AI Platform es un conjunto de herramientas y servicios en Google Cloud Platform que permite a los desarrolladores y científicos de datos construir, entrenar y desplegar modelos de aprendizaje automático (ML) a escala. Este módulo te guiará a través de los conceptos básicos, la configuración y el uso de AI Platform para tus proyectos de ML.

1. ¿Qué es AI Platform?
2. Configuración de AI Platform
3. Entrenamiento de modelos
4. Despliegue de modelos
5. Monitoreo y gestión de modelos
6. Ejercicio práctico
7. Conclusión

AI Platform es una solución integral para el desarrollo de modelos de ML que incluye:

• Entrenamiento de modelos: Permite entrenar modelos en la nube utilizando recursos escalables.
• Despliegue de modelos: Facilita el despliegue de modelos entrenados para su uso en producción.
• Gestión de modelos: Proporciona herramientas para monitorear y gestionar modelos desplegados.

1. Accede a la consola de GCP.
2. Crea un nuevo proyecto o selecciona uno existente.
3. Habilita la facturación para el proyecto.

1. En la consola de GCP, navega a API & Services > Library.
2. Busca "AI Platform" y habilita la API.

1. Instala el SDK de Google Cloud:

   curl https://sdk.cloud.google.com | bash
   exec -l $SHELL
   gcloud init
   

2. Autentica tu cuenta:

   gcloud auth login
   

3. Configura el proyecto:

   gcloud config set project [PROJECT_ID]
   

1. Sube tus datos a Google Cloud Storage (GCS):

   gsutil cp [LOCAL_DATA_PATH] gs://[BUCKET_NAME]/[DATA_PATH]
   

1. Crea un script de entrenamiento en Python (train.py):

   import tensorflow as tf
   
   def train_model():
       # Cargar datos
       (x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
       x_train, x_test = x_train / 255.0, x_test / 255.0
   
       # Definir el modelo
       model = tf.keras.models.Sequential([
           tf.keras.layers.Flatten(input_shape=(28, 28)),
           tf.keras.layers.Dense(128, activation='relu'),
           tf.keras.layers.Dropout(0.2),
           tf.keras.layers.Dense(10)
       ])
   
       # Compilar el modelo
       model.compile(optimizer='adam',
                     loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                     metrics=['accuracy'])
   
       # Entrenar el modelo
       model.fit(x_train, y_train, epochs=5)
       model.evaluate(x_test, y_test, verbose=2)
   
   if __name__ == '__main__':
       train_model()
   

1. Sube el script de entrenamiento a GCS:

   gsutil cp train.py gs://[BUCKET_NAME]/[SCRIPT_PATH]
   

2. Enviar el trabajo de entrenamiento:

   gcloud ai-platform jobs submit training [JOB_NAME] 
          --region us-central1 
          --module-name trainer.task 
          --package-path trainer/ 
          --job-dir gs://[BUCKET_NAME]/[JOB_DIR] 
          --runtime-version 2.3 
          --python-version 3.7
   

1. Modifica el script de entrenamiento para guardar el modelo:

   model.save('gs://[BUCKET_NAME]/[MODEL_PATH]')
   

1. Crear el modelo:

   gcloud ai-platform models create [MODEL_NAME] 
          --regions us-central1
   

1. Crear la versión:

   gcloud ai-platform versions create [VERSION_NAME] 
          --model [MODEL_NAME] 
          --origin gs://[BUCKET_NAME]/[MODEL_PATH] 
          --runtime-version 2.3 
          --python-version 3.7
   

1. Utiliza la consola de GCP para monitorear el rendimiento del modelo.
2. Configura alertas y métricas para asegurarte de que el modelo funcione correctamente.

1. Objetivo: Entrenar un modelo de clasificación de imágenes utilizando el conjunto de datos MNIST y desplegarlo en AI Platform.
2. Pasos:
   • Prepara los datos y súbelos a GCS.
   • Escribe un script de entrenamiento.
   • Envía el trabajo de entrenamiento a AI Platform.
   • Exporta y despliega el modelo.
3. Solución:
   • Sigue los pasos descritos en las secciones anteriores para completar el ejercicio.

En este módulo, has aprendido a utilizar AI Platform para entrenar, desplegar y gestionar modelos de aprendizaje automático en Google Cloud Platform. Con estas habilidades, puedes desarrollar y escalar tus proyectos de ML de manera eficiente y efectiva. En el próximo módulo, exploraremos AutoML y cómo puede simplificar aún más el proceso de desarrollo de modelos de ML.