Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# 2. Experimentación
<a name="experimentation"></a>

La experimentación abarca el registro, el seguimiento y las métricas de los experimentos. De este modo, se integra la metainformación de los experimentos en toda la plataforma, en el control de código fuente y en los entornos de desarrollo. La experimentación también incluye la posibilidad de optimizar el rendimiento y la precisión del modelo mediante la depuración.


|  |  | 
| --- |--- |
| **2.1 Entornos de desarrollo integrados** | Un entorno de desarrollo integrado (IDE) se integra de manera directa con la nube. El IDE puede interactuar con el sistema más grande y enviar comandos a este. Lo ideal es que admita lo siguiente:  Desarrollo local   Integración de control de versiones   Depuración en marcha, con todos los registros y artefactos generados que pasan al control de versiones.   | 
| **2.2 Control de versiones de código** | Para garantizar la capacidad de reproducción y la reutilización, todo el código se archiva en el repositorio de origen con el control de versiones adecuado. Esto incluye el código de infraestructura, el código de aplicación, el código de modelo e incluso los cuadernos (si opta por utilizarlos). | 
| **2.3 Seguimiento** | Un proyecto de ML requiere una herramienta que pueda seguir y analizar los experimentos de machine learning. Esta herramienta debe registrar todas las métricas, parámetros y artefactos durante la ejecución de un experimento de machine learning, lo que registra todos los metadatos en una ubicación central. La ubicación central permitirá analizar, visualizar y auditar todos los experimentos que ejecute. | 
| **2.4 Integración multiplataforma** | Se puede acceder a los resultados históricos de los experimentos y todos sus metadatos en otras partes del sistema. Por ejemplo, las canalizaciones de orquestación existentes pueden acceder a estos datos, al igual que las herramientas de supervisión. | 
| **2.5 Depuración: precisión y rendimiento del sistema** | Existe un marco completo de depuración de modelos para examinar las ejecuciones para lo siguiente:  Detectar los cuellos de botella   Alertar sobre las anomalías   Maximizar el uso de los recursos   Ayudar en el análisis de los experimentos  Cuando el entrenamiento es intensivo, la capacidad de maximizar el rendimiento es crucial y lo convierte en una herramienta necesaria para la optimización de costos. |