Tu primer modelo en Vertex AI en 20 minutos

Tu modelo vive en un notebook. Para que sirva, tiene que vivir en un endpoint que alguien pueda llamar. Hoy lidero una plataforma de IA sobre GCP, y esto es lo mínimo que de verdad funciona —sin Kubernetes, sin un Flask con los dedos cruzados.

Por qué Vertex AI y no montarlo a mano

Porque el serving ya está resuelto: endpoint gestionado, escalado automático, versionado. En 2026, montar la infraestructura de serving a mano no es valentía técnica: es deuda que vas a pagar un domingo a las 3 a.m. Usa lo que ya funciona y pon tu energía en el modelo y los datos.

Los 4 pasos

Empaqueta con dependencias fijadas. Un lockfile. Lo que entrenaste es exactamente lo que corre. La causa #1 de "funcionaba en mi notebook" es una versión de librería distinta en el servidor.
Sube al Model Registry. Versionado y rastreable. Cuando dentro de tres meses te pregunten "¿qué modelo decidió esto?", tienes respuesta.
Despliega a un endpoint. Vertex lo gestiona; tú defines la máquina y el escalado.
Haz una request de prueba y mide la latencia real —la del endpoint, no la del notebook. Un modelo correcto pero lento también está roto para el negocio.

El paso que separa una demo de algo serio

Valida el contrato de entrada. Define el esquema explícito: qué campos, qué tipos, qué rangos. Si llega algo que no cumple, rechaza ruidoso antes de predecir. Un modelo que predice sobre basura no falla con un error: devuelve un número plausible y equivocado, con total confianza. Eso es mucho peor que un crash, porque nadie se entera hasta que el daño ya está hecho.

La idea que se queda

Desplegar no es la meta. Es el día uno de la parte que importa: que siga funcionando, medido y validado, cuando ya nadie está mirando.

Ver en video

El recorrido completo, paso a paso con el notebook, está en mi canal: Cristina Chapoñán | Data & IA — busca "Tu primer modelo en Vertex AI en 20 minutos".

¿Ya pusiste un modelo en producción? ¿Lo serviste gestionado o lo montaste a mano? Cuéntame cómo te fue.