Contenedorización

¿Qué es la contenedorización?

Una app de IA necesita un montón de cosas para correr: una versión concreta de Python, un framework de deep learning, un puñado de librerías del sistema. Te falta una y da error. La contenedorización empaqueta el código, las dependencias y la configuración en un «contenedor»: como un contenedor de barco estándar cuyo interior es idéntico, así que corre igual en cualquier máquina.

¿Qué viejo problema resuelve?

«En mi máquina funciona»
Los entornos de desarrollo, pruebas y producción suelen diferir, así que el mismo código se rompe en otro sitio. El contenedor se lleva el entorno consigo y borra las diferencias.
Despliegues dolorosos
Instalar dependencias a mano es lento y propenso a errores. Construye la imagen una vez y un solo comando levanta todo el entorno.

¿En qué se diferencia de una máquina virtual?

VMs: pesadas, cada una con su SO
Cada VM lleva un sistema operativo completo: voluminosa y lenta al arrancar.
Contenedores: ligeros, comparten el kernel
Comparten el kernel del anfitrión y solo llevan lo que la app necesita. Arrancan en segundos y una máquina puede correr muchos.

Por qué importa en IA

La combinación de modelo, framework y driver de GPU es enormemente compleja: un desajuste de versión y se rompe. Los contenedores fijan todo eso en una imagen, así que entrenar, probar y producir corren en entornos idénticos. Escalar también es fácil: ¿más instancias de inferencia? Copia unos cuantos contenedores.

En resumen: la contenedorización le da a una app de IA una «maleta de mano»: empaqueta entorno y dependencias juntos, y corre igual dondequiera que la lleves.