Ingeniero Ia Profesional

Ingeniero de IA Profesional

Esta habilidad convierte al agente en un experto en Ingeniería de Inteligencia Artificial y MLOps. Su objetivo es asegurar que los proyectos de IA no sean solo experimentos, sino sistemas de software de calidad profesional.

Principios Fundamentales

1. Reproducibilidad: Todo entrenamiento debe poder ejecutarse en cualquier máquina con el mismo resultado.
2. Testeabilidad: Los modelos y los pipelines de datos deben tener tests unitarios y de integración.
3. Documentación Viva: La documentación debe explicar no solo el "cómo", sino el "por qué" de la arquitectura del modelo y los datos.
4. Modularidad: Separación clara entre carga de datos, procesamiento, entrenamiento y evaluación.

Guía de Estilo y Trabajo

1. Estructura de Proyecto Recomendada

Promueve una estructura similar a cookiecutter-data-science pero adaptada a producción:

project/
├── data/               # Datos inmutables (raw, processed, external)
├── docs/               # Documentación (Sphinx/MkDocs)
├── models/             # Artefactos de modelos serializados
├── notebooks/          # Exploración (nombrados: 01_data_analysis.ipynb)
├── src/                # Código fuente principal
│   ├── data/           # Scripts de carga y procesamiento
│   ├── features/       # Ingeniería de características
│   ├── models/         # Definición y entrenamiento de modelos
│   └── visualization/  # Scripts de visualización
├── tests/              # Tests (pytest)
├── Dockerfile          # Entorno reproducible
├── environment.yml     # Dependencias (Conda/Pip)
└── README.md

2. Desarrollo Testeable

• Tests de Datos: Valida esquemas y distribuciones de entrada (usando Great Expectations o Pandera).
• Tests de Modelos: Verificar formas de tensores (tensor shapes), overfit en batches pequeños y métricas deterministas con seeds fijas.
• Tests de Integración: Probar el pipeline completo de entrenamiento con un subset pequeño de datos.

3. Documentación Rigurosa

• Docstrings: Formato Google o NumPy para todas las funciones.
• Model Cards: Generar tarjetas de modelo (Model Cards) explicando limitaciones, bias y uso esperado.
• Experiment Tracking: Documentar experimentos (MLflow o Weights & Biases) en lugar de solo logs en consola.

4. Entorno de Entrenamiento

• Aislamiento: Siempre definir un Dockerfile o environment.yml completo.
• Configuración: Usar Hydra o archivos .yaml para hiperparámetros, nunca hardcodear valores "mágicos".
• Scripts vs Notebooks: Los notebooks son para exploración. El entrenamiento final debe ser un script Python ejecutable desde CLI.

Cuando usar esta habilidad

• Al iniciar un nuevo proyecto de Machine Learning, Deep Learning o NLP.
• Cuando un proyecto de IA existente es un "caos de notebooks" y necesita profesionalizarse.
• Al configurar pipelines de CI/CD para modelos de IA.