Ir al contenido principal

Glosario de IA Operations

¿Qué es un pipeline en IA y machine learning?

← Todos los términos del glosario
En pocas palabras

Secuencia de pasos de procesamiento, como ingesta, preparación, modelo y posprocesado, que convierte los datos de entrada en un resultado.

Explicación

Un pipeline es una cadena de pasos de procesamiento en la que la salida de cada paso es la entrada del siguiente: por ejemplo, ingesta de datos, limpieza, preparación de variables, inferencia del modelo y posprocesado. En machine learning, los pipelines cubren tanto el entrenamiento de los modelos como su uso en producción. En IA generativa, un pipeline puede encadenar recuperación, construcción del prompt, llamadas al modelo, validación y acciones. Construir los sistemas de IA como pipelines hace que cada paso se pueda probar, repetir y sustituir, y eso es lo que los vuelve fiables y escalables.

Tipos de pipeline

  • Los pipelines de datos mueven y transforman datos desde los sistemas de origen hasta una forma que la analítica o los modelos puedan usar.
  • Los de entrenamiento preparan conjuntos de datos, entrenan modelos, los evalúan y registran las versiones que pasan.
  • Los de inferencia reciben una petición en vivo, preparan la entrada, llaman al modelo y posprocesan el resultado.
  • Los de LLM y RAG recuperan contexto, montan el prompt, llaman al modelo, revisan la salida y la devuelven o actúan con ella.
  • Los de CI/CD para ML prueban y despliegan código, datos y modelos juntos, para que los cambios lleguen a producción de forma controlada.

Por qué construir la IA como pipelines

Un notebook que funciona una vez no es un sistema. Convertir los pasos en un pipeline significa que cada uno tiene entradas y salidas definidas, se puede probar por separado y se ejecuta igual cada vez.

Así puedes reentrenar modelos de forma automática, reproducir un resultado pasado, cambiar un modelo por otro y saber qué paso falló cuando algo va mal. También es la base de la monitorización, porque cada paso puede emitir métricas y trazas.

¿Pipeline o agente?

Un pipeline sigue una secuencia fija que alguien diseñó de antemano. Un agente decide durante la ejecución qué pasos dar y qué herramientas usar.

Los pipelines son más predecibles, más baratos y más fáciles de auditar, así que encajan con tareas conocidas y repetibles. Los agentes encajan con tareas abiertas en las que el camino no se conoce de antemano. Muchos sistemas en producción combinan ambos: un pipeline con algunos pasos en los que un agente toma una decisión acotada.

Preguntas frecuentes

¿Qué es un pipeline de ML?

Un pipeline de ML automatiza los pasos para construir y usar un modelo de machine learning: preparación de datos, entrenamiento, evaluación, despliegue y, en producción, inferencia. Al automatizarlos, los resultados se pueden reproducir y los modelos se reentrenan cuando cambian los datos.

¿Qué es un pipeline de datos?

Un pipeline de datos lleva datos desde una o varias fuentes hasta un destino, como un data lake o un data warehouse, y los transforma por el camino. Puede ejecutarse por lotes según un calendario o de forma continua, en streaming.

¿Qué es un pipeline RAG?

Un pipeline RAG es la secuencia que convierte una pregunta en una respuesta apoyada en fuentes: recuperar pasajes relevantes, montar un prompt con ellos, llamar al modelo de lenguaje y devolver la respuesta con sus fuentes. La ingesta y el indexado de documentos forman otro pipeline que lo alimenta.

¿Qué diferencia hay entre pipeline y flujo de trabajo?

Se solapan. Pipeline suele poner el foco en datos que pasan por una cadena de pasos de procesamiento; flujo de trabajo es más amplio y puede incluir tareas humanas, aprobaciones y bifurcaciones. En la práctica, un flujo de trabajo de IA suele contener uno o varios pipelines.

¿Qué es MLOps y qué tiene que ver con los pipelines?

MLOps aplica prácticas de DevOps al machine learning: control de versiones, pruebas automáticas, entrega continua y monitorización. Los pipelines son su pieza básica, porque son lo que se automatiza, se prueba y se despliega.

Guías de decisión que usan este término

Dónde aparece en Thinkia

Productos

Fuentes

Actualizado: 2026-10-21

¿Quieres ver cómo se aplica en tu organización?

Habla con un experto en IA