⟫Nico Bargioni
Inicio

Blog

Notas sobre datos, IA y automatización

Curiosidades y aprendizajes de data science, machine learning, IA aplicada y automatización. 132 notas y contando.

Por qué el índice de tu RAG se arma de nuevo en cada arranque (y no es un bug)

En cold starts recomendamos lazy loading para achicar el arranque. Hay un caso donde ese mismo consejo te sale carísimo: cuando lo que diferís no es liviano de rehacer.

Leer #rag #cloud

Obliteración: le apagué el 'no' a un LLM con una resta vectorial

Un modelo real, un vector, y un botón de apagar la seguridad: cómo funciona la 'obliteración' (abliteration), por qué Anthropic tuvo que frenar Fable 5 en junio, y qué pasa cuando te pasás de rosca.

Leer #llm #interpretabilidad

El catálogo de trampas de Data Science: 20 formas de que un modelo mienta con cara de éxito

Hoy cualquiera genera un notebook con 95% de accuracy en 30 segundos. El trabajo ya no es producir el análisis: es saber si está bien. Este es el catálogo de trampas que hacen que algo parezca correcto y esté podrido por dentro, con cómo huele cada una y cómo cazarla.

Leer #eda #buenas-practicas

¿Qué puede hacer la ciencia de datos por una PyME?

Sin equipo de data, sin presupuesto de multinacional y sin humo: qué problemas reales resuelve la ciencia de datos en una empresa chica o mediana, cuánto cuesta y por dónde conviene empezar.

Leer #ciencia-de-datos #pymes

De automatización a hiperautomatización: los 6 pilares

Automatizar una tarea es fácil. Orquestar procesos punta a punta es otra cosa: los seis pilares que separan un robot suelto de una operación que escala.

Leer #hiperautomatización #agentes

Cuándo la IA suma de verdad

Un criterio simple para decidir cuándo un modelo o un LLM aporta valor real y cuándo es solo una demo.

Leer #ia #machine-learning

Q-learning explicado: cómo una máquina aprende a jugar

Sin datos etiquetados, sin saber las reglas. Solo prueba, error y recompensa. Cómo un agente aprende a equilibrar un palo con Q-learning, explicado de cero.

Leer #machine-learning #reinforcement-learning

El cuarteto de Anscombe: cuatro datasets idénticos en los números, opuestos en el gráfico

Cuatro conjuntos de datos con la misma media, varianza y correlación que se ven completamente distintos al graficarlos.

Leer #eda #datos

El Datasaurio: doce datasets con la misma estadística que esconden un dinosaurio

Doce nubes de puntos absurdamente distintas comparten media, desvío y correlación. Una incluso dibuja un dinosaurio.

Leer #eda #datos

La paradoja de Simpson: cuando una tendencia se da vuelta al juntar los datos

Una tendencia clara en cada grupo puede invertirse al sumar todos los datos. El caso de Berkeley lo hizo famoso.

Leer #eda #datos

Lo que los valores faltantes te están gritando

El patrón de los datos faltantes casi nunca es ruido: suele ser una señal que conviene escuchar antes de imputar.

Leer #eda #datos

Correlaciones espurias: el queso, las sábanas y los doctorados

Dos series pueden correlacionar al 99% por pura casualidad. Por qué una correlación altísima no prueba absolutamente nada.

Leer #eda #datos

La paradoja del cumpleaños: con 23 personas, apostá a que dos cumplen el mismo día

En un aula de 23 personas hay más del 50% de chances de que dos compartan cumpleaños. Acá la intuición miente feo.

Leer #estadistica #probabilidad

La ley de Benford: por qué el 1 aparece más y cómo atrapa fraudes

En muchos conjuntos de números reales el primer dígito es 1 casi un tercio de las veces. Esa rareza es la que desenmascara fraudes.

Leer #estadistica #probabilidad

Monty Hall: por qué cambiar de puerta duplica tus chances

En el problema de las tres puertas, cambiar de elección te lleva de 1/3 a 2/3 de ganar. El acertijo que enfureció a los matemáticos.

Leer #estadistica #probabilidad

El problema del tanque alemán: estimar producción enemiga con números de serie

En la Segunda Guerra, los Aliados estimaron cuántos tanques fabricaban los alemanes mirando los números de serie de los capturados. Y acertaron.

Leer #estadistica #probabilidad

Lo que un p-valor NO significa (y casi todos creen que sí)

Un p-valor de 0,03 no quiere decir que haya 97% de chances de que tu hipótesis sea verdadera. El malentendido estadístico más caro, explicado.

Leer #estadistica #probabilidad

La maldición de la dimensionalidad: por qué en muchas dimensiones todo está lejos

En espacios de muchas dimensiones las distancias se aplastan: todo queda igual de lejos. Y eso rompe kNN, clustering y tu intuición.

Leer #clustering #pca

Las trampas de K-Means: cuando los clusters que ves no existen

K-Means siempre te devuelve k grupos, haya estructura o no. El problema no es el algoritmo: son las asunciones que nadie te contó.

Leer #clustering #pca

PCA explicado sin álgebra: la sombra que conserva más información

PCA es elegir desde dónde iluminar un objeto para que su sombra revele lo máximo posible. Esa es toda la intuición, sin autovectores.

Leer #clustering #pca

Codo vs silueta: cómo elegir k sin engañarte

Dos métodos clásicos para decidir cuántos clusters usar. A veces coinciden, a veces no — y entender por qué discrepan es la mitad del trabajo.

Leer #clustering #pca

t-SNE y UMAP: mapas hermosos que a veces mienten

Esos gráficos con islas de colores son irresistibles. Pero el tamaño de las islas y la distancia entre ellas casi nunca significan lo que parece.

Leer #clustering #pca

El teorema que dice que una red puede aprender casi cualquier cosa (y por qué no alcanza)

Una red de una sola capa puede aproximar cualquier función continua. Suena a magia. El problema es todo lo que el teorema no te dice.

Leer #deep-learning #redes-neuronales

Doble descenso: cuando tener más parámetros que datos mejora el modelo

La intuición clásica dice que un modelo enorme sobreajusta. El doble descenso muestra que pasada cierta línea, agrandarlo vuelve a funcionar.

Leer #deep-learning #redes-neuronales

El panda que la red ve como gibón: ejemplos adversarios

Sumale a una foto de panda un ruido invisible al ojo humano y una CNN top dirá 'gibón' con 99% de confianza. No es un bug raro: es estructural.

Leer #deep-learning #redes-neuronales

Dropout: por qué apagar neuronas al azar evita el sobreajuste

Romper la red a propósito durante el entrenamiento, apagando neuronas al azar, la vuelve más robusta. La intuición de por qué es preciosa.

Leer #deep-learning #redes-neuronales

La hipótesis del billete de lotería: redes diminutas escondidas en las grandes

Dentro de una red gigante vive una subred minúscula que, entrenada sola, alcanza la misma performance. Si supieras cuál, te ahorrarías el 90%.

Leer #deep-learning #redes-neuronales

Por qué una red entrenada en gatos sirve para radiografías

Una red que aprendió a ver gatos puede detectar neumonías. El truco está en las primeras capas, y es más profundo de lo que parece.

Leer #transfer-learning #deep-learning

Fine-tuning vs feature extraction: cuándo congelar y cuándo descongelar capas

La decisión que define todo proyecto de transfer learning se reduce a dos preguntas: cuántos datos tenés y cuán parecido es tu dominio.

Leer #transfer-learning #deep-learning

Olvido catastrófico: cuando aprender algo nuevo borra lo viejo

Enseñale a una red una tarea nueva y se olvida de la anterior. No medio: la borra casi por completo. Por qué pasa y por qué es tan difícil de resolver.

Leer #transfer-learning #deep-learning

El momento ImageNet 2012: el experimento que cambió todo

En 2012 una red ganó un concurso de visión por una diferencia tan grande que dejó muda a la comunidad. Ese día empezó la era del deep learning.

Leer #transfer-learning #deep-learning

Aprender de pocos ejemplos: few-shot y el poder de lo preentrenado

Un chico ve un quokka una vez y lo reconoce para siempre. ¿Por qué una IA necesita miles de fotos? Salvo que ya haya aprendido a ver antes.

Leer #transfer-learning #deep-learning

Reward hacking: agentes que hacen trampa para ganar puntos

Le pedís al agente que gane la carrera y termina girando en círculos para farmear puntos. La trampa no es un bug: es exactamente lo que le pediste.

Leer #reinforcement-learning #rl

Explorar vs explotar: el dilema del bandido de varios brazos

Tenés diez tragamonedas y plata para cien tiradas. ¿Apostás a la que más pagó o probás las otras? Ese dilema está en el corazón de todo el RL.

Leer #reinforcement-learning #rl

La jugada 37 de AlphaGo: la creatividad que ningún humano jugaría

En la segunda partida contra Lee Sedol, AlphaGo puso una piedra donde nadie la pondría. Los comentaristas pensaron que era un error. Era genialidad.

Leer #reinforcement-learning #rl

El problema de la recompensa escasa: cuando el premio llega tarde

Un agente hace 200 movidas y recién al final le decís 'ganaste'. ¿Cuál de las 200 fue la buena? Ese es el problema más frustrante del RL.

Leer #reinforcement-learning #rl

Por qué el RL no es como el aprendizaje supervisado

En el supervisado hay un profesor con las respuestas. En el RL hay un mundo que solo te dice 'frío' o 'caliente', y a veces tarde. La diferencia lo cambia todo.

Leer #reinforcement-learning #rl

Cisnes negros: por qué lo raro es justo lo que más importa

Los eventos rarísimos de alto impacto son los que más duelen, y son justo los que tus modelos están entrenados para ignorar.

Leer #anomalias #ml

Isolation Forest: aislar lo anómalo en pocas preguntas

La idea más elegante de la detección de anomalías: lo raro se separa del resto con muchas menos preguntas que lo normal.

Leer #anomalias #ml

Detección de fraude: cuando el 0,1% es todo lo que importa

Si el fraude es 1 de cada 1000 transacciones, un modelo que diga 'todo legítimo' acierta el 99,9%. Y es inútil.

Leer #anomalias #ml

Mantenimiento predictivo: escuchar una máquina antes de que falle

Una turbina no se rompe de golpe: avisa. El truco está en escuchar la anomalía en los sensores antes del desastre.

Leer #anomalias #ml

El costo oculto de los falsos positivos en detección de anomalías

Mover el umbral de un detector parece un ajuste técnico. En realidad es decidir cuánto cuesta cada error. Eso es negocio.

Leer #anomalias #ml

Pañales y cerveza: la regla de asociación más famosa (¿y falsa?)

La historia dice que un super descubrió que quien compra pañales también compra cerveza. Lindo relato. El problema es que casi nada de eso pasó.

Leer #mineria #patrones

Reglas de asociación: soporte, confianza y lift sin misterio

Tres métricas asustan a más gente de la que deberían. Con un changuito de supermercado se entienden en cinco minutos.

Leer #mineria #patrones

Apriori vs FP-Growth: minar patrones sin que explote la combinatoria

Con 100 productos hay más combinaciones que átomos en tu cuerpo. Contar todo es imposible. Acá está el truco que lo vuelve viable.

Leer #mineria #patrones

Minería de datos vs machine learning: no son lo mismo

Se usan como sinónimos en LinkedIn, pero responden preguntas distintas: una descubre lo que ya pasó, la otra apuesta a lo que va a pasar.

Leer #mineria #patrones

El sesgo del superviviente: los aviones de Wald y los datos que no ves

El ejército quería blindar donde los aviones volvían agujereados. Un estadístico vio lo contrario: hay que blindar donde NO hay agujeros.

Leer #mineria #patrones

La temperatura de un LLM: el dial entre el robot y el poeta

Un solo número decide si un modelo responde como un manual técnico o como un improvisador. Se llama temperature.

Leer #llm #prompting

Los LLM no leen palabras: el mundo visto en tokens

Un modelo top puede fallar al contar las erres de 'strawberry'. No es que sea tonto: nunca vio la palabra como la ves vos.

Leer #llm #prompting

Chain-of-thought: por qué pedirle que 'piense paso a paso' funciona

Una frase de cinco palabras puede mejorar el razonamiento de un LLM, y tiene que ver con cómo genera el texto token a token.

Leer #llm #prompting

Por qué los LLM alucinan con tanta seguridad

Un LLM puede inventarte una cita falsa con una bibliografía perfecta. No es un bug raro: es lo que hace siempre, solo que a veces acierta.

Leer #llm #prompting

La ventana de contexto: la memoria de trabajo de un LLM

Un LLM no recuerda la conversación: cada vez relee todo desde cero. Entender eso explica por qué se 'olvida' y por qué cuesta más caro.

Leer #llm #prompting

Rey − hombre + mujer = reina: la aritmética de los embeddings

Sumar y restar palabras como si fueran vectores y caer parado en otra palabra. La geometría escondida del significado.

Leer #rag #embeddings

Por qué el coseno y no la distancia para comparar significados

Dos textos pueden estar lejos en línea recta y significar lo mismo. El ángulo entre ellos cuenta una historia que la distancia esconde.

Leer #rag #embeddings

RAG: darle a un LLM los apuntes antes del examen

Un LLM no sabe lo que pasó ayer ni lo que hay en tu wiki interna. RAG es dejarle abrir los apuntes justo antes de responder.

Leer #rag #embeddings

El arte de partir documentos: chunking que no rompe el sentido

Cortar un documento mal es como arrancar una página al medio: el RAG recupera la mitad de la idea y responde cualquier cosa.

Leer #rag #embeddings

Los sesgos escondidos en los embeddings

Si entrenás un modelo con todo internet, aprende también nuestros prejuicios. Y los guarda en la geometría de los vectores.

Leer #rag #embeddings

ReAct: agentes que razonan y actúan en bucle

El patrón pensar→actuar→observar que convierte un LLM en algo que parece decidir solo. Por dentro es un loop bien armado.

Leer #agentes #llm

Function calling: cómo un LLM aprende a usar herramientas

Un LLM no ejecuta código ni llama APIs. Lo que hace es pedirlas con un formato prolijo. El truco que convierte texto en acción.

Leer #agentes #llm

Agente vs pipeline: cuándo conviene dejar que decida solo

Un pipeline ejecuta los pasos que vos definiste. Un agente decide los pasos. Esa diferencia tiene un costo, y conviene saber cuándo pagarlo.

Leer #agentes #llm

Cuando un agente entra en bucle: los riesgos de la autonomía

Le diste un objetivo y herramientas, y de golpe el agente lleva 40 vueltas, gastó USD 12 y sigue sin terminar. Por qué pasa y cómo ponerle freno.

Leer #agentes #llm

Sistemas multiagente: cuando varios LLM colaboran (y discuten)

Si un agente es bueno, ¿muchos son mejores? A veces sí, a veces es un teléfono descompuesto carísimo. Cuándo dividir el trabajo y cuándo no.

Leer #agentes #llm

Cómo 've' una CNN: de bordes a conceptos

Una red convolucional no entiende una cara de golpe: la arma capa por capa, de líneas a texturas a ojos a rostros.

Leer #vision #cnn

Las ilusiones ópticas de las redes neuronales

Pegale piel de elefante a un gato y una CNN dirá 'elefante'. Las redes miran textura mucho más que forma, y eso explica errores raros.

Leer #vision #cnn

Data augmentation: enseñar con la misma foto mil veces

Rotar, recortar y espejar una imagen no es trampa: es la forma más barata de que un modelo de visión generalice en vez de memorizar.

Leer #vision #cnn

Clasificar, detectar, segmentar: tres tareas distintas en visión

'Qué hay', 'dónde está' y 'qué píxel es qué' parecen lo mismo, pero son tres problemas de visión con costos y modelos muy distintos.

Leer #vision #cnn

Un sticker que engaña a un auto autónomo

Unos stickers blancos y negros bien puestos sobre un cartel de STOP hacen que un auto autónomo lea 'velocidad máxima 45'. Y funciona en el mundo real.

Leer #vision #cnn

El espectrograma: ver el sonido para que la IA lo entienda

El sonido es una onda invisible. El truco de casi todo el audio moderno es convertirla en una imagen y dejar que la red la mire.

Leer #audio #habla

Whisper: el modelo que transcribe en 99 idiomas

Cómo un modelo entrenado con 680.000 horas de audio crudo de internet terminó transcribiendo casi cualquier idioma sin afinarse para ninguno.

Leer #audio #habla

MFCC: cómo se imita el oído humano para extraer features

Por qué el audio para IA se mide en escala mel y no en hertz crudos: tu oído no escucha el sonido como lo grafica un físico.

Leer #audio #habla

Voces sintéticas y el valle inquietante del audio

Por qué una voz TTS casi perfecta nos da más rechazo que una claramente robótica. El valle inquietante también existe en el sonido.

Leer #audio #habla

'Hey Siri': cómo un dispositivo te escucha sin escuchar

Tu teléfono espera la palabra mágica todo el día sin mandar tu vida a la nube. El truco está en un modelo diminuto que corre en el chip.

Leer #audio #habla

A*: el GPS que combina lo recorrido y lo que falta

A* es el algoritmo detrás de tu navegador y de casi todo videojuego. Su secreto cabe en una sola fórmula: f = g + h.

Leer #busqueda #algoritmos

Heurística admisible: la promesa que garantiza el camino óptimo

Por qué una heurística que nunca sobreestima es la condición exacta que vuelve a A* infalible para encontrar la ruta más corta.

Leer #busqueda #algoritmos

Dijkstra vs A*: la diferencia que hace una buena pista

Buscar a ciegas o con una corazonada informada: por qué A* es Dijkstra con una pista, y cuándo esa pista cambia todo.

Leer #busqueda #algoritmos

El 8-puzzle: el juguete que enseñó a planificar a las máquinas

Un rompecabezas de plástico con ocho fichas esconde el concepto que sostiene toda la planificación automática: el espacio de estados.

Leer #busqueda #algoritmos

El factor de ramificación: por qué el ajedrez es tan difícil

Cada jugada multiplica las opciones. Ese número, el factor de ramificación, explica por qué buscar a lo bruto no alcanza y la heurística importa tanto.

Leer #busqueda #algoritmos

RPA no es IA: el robot que copia y pega (y por qué importa)

El 'robot' de RPA no entiende nada: solo repite clicks. La diferencia con la IA cambia qué podés automatizar y qué no.

Leer #rpa #automatizacion

La deuda técnica oculta de los bots de RPA

Un simple rediseño de pantalla puede tumbar decenas de bots de RPA a la vez. La automatización por la interfaz es frágil por diseño.

Leer #rpa #automatizacion

RPA vs API: automatizar por la ventana o por la puerta

RPA y una API pueden resolver lo mismo, pero uno entra por la ventana y el otro por la puerta. Cuándo el bot es un parche y cuándo la integración real.

Leer #rpa #automatizacion

El 'swivel chair' que RPA vino a matar

Copiar datos de un sistema a otro a mano tiene nombre: 'swivel chair'. Es la tarea fantasma que RPA ataca primero.

Leer #rpa #automatizacion

De RPA a hiperautomatización: el salto que cambia el ROI

Un bot de RPA solo, sin IA ni datos de proceso, toca techo rápido. El salto a la hiperautomatización es lo que multiplica el retorno.

Leer #rpa #automatizacion

El techo del no-code: hasta dónde llegan n8n y Make

El no-code resuelve el 80% en una tarde. El otro 20% es donde te das cuenta de que había un techo todo el tiempo.

Leer #nocode #automatizacion

Webhooks: el pegamento invisible de las automatizaciones

Polling es golpear la puerta cada cinco minutos. Un webhook es que te toquen el timbre. La diferencia cambia todo.

Leer #nocode #automatizacion

Idempotencia: por qué tu automatización no debe ejecutarse dos veces

El día que un cliente recibió el mismo mail siete veces, nadie escribió 'mandá esto siete veces'. Fue un reintento.

Leer #nocode #automatizacion

n8n vs Make: open source vs comodidad

Uno te da las llaves del motor y la responsabilidad de mantenerlo. El otro te da un auto que anda y la factura mensual.

Leer #nocode #automatizacion

Rate limits: el muro contra el que choca toda automatización

Tu automatización es tan rápida que la API te bloquea. Bienvenido al muro que descubrís siempre en producción.

Leer #nocode #automatizacion

Chatbot vs agente conversacional: el salto de FAQ a acción

Un chatbot responde; un agente conversacional hace. La diferencia no es de palabras: es de qué pasa después del 'enter'.

Leer #chatbots #conversacional

Del intent clásico al LLM: cómo cambió el chatbot

Durante años los chatbots fueron árboles de intents que vos tenías que adivinar. Después llegaron los LLM y se cayó el árbol.

Leer #chatbots #conversacional

El arte del 'te paso con un humano'

El peor pecado de un chatbot no es no saber: es no darse cuenta de que no sabe y dejarte dando vueltas en círculos.

Leer #chatbots #conversacional

Mantener el hilo: memoria en conversaciones largas

Le decís tu nombre al principio y diez mensajes después te lo vuelve a preguntar. ¿Por qué a un bot le cuesta tanto recordar?

Leer #chatbots #conversacional

Las métricas que dicen si tu chatbot sirve

'Atendió 50.000 consultas este mes' suena increíble. Hasta que preguntás cuántas resolvió de verdad.

Leer #chatbots #conversacional

Process mining: la radiografía de cómo trabaja tu empresa

Tus sistemas ya guardan, sin que nadie lo pida, la huella de cada paso. El process mining la revela y dibuja el proceso real.

Leer #procesos #process-mining

El proceso que dibujaste vs el que de verdad ocurre

El flowchart prolijo de la pared y el proceso real rara vez coinciden. Esa brecha es donde se esconde el dinero y el dolor.

Leer #procesos #process-mining

BPMN: el lenguaje universal de los procesos

Una factura sin formato es un dolor de cabeza. Un proceso sin notación común, también. BPMN es el idioma que negocio y TI hablan igual.

Leer #procesos #process-mining

Cuellos de botella invisibles que solo el dato revela

El paso que todos culpan rara vez es el lento. El verdadero cuello de botella es la espera entre tareas, y nadie la siente hasta medirla.

Leer #procesos #process-mining

El 'happy path' que esconde el 80% del trabajo real

El camino feliz es el que todos imaginan y casi nadie recorre. Las excepciones no son el caso raro: son la mitad del proceso.

Leer #procesos #process-mining

Por qué el OCR no alcanza para entender un documento

Un OCR transcribe letras perfectas y aun así no sabe cuál es el total de la factura. Leer no es entender.

Leer #documentos #idp

El layout importa: leer una factura no es leer texto

En un documento, dónde está cada cosa dice tanto como qué dice. La posición no es decoración: es dato.

Leer #documentos #idp

De PDF a dato estructurado: el pipeline de IDP

Un PDF entra, una fila de base de datos sale. En el medio hay cinco etapas, y cada una tiene su forma de fallar.

Leer #documentos #idp

El 80% de los datos de una empresa que nadie usa

Las tablas que mirás son la punta del iceberg. El grueso del conocimiento está en mails, PDFs y contratos sin tocar.

Leer #documentos #idp

Human-in-the-loop: cuándo confiar en la extracción automática

La pregunta no es si confiar en la IA, sino cuándo. Un número entre 0 y 1 decide qué pasa solo y qué mira un humano.

Leer #documentos #idp

Vertex AI: entrenar un modelo sin escribir el modelo

AutoML te entrena un modelo decente sin que escribas una sola línea de red neuronal. La pregunta es cuándo te conviene y cuándo te sale carísimo.

Leer #gcp #cloud

Por qué la región de tu nube cambia la latencia y la factura

Elegir 'us-central1' por default parece inofensivo. Pero la región decide cuánto tarda tu app, cuánto pagás y dónde vive legalmente tu dato.

Leer #gcp #cloud

Máquinas preemptibles: 80% más baratas si tolerás que se apaguen

Google te alquila su capacidad sobrante a una fracción del precio. La letra chica: te la puede sacar con 30 segundos de aviso. La gracia es saber cuándo eso no importa.

Leer #gcp #cloud

Vertex AI vs montarlo vos: el cálculo real

El precio por hora de Vertex parece carísimo al lado de una VM cruda. Pero el costo de verdad incluye las horas tuyas, y ahí el cálculo se da vuelta.

Leer #gcp #cloud

Las cuotas de GCP: el límite que descubrís en producción

Tu código funciona, tu tarjeta tiene saldo, y aún así GCP te frena con un error 429. No es un bug: es una cuota que nadie te avisó que existía.

Leer #gcp #cloud

Cold starts: el medio segundo que arruina la experiencia

Tu API responde en 50 ms... salvo la primera request, que tarda 3 segundos. Eso es un cold start, y casi siempre se puede domar.

Leer #cloud-run #serverless

Escalar a cero: pagar exactamente por lo que usás

Si nadie usa tu servicio, no pagás nada. Suena perfecto, hasta que entendés qué te cobra ese cero a cambio.

Leer #cloud-run #serverless

Por qué Cloud Run te obliga a ser stateless

Guardás un archivo en disco, funciona, y dos requests después desapareció. No es un bug: es la regla de oro de Cloud Run.

Leer #cloud-run #serverless

min-instances: el truco caliente que infla la factura

Una línea de config mata el cold start para siempre. También te cobra por una instancia prendida 24/7, la use alguien o no.

Leer #cloud-run #serverless

Concurrency en Cloud Run: el dial que casi nadie toca

¿Cuántas requests atiende un contenedor a la vez? La respuesta cambia tu factura, tu latencia y cuántas instancias prendés.

Leer #cloud-run #serverless

Por qué BigQuery escanea terabytes en segundos: el formato columnar

BigQuery lee un terabyte en segundos no por magia, sino por una decisión de diseño: guardar los datos por columna, no por fila.

Leer #bigquery #datos

SELECT * es caro: cómo BigQuery te cobra por columna

En BigQuery no pagás por fila ni por query: pagás por los bytes que escaneás. Y el SELECT * los multiplica sin que lo veas.

Leer #bigquery #datos

Particionar y clusterizar: la diferencia entre $1 y $100 por query

Dos opciones que se eligen al crear la tabla y deciden cuántos datos escanea cada query. Bien usadas, recortan el costo 100x.

Leer #bigquery #datos

BQML: entrenar modelos de machine learning con SQL

BigQuery ML te deja entrenar una regresión o un clustering con un CREATE MODEL, sin sacar los datos del warehouse ni escribir Python.

Leer #bigquery #datos

Slots: la moneda invisible del cómputo en BigQuery

Detrás de cada query de BigQuery hay una unidad de cálculo que no ves: el slot. Entenderla explica por qué a veces la misma query vuela y otras se arrastra.

Leer #bigquery #datos

'Funciona en mi máquina': el problema que Docker mató

La frase más temida del desarrollo de software, y cómo un formato de empaquetado terminó convirtiéndola en una broma del pasado.

Leer #docker #contenedores

Las capas de Docker: por qué el orden del Dockerfile importa

Cambiar una línea de lugar en el Dockerfile puede hacer que tu build pase de 5 minutos a 5 segundos. El secreto está en las capas.

Leer #docker #contenedores

Tu imagen pesa 2GB y no debería: multi-stage builds

Si tu imagen de producción incluye el compilador, los headers y medio sistema operativo, estás cargando un taller entero para usar un destornillador.

Leer #docker #contenedores

Contenedor vs máquina virtual: la analogía del departamento

Una VM es una casa con sus propios cimientos. Un contenedor es un departamento que comparte la estructura del edificio. La diferencia lo explica casi todo.

Leer #docker #contenedores

Imágenes distroless: menos es más seguro

¿Y si tu contenedor de producción no tuviera shell, ni gestor de paquetes, ni casi nada? Lo que no está, no te lo pueden explotar.

Leer #docker #contenedores

Serverless igual tiene servidores (solo que no son tuyos)

El nombre miente un poco: en serverless hay servidores como siempre. Lo que cambia es quién los administra y por qué eso te conviene.

Leer #serverless #cloud

Arquitectura por eventos: el código que reacciona

En serverless tu código no corre en un bucle esperando. Duerme hasta que pasa algo, y entonces reacciona. Ese cambio de mentalidad lo cambia todo.

Leer #serverless #cloud

El cold start, el talón de Aquiles de lo serverless

La primera invocación de una función dormida tarda más. Por qué pasa, cuánto duele y a quién le importa de verdad.

Leer #serverless #cloud

Pagar por invocación: cuándo conviene y cuándo no

Serverless cobra por ejecución, el servidor fijo cobra por hora prendida. Existe un punto de equilibrio, y conviene saber de qué lado estás.

Leer #serverless #cloud

Vendor lock-in: la letra chica de lo serverless

Serverless te ahorra operación, pero a cambio enchufás tu código a las APIs de un proveedor. Qué tan atado quedás y cómo aflojar el nudo.

Leer #serverless #cloud

El pipeline en rojo: por qué romper el build es sagrado

Dejar la rama principal en rojo frena a todo el equipo. Por eso, en buenos equipos, un build roto es la prioridad número uno.

Leer #cicd #devops

Deploy blue-green: cambiar el motor en pleno vuelo

Cómo desplegar una versión nueva sin que el usuario note nada: dos entornos gemelos y un cambio de tráfico instantáneo.

Leer #cicd #devops

El arte del rollback: deshacer un deploy en un click

Poder volver atrás un deploy en segundos vale más que no fallar nunca. Por qué el rollback es la red de seguridad que cambia todo.

Leer #cicd #devops

Tests como portero: lo que no pasa, no se despliega

En un buen pipeline los tests no son una sugerencia: son un portero que decide qué código llega a producción y qué se queda afuera.

Leer #cicd #devops

Infraestructura como código: tu nube entera en un repo

Servidores, redes y bases de datos descritos en archivos de texto versionados. Por qué la infra como código cambió cómo se opera la nube.

Leer #cicd #devops