Jardin de Conocimiento

IA y ML en GCP (Vertex AI)

10 min read

IA y ML en GCP (Vertex AI)

¿Por qué existe este stack y qué problema resuelve?

Antes de Vertex AI (antes de 2021), Google Cloud tenía los servicios de ML dispersos: AI Platform para entrenar, Cloud ML Engine para desplegar, AutoML Tables en otro sitio… Era un mosaico. Vertex AI unifica todo eso bajo una sola API y consola.

El problema que resuelve: llevar un modelo de “notebook de Jupyter en tu ordenador” a “endpoint en producción que escala y no te cuesta dinero cuando no se usa” es sorprendentemente difícil. Vertex AI es la respuesta de Google a ese pipeline completo.

Posición en GCP: Vertex AI vive sobre 08-contenedores-y-serverless (Cloud Run, GKE) y 07-datos-y-analitica (BigQuery, Dataflow). Es el consumidor natural de datos procesados y el productor de predicciones que alimentan aplicaciones.

Mapa del territorio: tres capas de abstracción

┌────────────────────────────────────────────────────────────┐
│  CAPA 3: Modelos preentrenados y APIs                      │
│  (cero ML propio) → Vision API, Speech, Translation...     │
├────────────────────────────────────────────────────────────┤
│  CAPA 2: Gemini API + Model Garden                         │
│  (prompting / fine-tuning sobre modelos de Google)         │
├────────────────────────────────────────────────────────────┤
│  CAPA 1: Vertex AI completo                                │
│  (tus datos, tus modelos, AutoML, training jobs, pipelines)│
└────────────────────────────────────────────────────────────┘

Cuanto más abajo vas, más control tienes y más responsabilidad asumes. La elección correcta depende de tu caso de uso.

Vertex AI — la plataforma completa

Conceptos clave

Término Vertex AIQué es en lenguaje llano
DatasetDatos etiquetados registrados en Vertex (no los almacena, apunta a GCS/BigQuery)
Training JobProceso que ejecuta tu código de entrenamiento en VMs gestionadas
ModelArtefacto resultante del training, registrado en Model Registry
EndpointServidor HTTP que expone un modelo para predicción online
Model RegistryControl de versiones de modelos (equivale a MLflow Model Registry)
ExperimentTracking de hiperparámetros y métricas (equivale a MLflow Experiments)
PipelineDAG de pasos ML orquestado (equivale a Airflow pero para ML)

Entrenar un modelo personalizado

Vertex AI ejecuta tu código como un Custom Training Job. Tu código va en un contenedor Docker (o usas containers prediseñados de Google con TF/PyTorch/scikit-learn).

# Enviar un training job con contenedor prebuilt de sklearn
gcloud ai custom-jobs create \
  --region=europe-west1 \
  --display-name="mi-modelo-clasificacion" \
  --worker-pool-spec=machine-type=n1-standard-4,replica-count=1,container-image-uri=europe-docker.pkg.dev/vertex-ai/training/sklearn-cpu.1-0:latest \
  --args="--epochs=50,--learning-rate=0.01"

El output del entrenamiento (el modelo serializado) se guarda en Cloud Storage (GCS). Luego se registra:

# Registrar el modelo en Model Registry
gcloud ai models upload \
  --region=europe-west1 \
  --display-name="clasificador-v1" \
  --artifact-uri="gs://mi-bucket/modelos/clasificador/" \
  --container-image-uri="europe-docker.pkg.dev/vertex-ai/prediction/sklearn-cpu.1-0:latest"

Desplegar un endpoint

Un endpoint en Vertex AI es un balanceador de carga gestionado que enruta tráfico a una o varias versiones del modelo. Soporta traffic splitting (p.ej. 90% modelo v1, 10% modelo v2 para A/B testing).

# Crear endpoint
gcloud ai endpoints create \
  --region=europe-west1 \
  --display-name="endpoint-clasificador"
 
# Desplegar modelo en el endpoint (obtén ENDPOINT_ID del paso anterior)
gcloud ai endpoints deploy-model ENDPOINT_ID \
  --region=europe-west1 \
  --model=MODEL_ID \
  --display-name="clasificador-v1-deploy" \
  --machine-type=n1-standard-2 \
  --min-replica-count=1 \
  --max-replica-count=3 \
  --traffic-split=0=100

El endpoint escala automáticamente entre min y max réplicas. Si min-replica-count=0, escala a cero cuando no hay tráfico (pero tiene cold start de ~30-60 s).

Predicción online vs. batch

Online PredictionBatch Prediction
CuándoRespuesta en tiempo real (<1 s)Millones de filas de una vez
InputJSON por petición HTTPArchivo en GCS o tabla BigQuery
OutputJSON inmediatoArchivo en GCS
CostePor hora de endpoint activoPor nodo-hora de batch job
EjemploApp que clasifica imagen del usuarioInferir sobre todo el catálogo cada noche
# Predicción online con curl
curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://europe-west1-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/europe-west1/endpoints/ENDPOINT_ID:predict" \
  -d '{"instances": [{"feature1": 1.2, "feature2": 3.4}]}'

Vertex AI Pipelines

Un pipeline es un grafo dirigido acíclico (DAG) de pasos ML: preprocesar → entrenar → evaluar → si métrica OK → desplegar. Se define con Kubeflow Pipelines SDK (KFP) o TFX.

# Fragmento de pipeline con KFP
from kfp.v2 import dsl
from kfp.v2.dsl import component
 
@component(base_image="python:3.10")
def train_component(data_path: str, model_output: dsl.Output[dsl.Model]):
    # tu código de entrenamiento aquí
    pass
 
@dsl.pipeline(name="mi-pipeline-ml")
def mi_pipeline(data_gcs_path: str):
    train_task = train_component(data_path=data_gcs_path)
 
# Compilar y enviar
from google.cloud import aiplatform
aiplatform.init(project="mi-proyecto", location="europe-west1")
job = aiplatform.PipelineJob(
    display_name="pipeline-clasificacion",
    template_path="pipeline.json",
    pipeline_root="gs://mi-bucket/pipeline-root/"
)
job.run()

Los pipelines se pueden programar (equivale a un cron que lanza reentrenamiento automático).

AutoML

AutoML entrena modelos sin escribir código de ML. Le das datos etiquetados y Google busca la mejor arquitectura y hiperparámetros. Disponible para:

  • Tabular (clasificación, regresión, forecasting)
  • Imagen (clasificación, detección de objetos, segmentación)
  • Texto (clasificación, extracción de entidades, análisis de sentimiento)
  • Vídeo (clasificación, seguimiento de objetos)
# Crear dataset tabular desde BigQuery para AutoML
gcloud ai datasets create \
  --region=europe-west1 \
  --display-name="dataset-ventas" \
  --metadata-schema-uri="gs://google-cloud-aiplatform/schema/dataset/metadata/tabular_1.0.0.yaml" \
  --metadata='{"inputConfig": {"bigquerySource": {"uri": "bq://proyecto.dataset.tabla"}}}'

AutoML no te da acceso al modelo subyacente (es una caja negra de Google). Si necesitas portabilidad o interpretabilidad profunda, mejor Custom Training.

Model Garden

Model Garden es el catálogo de modelos en Vertex AI: modelos de Google (Gemini, PaLM, Imagen) y modelos open-source (Llama, Mistral, Stable Diffusion). Permite:

  • Desplegar un modelo open-source con un clic en un endpoint de Vertex
  • Fine-tune algunos modelos directamente desde la consola
  • Comparar modelos en el playground antes de comprometerte

Gemini API y modelos generativos

La jerarquía de modelos Gemini en GCP

Gemini Ultra / Pro / Flash / Nano
      │
      ▼
Vertex AI (acceso enterprise, tu VPC, logs, fine-tuning)
Google AI Studio (acceso rápido, dev, free tier generoso)

Desde GCP, Gemini se accede a través de Vertex AI Generative AI o directamente por la Gemini API con una API key (Google AI Studio).

# Con Vertex AI SDK (enterprise, dentro de tu proyecto GCP)
import vertexai
from vertexai.generative_models import GenerativeModel
 
vertexai.init(project="mi-proyecto", location="us-central1")
model = GenerativeModel("gemini-1.5-pro")
response = model.generate_content("Explica qué es un transformador en una frase")
print(response.text)
# Con google-generativeai SDK (más simple, usa API key)
import google.generativeai as genai
genai.configure(api_key="TU_API_KEY")
model = genai.GenerativeModel("gemini-1.5-flash")
response = model.generate_content("Explica qué es un transformador en una frase")
print(response.text)

Cuándo usar Vertex AI Gemini vs. Google AI Studio

Vertex AI (Gemini vía Vertex)Google AI Studio / API key
ContextoProducción, enterprisePrototipado, personal
FacturaciónFactura GCP del proyectoAPI key, factura aparte
VPC / privacidadPuede quedar dentro de tu redTráfico sale a internet de Google
Fine-tuningSí, con tus datosNo
Logs y auditoríaCloud Logging integradoLimitado
Free tier60 req/min con Gemini Flash (jun 2026)Más generoso en AI Studio

Fine-tuning de Gemini

Vertex AI permite hacer Supervised Fine-Tuning (SFT) de Gemini con tus propios pares (prompt, respuesta). Útil cuando el modelo base no sigue tu estilo/dominio y el prompting no es suficiente.

# Lanzar un tuning job (requiere dataset en JSONL en GCS)
# Formato: {"input_text": "...", "output_text": "..."}
gcloud ai tuning-jobs create \
  --region=us-central1 \
  --base-model=gemini-1.0-pro-002 \
  --training-dataset-uri="gs://mi-bucket/datos/fine-tune.jsonl" \
  --tuned-model-display-name="gemini-producto-v1"

APIs de IA preentrenadas (Cloud AI APIs)

Son REST APIs que consumes sin saber nada de ML. Google ya entrenó el modelo, tú mandas datos y recibes predicciones.

Catálogo principal

APIQué haceCaso de uso típico
Vision APIDetectar objetos, texto (OCR), caras, etiquetas, logos, Safe SearchModerar imágenes de usuarios, extraer texto de facturas
Document AIOCR avanzado + extracción estructurada de documentosParsear facturas, contratos, formularios
Speech-to-TextTranscripción de audio (>125 idiomas, tiempo real o batch)Transcribir llamadas, subtitular vídeos
Text-to-SpeechSíntesis de voz natural (voces WaveNet/Studio)Asistentes de voz, accesibilidad
Natural Language APIAnálisis de sentimiento, entidades, sintaxis, clasificación de contenidoAnalizar reseñas, clasificar tickets de soporte
Translation APITraducción automática (>100 idiomas)Internacionalización de apps
Video Intelligence APIDetectar escenas, objetos, texto en vídeoCatalogar vídeos, búsqueda en video
# Ejemplo: Vision API — detectar etiquetas en una imagen
curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://vision.googleapis.com/v1/images:annotate" \
  -d '{
    "requests": [{
      "image": {"source": {"imageUri": "gs://mi-bucket/foto.jpg"}},
      "features": [{"type": "LABEL_DETECTION", "maxResults": 10}]
    }]
  }'
# Natural Language API — análisis de sentimiento
from google.cloud import language_v1
 
client = language_v1.LanguageServiceClient()
document = language_v1.Document(
    content="El producto llegó roto y el servicio al cliente fue terrible.",
    type_=language_v1.Document.Type.PLAIN_TEXT,
    language="es"
)
sentiment = client.analyze_sentiment(request={"document": document}).document_sentiment
print(f"Score: {sentiment.score:.2f}, Magnitude: {sentiment.magnitude:.2f}")
# Score: -0.8 (negativo), Magnitude: alta

¿Cuándo usar qué? (árbol de decisión)

¿Tienes datos propios y necesitas un modelo a medida?
    │
    ├─ SÍ ──► ¿Cuánto control / portabilidad necesitas?
    │             │
    │             ├─ Mucho (quieres el artefacto, explainability, etc.)
    │             │      → Custom Training en Vertex AI
    │             │
    │             └─ Poco (solo quiero que funcione, no me importa la caja negra)
    │                    → AutoML en Vertex AI
    │
    └─ NO ──► ¿Es una tarea generativa (texto, código, imágenes)?
                  │
                  ├─ SÍ ──► ¿Suficiente con prompting?
                  │             ├─ SÍ → Gemini API (AI Studio o Vertex)
                  │             └─ NO → Fine-tuning Gemini en Vertex AI
                  │
                  └─ NO ──► ¿Es visión / voz / texto / traducción estándar?
                                └─ SÍ → Cloud AI API preentrenada (Vision, Speech, NL...)

Tabla comparativa de coste/complejidad

OpciónComplejidad técnicaCoste (aproximado)Control
Cloud AI APIBaja (REST call)Por petición (~0,001–0,01 $/req)Ninguno
Gemini API (prompting)BajaPor tokens (~0,07 $/M tokens Flash)Prompting
AutoMLMedia (preparar datos)Training + predicción (~3–20 $/hora GPU)Bajo
Fine-tuning GeminiMedia-altaTraining job + endpointMedio
Custom Training + VertexAlta (código ML completo)GPU/TPU on-demandTotal

Intersección con tu área de Ciencia de Datos

Si estudias DS/ML en paralelo, Vertex AI es el lugar donde ese conocimiento aterriza en producción:

  • Scikit-learn / XGBoost → Custom Training Job con container sklearn-cpu o xgboost-cpu
  • TensorFlow / PyTorch → Custom Training con containers tf-cpu/gpu o pytorch-gpu
  • Experimentos y tracking → Vertex AI Experiments (alternativa cloud a MLflow)
  • Feature engineering repetible → Vertex AI Feature Store (almacén de features compartido entre modelos)
  • Datos en BigQuery → Vertex AI puede entrenar directamente sobre tablas BQ sin exportar (BigQuery ML o AutoML Tabular)
# Ejemplo: crear experiment y loggear métricas (alternativa a MLflow)
from google.cloud import aiplatform
aiplatform.init(project="mi-proyecto", location="europe-west1", experiment="clasificacion-v2")
 
with aiplatform.start_run("run-lr-0.01"):
    aiplatform.log_params({"learning_rate": 0.01, "epochs": 50})
    aiplatform.log_metrics({"accuracy": 0.92, "f1": 0.89})

Free tier y costes comunes (jun 2026)

Free tier relevante:

  • Gemini 1.5 Flash: 60 RPM gratis en AI Studio (limitado en Vertex)
  • Vision API: 1.000 unidades/mes gratis
  • Natural Language API: 5.000 unidades/mes gratis
  • Speech-to-Text: 60 min/mes gratis
  • Translation API: 500.000 caracteres/mes gratis

Errores de coste comunes:

  • Dejar un endpoint online con réplicas activas cuando no hay tráfico: puede costar 100–500 $/mes fácilmente. Usa min-replica-count=0 en dev/test.
  • Training jobs en GPU A100 sin acotar tiempo: pon --max-running-time siempre.
  • AutoML tabular: el “budget” se define en horas de nodo; 1 hora mínima, que puede ser cara.
  • Gemini en Vertex cobra por token de entrada Y salida: un contexto largo en un loop puede dispararse.
# Ver coste estimado de un training job antes de lanzar
gcloud ai custom-jobs describe JOB_ID --region=europe-west1 --format="yaml(encryptionSpec,jobSpec.workerPoolSpecs)"
 
# Poner límite de tiempo en un training job
gcloud ai custom-jobs create ... \
  --max-running-time=7200s  # 2 horas máximo

Aplícalo / practica

  1. Nivel 0 (15 min): Activa la Vision API en un proyecto GCP, sube una foto a GCS y analízala con curl. Lee las etiquetas que devuelve.

  2. Nivel 1 (1 h): Usa la Natural Language API para analizar el sentimiento de 20 reseñas de un producto (puedes inventarlas). Muestra los resultados en un DataFrame de pandas.

  3. Nivel 2 (3–4 h): Entrena un modelo de clasificación tabular con AutoML en Vertex AI (puedes usar el dataset Titanic o cualquier CSV que tengas). Despliega el endpoint y haz predicciones online.

  4. Nivel 3 (medio día): Convierte un script de entrenamiento de scikit-learn que ya tengas en un Custom Training Job de Vertex AI. Regístralo en Model Registry y despliégalo como endpoint con min-replica-count=0.

  5. Nivel 4 (avanzado): Escribe un pipeline KFP con al menos 3 pasos (preprocesar → entrenar → evaluar). Si accuracy > umbral, despliega automáticamente; si no, escribe un log de fallo.

Conexiones

Graph View

Backlinks