Harvard abre un curso gratuito sobre ingeniería de sistemas de ML
Harvard abre un curso gratuito sobre ingeniería de sistemas de ML
Harvard abrió el acceso a CS249r, un curso centrado en la infraestructura para entrenar, inferir y desplegar modelos de IA. Incluye TinyTorch, laboratorios interactivos, MLSys·im y diapositivas de clases.
Harvard ha abierto el acceso gratuito a uno de los cursos más detallados sobre ingeniería de sistemas de aprendizaje automático.
El curso CS249r va mucho más allá de la arquitectura de redes neuronales. Se centra en la infraestructura de ingeniería de la que dependen el entrenamiento y el despliegue eficiente de modelos: procesadores, jerarquía de memoria, transferencia de datos, aceleradores, computación distribuida, inferencia, cuantización, serving, fiabilidad y despliegue.
Los materiales abiertos incluyen dos volúmenes de ML Systems, TinyTorch para crear un framework de ML propio desde cero, laboratorios interactivos en el navegador, MLSys·im para experimentar con cuellos de botella de hardware e infraestructura, StaffML para practicar diseño de sistemas y las diapositivas de las clases.
TinyTorch contempla 20 módulos secuenciales. En los laboratorios se pueden cambiar parámetros del sistema y observar de inmediato dónde aparecen los cuellos de botella, en lugar de limitarse a estudiar teoría.
El curso es recomendable después de familiarizarse con redes neuronales y Transformers. Entender el funcionamiento de attention es útil, pero el nivel de comprensión cambia cuando se analiza por qué el KV cache consume tanta memoria, cuándo la inferencia depende del ancho de banda de memoria, cómo el batching afecta al throughput y por qué añadir más GPUs no siempre produce una mejora proporcional.
Todos los materiales están disponibles en mlsysbook.ai.
GitHub: harvard-edge/cs249r_book
Por qué es importante
AnálisisEl curso muestra que el rendimiento de la IA suele estar limitado no solo por los modelos, sino también por la memoria, el ancho de banda, las GPUs y la infraestructura de serving. Los laboratorios interactivos ayudan a identificar cuellos de botella reales.
Debatir en la comunidad
Comparte tus preguntas e ideas con desarrolladores
Relacionado en el ecosistema
Guías prácticas, terminología y skills de agentes
DeepSeek presenta dsh-superagent, un framework de agentes para GitHub Issues y PR
DeepSeek presentó otro proyecto, dsh-superagent: un framework de agentes que trabaja con GitHub Issues y pull requests, permitiendo que múltiples agentes de IA ejecuten tareas en paralelo.
Vercel Labs abre el código de agent-desktop para usar agentes en todo el sistema operativo
Vercel Labs publicó el código fuente de agent-desktop, una herramienta que lleva el enfoque Computer Use, eficiente en tokens, a todo el sistema operativo sin usar capturas de pantalla.
Jev y System One AI: guía práctica completa del modelo de decisiones de TypeSafe
Análisis ingenieril profundo del modelo insignia Jev: arquitectura System One frente a LLM, primitivas Choice/Score/Noul, paralelismo de consultas, matemática de la confianza, casos de vídeo, código y revisión de alternativas open-weight locales (Laya, GLiNER2.5, CLM-8B).
10 repositorios de GitHub que te ayudarán a convertirte en ingeniero de IA en 90 días
Convertirse en ingeniero de inteligencia artificial hoy en día no se trata solo de modelos e indicaciones. La mayor parte del trabajo real se basa en agentes, sistemas RAG, orquestación, bases de datos vectoriales e infraestructura de inteligencia artificial.