Un marketplace sugiere la categoría de cada foto que sube quien vende. Recorres las 12 estaciones del dato a producción: etiquetas, dataset versionado, entrenamiento, gate, serving con Triton, Docker, Kubernetes y monitoreo.
Elige un proyecto real y constrúyelo de punta a punta en tu Mac, estación por estación. Cada estación la haces cuatro veces: con ayuda, solo, rota con ayuda y rota solo, con la explicación de cada concepto justo cuando lo usas.
El camino completo, de elegir un entrenamiento a llevar tu registro, con subtítulos: no necesitas sonido.
Cada entrenamiento es un proyecto de punta a punta con su caso de referencia: una empresa ficticia con números reales, que recorres en 12 estaciones. Los dos usan el mismo método (el kit, las cuatro rondas y tu tablero) y no dependen uno del otro: empieza por el que te sirva.
Un marketplace sugiere la categoría de cada foto que sube quien vende. Recorres las 12 estaciones del dato a producción: etiquetas, dataset versionado, entrenamiento, gate, serving con Triton, Docker, Kubernetes y monitoreo.
Un asistente interno contesta con los documentos de la empresa y cita sus fuentes. Recorres las 12 estaciones de un RAG: ingestión, chunking, permisos, índice híbrido, reranker, un LLM local, la API con citas, evals y monitoreo.
Los dos llevan un modelo a producción, pero el trabajo cae en lugares distintos. En clasificación se entrena un modelo; en RAG el modelo ya existe y lo difícil son los datos que le llegan y medir sus respuestas.
Si nunca has llevado un modelo a producción, empieza por Clasificación de imágenes: lo que aprendes ahí (datos versionados, Docker, monitoreo) también lo usa RAG. Si tu trabajo ya es con LLMs, entra directo a RAG: no necesitas haber hecho el otro. RAG todavía no tiene estaciones listas: llegan una por una, y su temario ya está publicado.
Empezar: Clasificación de imágenes, estación 1Cada estación es un mini-proyecto con su kit. Esta app es la guía y no corre nada: el trabajo pasa en tu Mac, en la carpeta del kit, con una sesión de Claude Code abierta ahí.
En la página de la estación: el mapa (dónde estás, qué entra y qué sale), los precálculos (las cuentas de servilleta, en el caso de referencia y en el dojo) y los conceptos exprés. Se lee en el celular, en un rato libre.
Un .zip con una empresa ficticia que ya tiene el problema: sus datos, sus servicios en Docker, un verificar.py que revisa tu trabajo y un romper.py que mete fallas. Cinco comandos y queda arriba.
Copia el prompt de la ronda en la página de la estación y pégalo en Claude Code. El CLAUDE.md del kit pone las reglas de fondo, así que Claude sabe cuánto ayudarte en cada una.
Al final de cada página: el memo de la estación, su trampa, la lista de «listo cuando…» y cómo te lo pueden preguntar en una entrevista.
El kit anota tu avance en taller/progreso.json: verificar.py cada corrida, romper.py cada falla con su tiempo y Claude Code el estado de las rondas y tu bitácora. Lo importas en tu tablero, que se guarda en tu navegador, sin cuenta, con los dos entrenamientos.
Cada estación dice lo suyo en «El kit». Ninguno de los dos entrenamientos necesita rentar GPU.
Dentro de cada entrenamiento, del 1 al 12, que es el orden en que viaja el dato. Cada kit trae su propio mundo, así que una estación corre aunque no hayas terminado la anterior, y puedes llevar los dos entrenamientos a la vez.
Empezar por la estación 1: Datos y etiquetasLlevar un modelo open weight a una empresa y operarlo en su propio hardware: servirlo, medirlo, ponerle un gateway, un RAG con sus documentos, evals, observabilidad y la entrega sin internet. Da por sabido el entrenamiento RAG y le suma lo que cambia cuando el modelo vive en hardware propio.
8 estaciones · caso: Despacho de abogados · 3 necesitan GPU rentadaVer su temario →Cada patrón de sistema de ML cambia solo algunas estaciones del camino, así que llegan como entrenamientos más cortos, después de estos dos.