El problema

La mayoría del contenido de ML en español es:

  • Tutoriales de Jupyter que no escalan
  • “Cómo hacer un modelo de clasificación en 5 minutos”
  • Repetición de documentación de scikit-learn

Lo que NO encontrás:

  • Cómo diseñar un sistema de ML que no se caiga en producción
  • Cómo pasar de Senior a Staff sin dejar de codear
  • Cómo aplicar teoría de control a problemas de ML real

Lo que vas a encontrar acá

ML en Producción — Arquitecturas que escalan, no tutoriales de Jupyter. Cómo diseñar sistemas que manejen billones de eventos sin colapsar. Cómo monitorear modelos cuando el “accuracy” deja de importar. Cómo decidir cuándo reentrenar.

De Senior a Staff — El cambio de mindset. No es “más código”, es “mejor código”. Es entender que tu trabajo ya no es resolver tickets — es resolver la clase de problemas que hacen que los tickets dejen de existir.

Control Theory para ML — PID controllers, feedback loops, system dynamics. Lo que la academia me dio y que uso todos los días en producción. El mismo framework que debuggeaba robots a las 2 AM en UNICAMP, aplicado a pacing algorithms.

LATAM Tech — La realidad de hacer ML a escala desde la región. Sin el presupuesto de Silicon Valley, sin los datos de China, sin la infraestructura de Europa. Pero con la ventaja de tener que ser creativo con lo que tenemos.

Frecuencia

Un post por semana. Sin relleno.

Si te interesa, suscribite al newsletter: Más Allá del Notebook