategias básicas para principiantes
12. CQRS + Event Sourcing: patrones arquitectónicos (Visión general)
13. Colas de mensajes: Kafka vs RabbitMQ (comparación para IA)
14. Backpressure: protección de sistemas contra sobrecarga (ejemplos prácticos)
15. Consistencia de datos: patrones básicos de sistemas distribuidos
16. Optimización de latencia: diagnóstico de problemas en la inferencia de IA
17. Almacenamiento en caché: estrategias multinivel (casos prácticos)
18. Observabilidad: monitorización de pipelines de IA (OpenTelemetry)
19. Procesamiento de Big Data: Spark para principiantes (conceptos básicos)
20. Rate Limiting: protección de API (soluciones y bibliotecas listas para usar)

Seguridad y fiabilidad

21. OAuth 2.0: implementación práctica para sistemas de IA
22. Protección de modelos: métodos básicos contra prompt injection
23. Zero Trust: principios básicos (Breve reseña)
24. Secrets Management: trabajo con HashiCorp Vault (guía)
25. Fault Tolerance: plantillas para principiantes (Visión general)
26. gRPC: optimización de la comunicación entre microservicios
27. Blue-Green Deployments: escenario básico para modelos de IA
28. SLA/SLO/SLI: métricas de calidad (ejemplos prácticos)
29. Auditoría de seguridad: etapas principales (lista de verificación)
30. Copias de seguridad: estrategias para la inferencia de IA (Breve)

Tecnologías en la nube y optimización financiera

31. Estrategias Multi-cloud: reducción de la dependencia de proveedores para sistemas de IA
32. FinOps: optimización de costes en GPU y TPU en la nube para proyectos de IA
33. Spot Instances: uso eficiente para el entrenamiento de modelos
34. Serverless para IA: patrones arquitectónicos y antipatrones
35. Cloud Native AI: uso eficiente de los servicios ML/AI en la nube
36. Data Lake y Data Warehouse: arquitecturas para datos de IA
37. Edge Computing: traslado de la inferencia de IA más cerca de las fuentes de datos
38. Benchmarking de proveedores de la nube: metodología para flujos de trabajo de IA
39. Pay-as-you-go vs Reserved Instances: estrategias para startups de IA
40. Automatización en la nube: robots para monitorizar y optimizar costes

Bases de datos y almacenamiento para IA

41. Bases de datos vectoriales: optimización de consultas e indexación para sistemas RAG
42. Time Series DB: almacenamiento y análisis de series temporales para la monitorización de IA
43. NewSQL: bases de datos distribuidas modernas con garantías ACID
44. Data Lakehouse: arquitectura para startups de IA (Delta Lake, Iceberg)
45. Column Store vs Row Store: elección para sistemas de IA analíticos
46. Embedded DB: soluciones locales para Edge AI (SQLite, DuckDB)
47. Transaccional Outbox: transmisión fiable de eventos entre servicios
48. Búsqueda de texto completo: Elasticsearch para búsqueda híbrida con IA
49. Database Federation: unificación de fuentes de datos heterogéneas
50. Graph DB: uso para grafos de conocimiento y recomendaciones de LLM

Silver

1. DevOps Roadmap para AI Engineer
2. Patrones modernos de arquitectura de aplicaciones en la nube
3. Ansible vs Puppet vs Chef: análisis comparativo
4. Pruebas de sistemas distribuidos: enfoques y herramientas

Extra

1. Desarrollo de Kubernetes Operators personalizados para flujos de trabajo de IA
2. EventMesh: bus global de eventos para sistemas de IA de microservicios
3. WebAssembly como entorno de ejecución para modelos de IA ligeros
4. eBPF: monitorización y depuración a nivel de kernel para sistemas de IA de alta carga
5. unikernels: SO especializados minimalistas para la inferencia de IA
6. Programación funcional en el desarrollo backend: ventajas para los sistemas de IA
7. SRE para sistemas de IA: prácticas y procesos de Google
8. Computación cuántica para IA: estado actual y perspectivas
9. Migraciones de bases de datos sin tiempo de inactividad: estrategias para un funcionamiento continuo
10. Data Sovereignty: cumplimiento de los requisitos regionales para los datos de IA