Notas sobre machine learning
Apuntes técnicos escritos mientras aprendo: evaluación honesta, fugas de datos, despliegue, aplicaciones con LLMs y los errores que hay detrás de cada lección. Salen de los proyectos de esta web, con el código a un clic.
transformers.js, ONNX Runtime Web y tfjs: comparé los tres motores de ML del navegador con números reales
Monté un benchmark propio para medir transformers.js, ONNX Runtime Web y tfjs corriendo la misma tarea de embeddings de frases, más una MLP idéntica en los dos runtimes que pueden ejecutarla de verdad. WASM le ganó a WebGPU en las dos tareas, el backend que elige tfjs importó más que el runtime elegido, y por el camino encontré un backend que ni siquiera arrancaba por defecto en esta máquina.
Leer artículoCorrer modelos en el navegador: lo que aprendí montando un lab entero
Este porfolio tiene más de veinte demos de ML corriendo en tu navegador sin ningún servidor: redes que entrenan en vivo, un transformer generando texto, difusión, una GAN. Esta es la guía práctica que me habría ahorrado semanas: formatos, tamaños, trampas y qué técnica usar para qué.
Leer artículo
Post-mortem: doce días desplegando una web rota sin saberlo
Del 29 de junio al 11 de julio esta web no se desplegó ni una sola vez, y yo convencido de que sí. La historia completa del límite de 3 MB de Cloudflare, cómo lo encontré, cómo lo arreglé y las tres lecciones que me llevo.
Leer artículo
Publicar diez CLIs en PyPI: lo que no te cuentan
Nombres ya ocupados, un limite de proyectos nuevos que no aparece en la documentación y por qué el nombre del paquete no tiene que coincidir con el del comando. Notas de publicar una suite completa de herramientas.
Leer artículoDel notebook a una API de inferencia que aguanta producción
Un modelo entrenado en un notebook no es un producto. Convertirlo en un servicio que valida su entrada, responde con latencia predecible y se puede monitorizar es el trabajo que separa una demo de un sistema.
Leer artículoMLOps: la diferencia entre un modelo en un notebook y uno en producción
Un notebook es un entorno de exploración, no un sistema. Lo que hace falta para que un modelo funcione en producción, se mantenga solo y no se degrade en silencio.
Leer artículo
Drift: cómo detectar que tu modelo se está degradando
El modelo no cambia. Los datos sí. Y si nadie está mirando, el modelo puede llevar semanas dando predicciones malas sin que nadie lo sepa. Cómo monitorizar drift de forma práctica.
Leer artículo