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  <br />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. |