TrueML · Entrenamiento práctico

Dojo de entrenamiento ML engineer's

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.

En video · 2 min

Míralo antes de empezar

El camino completo, de elegir un entrenamiento a llevar tu registro, con subtítulos: no necesitas sonido.

DatosC01 1, 2 · C11 1–4ModeloC01 3–5 · C11 5, 6, 9APIC01 6 · C11 7, 8ContenedorC01 7, 8 · C11 10OrquestaciónC01 9, 10 · C11 11MonitoreoC01 11, 12 · C11 12

Elige tu entrenamiento

2 proyectos completos · 24 estaciones · 12 listas

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.

Entrenamiento 0112 de 12 listas Clasificación de imágenesC01 · Clasificador de categorías para un marketplace con dojoen caminoEntrar →

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.

500categorías
≈ 10 Mfotos al día
≤ 200 msp99
Lo que vas a tocar
Label StudioDVCS3 localentrenamientogateTritonDockermonitoreo
Entrenamiento 02próximamente RAGC11 · RAG empresarial con dojoen caminoEntrar →

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.

≈ 1.5 Mdocumentos, cada uno con su ACL
≈ 25kpreguntas al día
≤ 2.5 sprimer token, p95
Lo que vas a tocar
parsing y chunkingembeddingsBM25 + vectoresrerankerLLM localcitasgolden setpermisos

¿Cuál elijo?

lo que cambia entre los dos

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.

Qué construyesUn clasificador de fotos servido por API: de las etiquetas al modelo en producción.Un asistente que contesta con tus documentos y cita de dónde sacó cada respuesta.
Qué se entrenaSí: una ResNet-50 con 500 categorías, y un modelo nuevo al mes.Nada: el LLM y el modelo de embeddings vienen hechos.
Dónde está lo difícilLas etiquetas, el linaje del dataset y que lo que sirves sea justo el modelo que aprobaste.La ingestión (parsing, chunking, embeddings), los permisos y medir si la respuesta es fiel a sus fuentes.
Cuánto tarda una respuestaMilisegundos: p99 ≤ 200 ms por foto.Segundos: el primer token en ≤ 2.5 s (p95) y la respuesta en streaming.
Qué decide si un cambio saleUn examen fijo (el test set) antes de entrar al registry, y la paridad del engine con el checkpoint.Un golden set contra el sistema completo: recall@8, faithfulness, citas y permisos al 100 %.
Dónde correTu Mac con Docker. Cada estación trae su propio mundo.Tu Mac, con un modelo chico local. Sin rentar GPU.

¿No sabes por cuál empezar?

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 1

Cómo se usa el dojo

igual en los dos entrenamientos

Cada 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.

01

Lee antes de tocar

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.

02

Baja el kit y levanta el mundo

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.

03

Haz las cuatro rondas

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.

ConstruirRomperCon ayuda
1 Construir con ayudaConstruyes el proyecto con Claude Code paso a paso. Cada paso explica el concepto que usa.
3 Romper con ayudaUn script mete una falla real. La diagnostican juntos: síntoma, hipótesis, prueba, arreglo.
Solo
2 Construir soloLo rehaces desde el esqueleto con los objetivos y el verificador. Claude no te da código.
4 Romper soloEl script esconde la falla, ni Claude la sabe. Tú la encuentras y la arreglas.
04

Repasa

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.

05

Lleva tu registro

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.

Qué necesitas

  • Una Mac con Docker Desktop y unos GB libres
  • Python 3.11 o más nuevo
  • Claude Code

Cada estación dice lo suyo en «El kit». Ninguno de los dos entrenamientos necesita rentar GPU.

En qué orden

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 etiquetas

Lo que viene

más entrenamientos
Entrenamiento · patrón LLM y RAGLas seis etapas

IA Privada

Llevar 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 →

Los otros patrones

Cada patrón de sistema de ML cambia solo algunas estaciones del camino, así que llegan como entrenamientos más cortos, después de estos dos.

batchstreamingedgeasíncronohíbrido