Tres lecciones para acelerar las actualizaciones de modelos de base

¿Ha experimentado problemas al migrar sus productos de un modelo a otro? Actualizar a los modelos de IA más recientes rara vez es simple. Para los equipos de ingeniería, las actualizaciones de modelos, ya sea migrando a un modelo completamente nuevo o actualizando a un punto de control más reciente dentro de la misma familia de modelos, como pasar de una versión anterior de Gemini a Gemini 3.5, a menudo requieren un proceso lento y costoso de prueba, validación de calidad y evaluación manual de nuevas respuestas. Para la mayoría de los equipos de ingeniería, actualizar a un nuevo punto de control de modelo significa meses de trabajo manual para verificar el rendimiento. Y la industria está avanzando a un ritmo vertiginoso: desde 2023, hemos anunciado seis importantes evoluciones de modelos, llevándonos a Gemini 3.5 hoy. Nuestro equipo en Google Cloud, Applied ML, tiene el objetivo de entregar una infraestructura y servicios transformadores que beneficien tanto a Google como a nuestros clientes en todo el mundo. Como parte de esto, nuestro equipo ha creado un flujo de trabajo basado en agentes que completa las actualizaciones de modelos en horas en lugar de meses. En este blog, le mostraremos nuestro enfoque y tres lecciones que puede aplicar para acelerar sus propias actualizaciones de modelos de base utilizando Gemini Enterprise Agent Platform — nuestra nueva plataforma integral para construir, escalar, gobernar y optimizar agentes — y Google Antigravity, nuestra principal solución para desarrolladores que utilizan la IA para la codificación y la orquestación de agentes. Tres lecciones para construir un sistema de agentes flexible Para satisfacer las diferentes necesidades del equipo, tuvimos que repensar la automatización tradicional y aprendimos tres lecciones clave en el camino: Lección 1: Comience con el descubrimiento práctico. Primero, nuestros ingenieros trabajaron estrechamente con los equipos de productos en problemas de migración reales. Este trabajo práctico nos ayudó a identificar requisitos complejos y a desarrollar nuestras primeras pautas para la optimización de indicaciones. Lección 2: Ten cuidado con la rigidez de la automatización tradicional. Convertimos estas pautas en un flujo de trabajo automatizado estándar. Si bien esta versión nos proporcionó algunos éxitos rápidos, pronto descubrimos que la automatización tradicional era demasiado rígida para manejar diferentes formatos de datos y casos únicos. Lección 3: Pasa a una arquitectura de agente flexible. El verdadero progreso llegó cuando reconstruimos la herramienta utilizando un agente flexible. En lugar de forzar a los equipos a seguir un proceso rígido, el agente se adaptó a las necesidades específicas del proyecto, ayudando a analizar datos y probar indicaciones dinámicamente con un alto grado de adaptabilidad. Cómo nuestros equipos socios redujeron el tiempo de migración al al mismo tiempo que mejoraron la calidad Nuestro equipo socio, que gestiona los servicios de traducción y doblaje de vídeo, tenía un desafío interesante: su flujo de trabajo requería reescribir el texto traducido para que la duración hablada coincidiera exactamente con el ritmo del vídeo original, sin alterar el significado. Históricamente, este requisito estricto requería mantener un modelo afinado. Su objetivo era migrar al modelo de base más reciente, guiándose únicamente mediante la ingeniería de indicaciones. Utilizando este marco basado en agentes, el equipo proporcionó su conjunto de datos de referencia y la indicación de base. El sistema ascendió de forma autónoma la calidad de la indicación, migrando el servicio lejos del pila personalizada. Cree su propio flujo de trabajo de migración con Agent Platform y Google Antigravity Estas lecciones se pueden aplicar por cualquier equipo de ingeniería que busque acelerar sus propias actualizaciones de modelos. Si su organización tiene dificultades para mantenerse al día con los nuevos modelos de base, reemplazar el trabajo manual con la automatización inteligente requiere tratar la migración como un flujo de trabajo basado en agentes. Para crear su propia tubería de migración automatizada, siga estos pasos: Despliegue de Autoraters: Pasa de la revisión humana manual a Indicadores basados en modelos para evaluar la calidad de un nuevo punto de control a escala y en una fracción del tiempo. Construya un bucle basado en agentes: Puede utilizar el Kit de desarrollo de agentes dentro de Gemini Enterprise Agent Platform para crear su agente. Automatice la orquestación: Para hacer que el proceso sea aún más fácil, utilice Antigravity para automatizar la codificación y la orquestación de agentes subyacentes e incluya funciones como informes de pérdida o informes de margen. Al alejarse de una tarea de ingeniería de línea por línea, las organizaciones pueden reducir la deuda técnica de infraestructura y mantenerse al día con el borde de la IA con confianza.