🥷 ⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠Apúntate aquí a la membresía ninja⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠ 🥷

Accede a todo el contenido para convertirte en un ninja de los datos:

⚡️ ⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠Podcast premium⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠

🛠️ ⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠Tutoriales⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠

📚 ⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠Resúmenes de libros top⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠

🎥 ⁠⁠Sesiones de formación⁠⁠

👥 Comunidad ninja

En el episodio de hoy descubrimos cómo LinkedIn actualiza sus modelos de IA cada hora sin morir en el intento.

Spoiler: entrenar un modelo una vez está bien... pero mantenerlo actualizado 24/7 con millones de usuarios es el verdadero reto.

✅ Por qué el entrenamiento tradicional "cold start" no funciona a escala (es caro, lento y frágil).

✅ Qué es el entrenamiento incremental y cómo LinkedIn ahorra 9 veces en costes.

✅ El desafío de generar datos en tiempo real con Apache Flink y Kafka.

✅ Cómo manejar 30,000-35,000 eventos por segundo con menos de 5ms de latencia.

✅ Por qué los grafos estáticos de TensorFlow/PyTorch son clave en producción.

✅ La importancia de los checkpoints y la tolerancia a fallos.

✅ Resultados reales: +2% en aplicaciones cualificadas, +4% en clicks de anuncios...

Y mucho más💥

Después de este episodio entenderás por qué llevar Machine Learning a producción es MUY diferente a entrenar en un notebook de Jupyter.

📰 Suscríbete a la newsletter donde profundizaré en las herramientas concretas que usa LinkedIn: https://datos.kit.com/roadmap

Episodios anteriores relacionados:

⭕️ ⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠Episodio 94⁠.⁠ Buenas prácticas para científicos de datos

⭕️ ⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠Episodio 80⁠.⁠ Machine Learning 101

⭕️ ⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠Episodio 83⁠.⁠ Una neurona

Recuerda que si tienes cualquier duda, pregunta o comentario puedes contactar conmigo a través del ⁠⁠⁠⁠formulario de contacto⁠⁠⁠⁠ o en ⁠⁠⁠Linkedin⁠⁠.

📝 Podéis encontrar las⁠ ⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠notas del programa⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠⁠ ⁠⁠⁠ completas en ⁠https://datos.ninja/podcast/105-linkedin-y-el-entrenamiento-incremental-ml