Vertex AI: guía completa de la plataforma de aprendizaje automático de Google

En el vertiginoso mundo de la inteligencia artificial, uno de los principales retos para los líderes tecnológicos es pasar de los proyectos experimentales a la creación de soluciones preparadas para las empresas. Aunque los chatbots orientados al consumidor captan la atención del público, las empresas necesitan algo más que una interfaz conversacional para prosperar. En el entorno altamente competitivo actual, las empresas necesitan un ecosistema de IA robusto, escalable y seguro. Esta es la brecha que Google pretende llenar con Vertex AI, su plataforma unificada de IA y aprendizaje automático en Google Cloud.

Vertex AI se posiciona como la capa fundamental para integrar la IA generativa con la infraestructura moderna en la nube. Ofrece un conjunto completo de herramientas diseñadas para salvar la brecha entre los modelos básicos sin procesar y las aplicaciones de nivel de producción. Más que un simple envoltorio para modelos de lenguaje grandes (LLM), Vertex AI es un ecosistema unificado de aprendizaje automático e IA en el que la IA generativa es un componente central de la infraestructura en la nube.

Un elemento central de Vertex AI es Model Garden, un mercado centralizado que ofrece acceso a más de 200 modelos básicos seleccionados. Entre ellos se encuentra el multimodal Gemini 2.5 Pro, que cuenta con una impresionante ventana de contexto de 2 millones de tokens. En este artículo se analiza la arquitectura de Vertex AI, se examina cómo Model Garden actúa como una «App Store» industrial para la inteligencia y se exploran los pilares técnicos que convierten a esta plataforma en la columna vertebral de la próxima generación de software empresarial.

La arquitectura central: una plataforma unificada

Vertex AI no es una colección inconexa de herramientas, sino un ecosistema unificado de datos e inteligencia artificial creado para superar la fragmentación de datos, herramientas y equipos que aún obstaculiza el aprendizaje automático. El desarrollo tradicional de la IA suele producirse en entornos aislados, con datos dispersos en múltiples repositorios. Por ejemplo, una organización puede almacenar los datos de los clientes en almacenes de datos SQL, mientras que los documentos no estructurados residen en un lago de datos. Cuando los datos están aislados, los modelos de IA solo ven una imagen parcial, lo que da lugar a resultados sesgados o a altas tasas de alucinación debido a la falta de un contexto empresarial completo.

Vertex AI busca integrar todo el ciclo de vida de la IA, desde la ingesta de datos sin procesar en BigQuery y Cloud Storage hasta la supervisión de los sistemas de producción. Actúa como un «tejido conectivo» entre estos silos de datos. Con la integración nativa en Cloud Storage y BigQuery, Vertex AI permite a los modelos acceder directamente a los datos, lo que elimina la necesidad de complejos procesos de extracción, transformación y carga (ETL).

La base: el hiperordenador de IA de Google

La capa de IA generativa de Vertex AI se basa en la arquitectura del hiperordenador de IA de Google, un sistema de supercomputación integrado compuesto por:

TPU v5p y v5e (unidades de procesamiento tensorial)

Las unidades de procesamiento de tensores de Google son circuitos integrados específicos para aplicaciones (ASIC) diseñados a medida y optimizados para las operaciones de multiplicación de matrices fundamentales para el aprendizaje profundo.

• TPU v5p (rendimiento): es el acelerador insignia para el entrenamiento de modelos a gran escala. Un solo pod TPU v5p puede escalarse a 8960 chips, interconectados por la interconexión entre chips (ICI) de alto ancho de banda de Google a 4800 Gbps. Para los líderes técnicos, esto se traduce en el entrenamiento de un modelo a escala GPT-3 (175 000 millones de parámetros) 2,8 veces más rápido que la generación anterior, lo que acelera significativamente el tiempo de comercialización.
• TPU v5e (eficiencia): Diseñado para ofrecer un rendimiento optimizado en cuanto a costes, el v5e es el caballo de batalla para el entrenamiento a media escala y la inferencia de alto rendimiento. Ofrece una relación precio-rendimiento hasta 2,5 veces mejor, lo que lo convierte en la opción ideal para empresas que requieren una inferencia continua sin un presupuesto elevado.

GPU NVIDIA H100/A100 para mayor flexibilidad

Aunque las TPU son especializadas, muchos equipos de desarrollo dependen del ecosistema NVIDIA CUDA. Vertex AI ofrece un soporte de primera clase para el hardware más reciente de NVIDIA:

• NVIDIA H100 (Hopper): excelente para ajustar los modelos de código abierto más grandes, como Llama 3.1 405B, que requieren un ancho de banda de memoria considerable.
• Jupiter Networking: para evitar cuellos de botella en la red, Google emplea su estructura de red de centros de datos Jupiter. Esto garantiza una rápida transferencia de datos entre las GPU, admite el acceso directo a la memoria remota (RDMA) para evitar la sobrecarga de la CPU y ofrece un rendimiento en los nodos distribuidos casi tan rápido como el procesamiento local.

Orquestación dinámica

Un avance técnico crucial en Vertex AI es la orquestación dinámica. En las configuraciones heredadas, un fallo del nodo de la GPU durante un trabajo de entrenamiento de varias semanas podía provocar el colapso de todo el proceso.

• Resiliencia automatizada: Vertex AI, que a menudo funciona con Google Kubernetes Engine (GKE) en segundo plano, incluye nodos «autocorrectivos». Si se detecta un fallo de hardware, la plataforma transfiere automáticamente la carga de trabajo a un nodo en buen estado.
• Programador dinámico de cargas de trabajo: esta herramienta permite a los equipos solicitar capacidad informática en función de la urgencia. Las opciones incluyen Flex Start (más rentable, comienza cuando los recursos están libres) o Guaranteed Capacity para implementaciones de misión crítica.
• Formación sin servidor: para los equipos que desean evitar la gestión de la infraestructura, Vertex AI Serverless Training les permite enviar su código y sus datos. La plataforma aprovisiona el clúster, ejecuta el trabajo y lo desmantela después, cobrando solo por los segundos de computación utilizados.

Los tres puntos de entrada: descubrimiento, experimentación y automatización

Para desempeñar diferentes funciones técnicas, desde científicos de datos hasta desarrolladores de aplicaciones, Vertex AI ofrece tres puntos de entrada principales:

• Model Garden: el mercado para el descubrimiento.
• Vertex AI Studio: el campo de pruebas para la experimentación.
• Vertex AI Agent Builder: la fábrica para la automatización.

Model Garden: el mercado para el descubrimiento

Vertex AI Model Garden de Google Cloud es una plataforma centralizada para descubrir, probar, personalizar e implementar una amplia gama de modelos de IA propios, de código abierto y de terceros, incluidas opciones multimodales para visión, texto y código. Ofrece una integración perfecta con las herramientas MLOps de Vertex AI y funciona como una biblioteca completa que ayuda a los desarrolladores y a las empresas a elegir el modelo adecuado para sus tareas, ya sea para la generación de texto, el análisis de imágenes o la finalización de código, y a implementarlos de manera eficiente en su entorno de Google Cloud.

Model Garden organiza sus más de 200 modelos en tres niveles distintos, lo que permite a los arquitectos equilibrar el rendimiento, el coste y el control:

1. Modelos propios (Google): son los modelos multimodales insignia de Google disponibles en Vertex AI, que se ofrecen en varios tamaños, desde Pro para razonamientos complejos hasta Flash para tareas de baja latencia y gran volumen. Esto permite a los desarrolladores optimizar la selección de modelos en función de sus casos de uso específicos.
2. Modelos de terceros (propietarios): a través de asociaciones estratégicas, Vertex AI proporciona acceso «Model-as-a-Service» a modelos líderes de empresas como Anthropic (Claude 3.5) y Mistral AI. En lugar de gestionar la facturación y la seguridad por separado para múltiples proveedores de IA, un equipo técnico puede acceder a todos ellos a través de su proyecto Google Cloud existente utilizando una API unificada.
3. Modelos de código abierto y peso abierto: este nivel incluye modelos como Llama 3.2 de Meta, Mistral y Gemma de Google. Son ideales para organizaciones que prefieren implementar modelos por sí mismas dentro de su propia nube privada virtual para garantizar el máximo aislamiento de los datos.

En un entorno no unificado, la implementación de un modelo de código abierto como Llama implica configurar un entorno PyTorch, configurar los controladores CUDA y crear un envoltorio Flask o FastAPI.

Model Garden elimina esta engorrosa fase de configuración mediante puntos finales gestionados unificados:

• Implementación con un solo clic: para muchos modelos, al hacer clic en «Implementar» se aprovisionan automáticamente los recursos TPU/GPU necesarios, se empaqueta el modelo en un contenedor listo para la producción y se proporciona un punto final de API REST.
• Integración con Hugging Face: Vertex AI ahora permite a los desarrolladores implementar modelos directamente desde Hugging Face Hub en un punto final de Vertex, lo que amplía enormemente la gama de inteligencia disponible.
• Private Service Connect (PSC): para sectores altamente regulados, los modelos se pueden implementar utilizando Private Service Connect, lo que garantiza que el punto final del modelo nunca quede expuesto a la Internet pública y mantiene todo el tráfico de datos dentro de la red corporativa.

Vertex AI Studio: el campo de pruebas para la experimentación

Mientras que Model Garden se centra en la selección de modelos, Vertex AI Studio se centra en el perfeccionamiento. Se puede comparar con los compiladores y depuradores utilizados en el desarrollo de software tradicional. Vertex AI Studio es el espacio de trabajo en el que los modelos sin procesar se adaptan a herramientas empresariales específicas mediante ingeniería de prompts, pruebas multimodales y ajuste avanzado de hiperparámetros.

Prototipado multimodal: más allá del texto

Una característica destacada de Studio es su compatibilidad nativa con la multimodalidad. Mientras que otras plataformas suelen requerir una codificación compleja para manejar datos no textuales, Vertex AI Studio permite arrastrar y soltar archivos directamente en la interfaz para probar capacidades como el razonamiento de Gemini 2.5.

• Inteligencia de vídeo: puede cargar una presentación técnica de 45 minutos y pedir al modelo que «identifique cada mención de una API específica y proporcione un resumen con marca de tiempo».
• Análisis de documentos: el modelo puede analizar no solo el texto, sino también el diseño visual de un PDF de 1000 páginas, comprendiendo las relaciones entre gráficos, tablas y el texto circundante.
• Ejecución de código: Studio ahora admite la ejecución de código en su entorno de pruebas. Si le pide a un modelo que resuelva un problema matemático complejo o analice un archivo CSV, el modelo puede escribir y ejecutar código Python en un entorno seguro y aislado para ofrecer una respuesta verificada.

Personalización avanzada: la ruta de ajuste

Cuando la ingeniería de prompts (utilizando aprendizaje sin disparos o con pocos disparos) alcanza sus límites, Vertex AI Studio proporciona herramientas más potentes: el ajuste de modelos.

1. Ajuste supervisado (SFT): los desarrolladores proporcionan un conjunto de datos de pares «prompt/respuesta» (idealmente más de 100 ejemplos). Esto entrena al modelo para que adopte una voz de marca específica, un formato de salida (como un esquema JSON especializado) o una terminología específica del dominio.
2. Almacenamiento en caché de contexto: para las empresas que trabajan con conjuntos de datos grandes y estáticos, como bibliotecas jurídicas o bases de código, Studio admite el almacenamiento en caché de contexto. Esto le permite «precargar» un millón de tokens de datos en la memoria del modelo, lo que reduce significativamente la latencia y los costes de las consultas posteriores.
3. Destilación (profesor-alumno): se trata de una técnica arquitectónica avanzada. Puede utilizar un modelo grande (como Gemini 2.5 Pro) para «enseñar» a un modelo más pequeño y rápido (como Gemini 2.0 Flash). El resultado es un modelo ligero que funciona a un nivel «Pro», pero que opera a la velocidad y con el coste de «Flash».

Vertex AI Agent Builder: la fábrica de la automatización

Vertex AI Agent Builder es un marco de orquestación de alto nivel que permite a los desarrolladores crear agentes inteligentes combinando modelos básicos con datos empresariales y API externas.

La arquitectura de la «verdad»: Grounding y RAG

El principal obstáculo técnico para la IA empresarial es la alucinación. Agent Builder aborda este problema mediante un sofisticado motor de Grounding.

• Grounding con Google Search: para consultas que requieren información en tiempo real (por ejemplo, «¿Cuáles son los tipos hipotecarios actuales en Nueva York?»), el agente puede realizar una búsqueda en Google, extraer datos relevantes y citar sus fuentes.
• Vertex AI Search (RAG como servicio): en lugar de construir manualmente una base de datos vectorial (utilizando herramientas como Pinecone o Weaviate), los desarrolladores pueden utilizar Vertex AI Search para indexar sus propios documentos (PDF, HTML, tablas BigQuery). Automatiza los pasos de «fragmentación», «incrustación» y «recuperación», lo que garantiza que las respuestas del agente se basen únicamente en su «fuente de verdad» interna.
• Vertex AI RAG Engine: para implementaciones personalizadas a gran escala, este servicio gestionado admite la búsqueda híbrida (que combina resultados basados en vectores y en palabras clave), lo que puede mejorar la precisión hasta en un 30 % en comparación con los resultados estándar de LLM.

Orquestación multiagente (protocolo A2A)

Los flujos de trabajo empresariales complejos suelen requerir la colaboración de varios agentes especializados. Vertex AI introduce el protocolo de agente a agente (A2A), un estándar abierto que permite:

• Que un «agente de viajes» consulte a un «agente financiero» para confirmar que la reserva de un vuelo se ajusta al presupuesto de la empresa.
• Interoperabilidad: al utilizar un protocolo abierto, los agentes creados en Vertex AI pueden comunicarse con los desarrollados en otros marcos como LangChain o CrewAI.

La pila de desarrolladores: ADK y Agent Engine

Para el público técnico de la plataforma, Agent Builder ofrece dos vías de desarrollo distintas:

1. Consola sin código: una interfaz visual de arrastrar y soltar para la creación rápida de prototipos y la configuración por parte de los usuarios empresariales.
2. Kit de desarrollo de agentes (ADK): un kit de herramientas Python para ingenieros que da prioridad al código. Es compatible con «Prompt-as-Code», se integra con sistemas de control de versiones y permite la implementación en Vertex AI Agent Engine, un tiempo de ejecución gestionado que se encarga automáticamente de la persistencia de la sesión, el escalado y la gestión del estado.

Conclusión: de «¿qué pasaría si?» a «¿qué viene después?».

El camino desde una atractiva demostración de IA hasta una aplicación empresarial lista para la producción ha sido a menudo el «valle de la muerte» para las iniciativas de transformación digital. Como hemos visto, Vertex AI está diseñado específicamente para salvar esta brecha. Al unificar los silos fragmentados de datos, infraestructura y orquestación de modelos, Google Cloud cambia el enfoque de la potencia bruta de los modelos de lenguaje grandes a la madurez operativa de todo el ciclo de vida de la IA.