Abrir menú de navegación
AIDive
ES
Iniciar sesión
Volver al glosario

Qué es la integración continua y el despliegue continuo (CI/CD)

Infraestructura de IA

Práctica de comprobar, construir y desplegar automáticamente cambios en código, datos o modelos.

Definición

La integración continua y el despliegue continuo (CI/CD) son prácticas para probar, construir y desplegar de forma automática cambios en código, datos o modelos de IA. En términos simples, este enfoque ayuda a crear servicios fiables alrededor de los modelos: datos, cómputo, accesos, despliegue y monitorización. En la práctica, permite entender qué capacidades necesita realmente la herramienta, qué datos requerirá y qué limitaciones conviene revisar antes de implementarla.

Ejemplo

Después de cambiar el modelo, el propio sistema ejecuta pruebas, revisa métricas y prepara un despliegue seguro.

Por qué importa

CI/CD ayuda a lanzar productos de IA más rápido, pero requiere control de calidad y capacidad de revertir versiones fallidas. Esto ayuda a elegir herramientas de IA no por grandes promesas, sino por cómo funcionan en una tarea real.

Cómo funciona

Normalmente, el proceso empieza con las fuentes de datos y el entorno, y luego se configuran el cómputo, los accesos, la automatización, la monitorización y las reglas de seguridad. En el caso del término “Continuous Integration and Delivery (CI/CD)”, es importante revisar por separado los datos, los criterios de calidad y las condiciones de uso.

Dónde se usa

  • Se encuentra en proyectos donde importan el almacenamiento de datos, el cómputo, la integración, el despliegue, la seguridad y el funcionamiento estable de los servicios de IA.

Limitaciones

Las limitaciones están relacionadas con el coste de cómputo, la seguridad, la calidad de los datos, la latencia, la disponibilidad del servicio y la complejidad del mantenimiento.

FAQ

¿Por qué es útil conocer la integración continua y el despliegue continuo (CI/CD)?

CI/CD ayuda a lanzar productos de IA más rápido, pero requiere control de calidad y capacidad de revertir versiones fallidas. Así puedes elegir herramientas de IA no por promesas llamativas, sino por cómo funcionan en un problema real.

¿Qué conviene revisar en la práctica?

Es importante comprobar la calidad de los datos, la aplicabilidad a tu caso, las limitaciones del método, el coste de implementación y la forma de controlar el resultado después del lanzamiento.